From model to agent: Equipping the Responses API with a computer environment

We're currently in a shift from using models, which excel at particular tasks, to using agents capable of handling complex workflows. By prompting models, you can only access trained intelligence. However, giving the model a computer environment can achieve a much wider range of use cases, like running services, requesting data from APIs, or generating more useful artifacts like spreadsheets or reports.

A few practical problems emerge when you try to build agents: where to put intermediate files, how to avoid pasting large tables into a prompt, how to give the workflow network access without creating a security headache, and how to handle timeouts and retries without building a workflow system yourself.

Instead of putting it on developers to build their own execution environments, we built the necessary components to equip the Responses API⁠(נפתח בחלון חדש) with a computer environment to reliably execute real-world tasks.

OpenAI’s Responses API, together with the shell tool and a hosted container workspace, is designed to address these practical problems. The model proposes steps and commands; the platform runs them in an isolated environment with a filesystem for inputs and outputs, optional structured storage (like SQLite), and restricted network access. 

In this post, we’ll break down how we built a computer environment for agents and share some early lessons on how to use it for faster, more repeatable, and safer production workflows.

A good agent workflow starts with a tight execution loop: the model proposes an action like reading files or fetching data with API, the platform runs it, and the result feeds into the next step. We’ll start with the shell tool—the simplest way to see this loop in action—and then cover the container workspace, networking, reusable skills, and context compaction.

To understand the shell tool, it’s first useful to understand how a language model uses tools in general: to do things like call a function or interact with a computer. During training, a model is shown examples of how tools are used and the resulting effects, step by step. This helps the model learn to decide when to use a tool and how to use it. When we say “using a tool”, we mean the model actually only proposes a tool call. It can't execute the call on its own.

The shell tool makes the model dramatically more powerful: it interacts with a computer through the command line to carry out a wide range of tasks, from searching for text to sending API requests on your computer. Built on familiar Unix tooling, our shell tool can do anything you'd expect, with utilities like grep, curl, and awk available out of the box.

Compared to our existing code interpreter, which only executes Python, the shell tool enables a much wider range of use cases, like running Go or Java programs or starting a NodeJS server. This flexibility lets the model fulfill complex agentic tasks.

On its own, a model can only propose shell commands, but how are these commands executed? We need an orchestrator to get model output, invoke tools, and pass the tool response back to the model in a loop, until the task is complete.

The Responses API is how developers interact with OpenAI models. When used with custom tools, the Responses API yields control back to the client, and the client requires its own harness for running the tools. However, this API can also orchestrate between the model and hosted tools out of the box. 

When the Responses API receives a prompt, it assembles model context: user prompt, prior conversation state, and tool instructions. For shell execution to work, the prompt must mention using the shell tool and the selected model must be trained to propose shell commands—models GPT‑5.2 and later are trained for this. With all of this context, the model then decides the next action. If it chooses shell execution, it returns one or more shell commands to Responses API service. The API service forwards those commands to the container runtime, streams back shell output, and feeds it to the model in the next request’s context. The model can then inspect the results, issue follow-up commands, or produce a final answer. The Responses API repeats this loop until the model returns a completion without additional shell commands.

When the Responses API executes a shell command, it maintains a streaming connection to the container service. As output is produced, the API relays it to the model in near real time so the model can decide whether to wait for more output, run another command, or move on to a final response.

The model can propose multiple shell commands in one step, and the Responses API can execute them concurrently using separate container sessions. Each session streams output independently, and the API multiplexes those streams back into structured tool outputs as context. In other words, the agent loop can parallelize work, such as searching files, fetching data, and validating intermediate results.

When the command involves file operations or data processing, shell output can become very large and consume context budgets without adding useful signals. To control this, the model specifies an output cap per command. The Responses API enforces that cap and returns a bounded result that preserves both the beginning and end of the output, while marking omitted content. For example, you might bound the output to 1,000 characters, with preserved beginning and end:

text at the beginning ... 1000 chars truncated ... text at the end

Together, concurrent execution and bounded output make the agent loop both fast and context-efficient so the model can keep reasoning over relevant results instead of getting overwhelmed by raw terminal logs.

