指南

本指南深入介绍如何使用 OpenAI Agents SDK 的实时能力构建语音交互的 AI 智能体。

Beta feature

实时智能体处于 Beta 阶段。随着实现不断改进，可能会有不兼容变更。

概览

实时智能体支持对话式流程，可实时处理音频与文本输入，并以实时音频作出响应。它们与 OpenAI 的 Realtime API 保持长连接，实现自然、低时延的语音对话，并能优雅地处理中断。

架构

核心组件

实时系统由以下关键组件构成：

RealtimeAgent: 一个智能体，配置了 instructions、tools 和任务转移（handoffs）。
RealtimeRunner: 管理配置。可调用 runner.run() 获取会话。
RealtimeSession: 单次交互会话。通常在每次用户开启对话时创建，并保持存活直到对话结束。
RealtimeModel: 底层模型接口（通常是 OpenAI 的 WebSocket 实现）

会话流程

典型的实时会话遵循如下流程：

创建 RealtimeAgent，并配置 instructions、tools 和任务转移（handoffs）。
设置 RealtimeRunner，指定智能体和配置选项。
启动会话，使用 await runner.run()，该方法返回一个 RealtimeSession。
向会话发送音频或文本消息，使用 send_audio() 或 send_message()。
监听事件，通过迭代会话对象来获取事件——包括音频输出、转写文本、工具调用、任务转移以及错误。
处理中断，当用户打断智能体说话时，将自动停止当前音频生成。

会话会维护对话历史，并管理与实时模型的持久连接。

智能体配置

RealtimeAgent 的工作方式与常规 Agent 类似，但存在一些关键差异。完整 API 细节请参阅 RealtimeAgent API 参考。

与常规智能体的主要差异：

模型选择在会话级别配置，而不是智能体级别。
不支持 structured output（不支持 outputType）。
可为每个智能体配置语音，但在第一个智能体开始说话后便不可更改。
其他特性（例如 tools、任务转移和 instructions）工作方式相同。

会话配置

模型设置

会话配置允许你控制底层实时模型的行为。你可以配置模型名称（例如 gpt-realtime）、语音选择（alloy、echo、fable、onyx、nova、shimmer）以及支持的模态（文本和/或音频）。音频格式可分别为输入与输出设置，默认是 PCM16。

音频配置

音频设置控制会话如何处理语音输入与输出。你可以使用如 Whisper 的模型进行输入音频转写、设定语言偏好，并提供转写提示以提升特定领域术语的准确性。轮次检测设置控制智能体何时开始和停止响应，可配置语音活动检测阈值、静音时长，以及在检测到语音前后的填充时间。

工具与函数

添加工具

与常规智能体相同，实时智能体支持在对话中执行的工具调用（function tools）：

from agents import function_tool

@function_tool
def get_weather(city: str) -> str:
    """Get current weather for a city."""
    # Your weather API logic here
    return f"The weather in {city} is sunny, 72°F"

@function_tool
def book_appointment(date: str, time: str, service: str) -> str:
    """Book an appointment."""
    # Your booking logic here
    return f"Appointment booked for {service} on {date} at {time}"

agent = RealtimeAgent(
    name="Assistant",
    instructions="You can help with weather and appointments.",
    tools=[get_weather, book_appointment],
)

任务转移

创建任务转移

任务转移允许在专门化智能体之间转移对话。

from agents.realtime import realtime_handoff

# Specialized agents
billing_agent = RealtimeAgent(
    name="Billing Support",
    instructions="You specialize in billing and payment issues.",
)

technical_agent = RealtimeAgent(
    name="Technical Support",
    instructions="You handle technical troubleshooting.",
)

# Main agent with handoffs
main_agent = RealtimeAgent(
    name="Customer Service",
    instructions="You are the main customer service agent. Hand off to specialists when needed.",
    handoffs=[
        realtime_handoff(billing_agent, tool_description="Transfer to billing support"),
        realtime_handoff(technical_agent, tool_description="Transfer to technical support"),
    ]
)

事件处理

会话会以流的形式发送事件，你可以通过迭代会话对象来监听。事件包括音频输出分片、转写结果、工具执行开始与结束、智能体任务转移，以及错误。需要重点处理的事件包括：

audio: 智能体响应的原始音频数据
audio_end: 智能体结束讲话
audio_interrupted: 用户打断了智能体
tool_start/tool_end: 工具执行生命周期
handoff: 发生了智能体任务转移
error: 处理过程中发生错误

完整事件详情请参阅 RealtimeSessionEvent。

安全防护措施

实时智能体仅支持输出安全防护措施。这些防护以防抖方式周期性运行（而非每个词都运行），以避免实时生成期间的性能问题。默认防抖长度为 100 个字符，可进行配置。

安全防护措施可以直接附加到 RealtimeAgent，或通过会话的 run_config 提供。两处配置的防护会共同生效。

from agents.guardrail import GuardrailFunctionOutput, OutputGuardrail

def sensitive_data_check(context, agent, output):
    return GuardrailFunctionOutput(
        tripwire_triggered="password" in output,
        output_info=None,
    )

agent = RealtimeAgent(
    name="Assistant",
    instructions="...",
    output_guardrails=[OutputGuardrail(guardrail_function=sensitive_data_check)],
)

当安全防护被触发时，会生成一个 guardrail_tripped 事件，并可中断智能体当前的响应。防抖行为有助于在安全与实时性能需求之间取得平衡。与文本智能体不同，实时智能体在防护被触发时不会抛出 Exception。

音频处理

使用 session.send_audio(audio_bytes) 发送音频到会话，或使用 session.send_message() 发送文本。

对于音频输出，监听 audio 事件，并通过你偏好的音频库播放音频数据。务必监听 audio_interrupted 事件，在用户打断智能体时立即停止播放并清空任何已排队的音频。

模型直接访问

你可以访问底层模型，以添加自定义监听器或执行高级操作：

# Add a custom listener to the model
session.model.add_listener(my_custom_listener)

这将为你提供对 RealtimeModel 接口的直接访问，适用于需要对连接进行更底层控制的高级用例。

代码示例

完整可运行示例请查看 examples/realtime 目录，其中包含带 UI 和不带 UI 的演示。