One potential issue with agent loops is that tasks can run for a long time. Long-running tasks fill the context window, which is important for providing context across turns and across agents. Picture an agent calling a skill, getting a response, adding tool calls and reasoning summaries—the limited context window quickly fills up. To avoid losing the important context as the agent continues running, we need a way to keep the key details and remove anything extraneous. Instead of requiring developers to design and maintain custom summarization or state-carrying systems, we added native compaction in the Responses API, designed to align with how the model behaves and how it's been trained.

Our latest models are trained to analyze prior conversation state and produce a compaction item that preserves key prior state in an encrypted token-efficient representation. After compaction, the next context window consists of this compaction item and high-value portions of the earlier window. This allows workflows to continue coherently across window boundaries, even in extended multi-step and tool-driven sessions. Codex relies on this mechanism to sustain long-running coding tasks and iterative tool execution without degrading quality.

Compaction is available either built-in on the server or through a standalone `/compact` endpoint. Server-side compaction lets you configure a threshold, and the system handles compaction timing automatically, eliminating the need for complex client-side logic. It allows a slightly larger effective input context window to tolerate small overages right before compaction, so requests near the limit can still be processed and compacted rather than rejected. As model training evolves, the native compaction solution evolves with it for every OpenAI model release.

Codex helped us build the compaction system while serving as an early user of it. When one Codex instance hit a compaction error, we'd spin up a second instance to investigate. The result was that Codex got a native, effective compaction system just by working on the problem. This ability for Codex to inspect and refine itself has become an especially interesting part of working at OpenAI. Most tools only require the user to learn how to use them; Codex learns alongside us.

Now let’s cover state and resources. The container is not only a place to run commands but also the working context for the model. Inside the container, the model can read files, query databases, and access external systems under network policy controls.

The first part of container context is the file system for uploading, organizing, and managing resources. We built container and file⁠(נפתח בחלון חדש) APIs to give the model a map of available data and help it choose targeted file operations instead of performing broad, noisy scans.

A common anti-pattern is packing all input directly into prompt context. As inputs grow, overfilling the prompt becomes expensive and hard for the model to navigate. A better pattern is to stage resources in the container file system and let the model decide what to open, parse, or transform with shell commands. Much like humans, models work better with organized information.

The second part of container context is databases. In many cases, we suggest developers store structured data in databases as SQLite and query them. Instead of copying an entire spreadsheet into the prompt, for example, you can give the model a description of the tables—what columns exist and what they mean—and let it pull the rows it needs.

For example, if you ask, “Which products had declining sales this quarter?” the model can query just the relevant rows instead of scanning the whole spreadsheet. This is faster, cheaper, more scalable to larger datasets.

הרכיב השלישי בהקשר של הקונטיינר הוא גישה לרשת — רכיב חיוני בעבודתם של סוכנים. תהליך עבודה של סוכן עשוי לדרוש שליפת נתונים בזמן אמת, קריאה לממשקי API חיצוניים או התקנת חבילות. עם זאת, מתן גישה בלתי מוגבלת לאינטרנט לקונטיינרים עלול להיות מסוכן: הוא עלול לחשוף מידע לאתרים חיצוניים, להוביל לגישה לא מכוונת למערכות רגישות פנימיות או של צד שלישי, או להקשות על מניעת דליפה של פרטי גישה והוצאת נתונים לא מורשית.

כדי להתמודד עם הסיכונים האלה בלי לפגוע בתועלת של הסוכנים, בנינו את הקונטיינרים המתארחים כך שישתמשו בשרת פרוקסי נלווה לתעבורה יוצאת. כל בקשות הרשת היוצאות עוברות דרך שכבת מדיניות מרכזית, שאוכפת רשימות הרשאה ובקרות גישה ומאפשרת לנטר את התעבורה. עבור פרטי גישה, אנחנו מזריקים סודות לפי דומיין בשלב היציאה לרשת. המודל והקונטיינר רואים רק מצייני מיקום, ואילו ערכי הסודות עצמם נשארים מחוץ להקשר הגלוי למודל ומצורפים רק לבקשות ליעדים מאושרים. כך מצטמצם הסיכון לדליפה, בלי לוותר על האפשרות לבצע קריאות מאומתות לשירותים חיצוניים.

פקודות מעטפת הן כלי רב־עוצמה, אבל משימות רבות חוזרות על אותם דפוסי פעולה מרובי שלבים. סוכנים צריכים לגלות מחדש את תהליך העבודה בכל הרצה — לתכנן מחדש, לשלוח שוב פקודות וללמוד מחדש את מוסכמות העבודה — מה שמוביל לתוצאות לא עקביות ולבזבוז משאבי הרצה. מיומנויות סוכנים⁠(נפתח בחלון חדש) אורזות את הדפוסים האלה באבני בניין שאפשר לשלב ולהשתמש בהן שוב. בפועל, מיומנות היא תיקייה ארוזה הכוללת את הקובץ ״SKILL.md⁠(נפתח בחלון חדש)״ (המכיל מטא־נתונים והוראות), לצד משאבים נלווים כגון מפרטי API ונכסי ממשק משתמש.

המבנה הזה משתלב באופן טבעי בארכיטקטורת ההרצה שתיארנו קודם. הקונטיינר מספק קבצים שנשמרים לאורך זמן והקשר להרצה, וכלי המעטפת מספק את ממשק ההרצה. השילוב ביניהם מאפשר למודל לאתר קובצי מיומנויות לפי הצורך באמצעות פקודות מעטפת (`ls`,‏ `cat` וכו'), לפרש הוראות ולהריץ סקריפטים של מיומנויות — הכול באותה לולאת סוכן.

אנחנו מספקים ממשקי API⁠(נפתח בחלון חדש) לניהול מיומנויות בפלטפורמה של OpenAI. מפתחים מעלים ומאחסנים תיקיות מיומנויות כחבילות עם ניהול גרסאות, שאפשר לשלוף בהמשך לפי מזהה המיומנות. לפני שליחת הפרומפט למודל, ה־Responses API טוען את המיומנות וכולל אותה בהקשר של המודל. רצף הפעולות הזה דטרמיניסטי:

1. שליפת המטא־נתונים של המיומנות, כולל שם ותיאור.

2. שליפת חבילת המיומנות, העתקתה לקונטיינר וחילוצה.

3. עדכון ההקשר של המודל במטא־נתונים של המיומנות ובנתיב שלה בקונטיינר.

כדי להחליט אם מיומנות רלוונטית, המודל בוחן בהדרגה את ההוראות שלה ומריץ את הסקריפטים שלה באמצעות פקודות מעטפת בקונטיינר.

כך מתחברים כל הרכיבים: ה־Responses API מספק תזמור, כלי המעטפת מספק פעולות שאפשר להריץ, הקונטיינר המתארח מספק הקשר שנשמר לאורך זמן בסביבת ההרצה, מיומנויות מוסיפות לוגיקת תהליכי עבודה לשימוש חוזר, ו־compaction מאפשר לסוכן לפעול לאורך זמן עם ההקשר שהוא צריך.

עם אבני הבניין האלה, פרומפט יחיד יכול להפוך לתהליך עבודה מקצה לקצה: לאתר את המיומנות המתאימה, לשלוף נתונים, להמיר אותם למצב מקומי מובנה, לתשאל אותם ביעילות וליצור תוצרים שנשמרים לאורך זמן. 

התרשים הבא מציג כיצד המערכת יוצרת גיליון אלקטרוני מנתונים בזמן אמת.

לדוגמה מעמיקה של שילוב כלי המעטפת וסביבת המחשב בתהליכי עבודה מקצה לקצה, ראו את הפוסט בבלוג המפתחים⁠(נפתח בחלון חדש) ואת מדריך הדוגמאות⁠(נפתח בחלון חדש) שלנו, שמציגים כיצד לארוז מיומנות ולהריץ אותה דרך ה־Responses API.

אנחנו נרגשים לראות מה מפתחים יבנו עם אבני הבניין האלה. מודלי שפה נועדו לעשות יותר מאשר ליצור טקסט, תמונות ואודיו — נמשיך לפתח את הפלטפורמה שלנו כדי לשפר את יכולתה להתמודד עם משימות מורכבות מהעולם האמיתי בקנה מידה רחב.