实时智能体指南

本指南介绍 OpenAI Agents SDK的实时层如何映射到 OpenAI Realtime API，以及 Python SDK 在此基础上增加的行为。

从这里开始

如果你希望使用默认的 Python 路径，请先阅读快速入门。如果你正在确定应用应使用服务端 WebSocket 还是 SIP，请阅读实时传输。浏览器 WebRTC 传输不属于 Python SDK。

概述

实时智能体会与 Realtime API 保持长期连接，使模型能够增量处理文本和音频、以流式传输方式输出音频、调用工具并处理中断，而无需在每轮对话时重新发起请求。

SDK 的主要组件包括：

RealtimeAgent：单个实时专家智能体的指令、工具、输出安全防护措施和任务转移
RealtimeRunner：将起始智能体连接到实时传输层的会话工厂
RealtimeSession：用于发送输入、接收事件、追踪历史记录和执行工具的实时会话
RealtimeModel：传输抽象。默认实现是 OpenAI的服务端 WebSocket。

会话生命周期

典型的实时会话流程如下：

创建一个或多个 RealtimeAgent。
使用起始智能体创建 RealtimeRunner。
调用 await runner.run() 获取 RealtimeSession。
使用 async with session: 或 await session.enter() 进入会话。
使用 send_message() 或 send_audio() 发送用户输入。
迭代处理会话事件，直到对话结束。

与纯文本运行不同，runner.run() 不会立即生成最终结果。它会返回一个实时会话对象，使本地历史记录、后台工具执行、安全防护措施状态和当前智能体配置与传输层保持同步。

默认情况下，RealtimeRunner 使用 OpenAIRealtimeWebSocketModel，因此默认的 Python 路径是通过服务端 WebSocket 连接到 Realtime API。如果传入其他 RealtimeModel，仍会使用相同的会话生命周期和智能体功能，但连接机制可以有所不同。

智能体与会话配置

RealtimeAgent 的设计范围有意比常规 Agent 类型更窄：

模型选择在会话级别配置，而不是为每个智能体单独配置。
不支持 structured outputs。
可以配置语音，但会话生成口语音频后便无法更改。
指令、工具调用、任务转移、钩子和输出安全防护措施仍然可用。

RealtimeSessionModelSettings 同时支持较新的嵌套 audio 配置和旧版扁平别名。新代码应优先使用嵌套结构，并为新的实时智能体从 gpt-realtime-2.1 开始：

runner = RealtimeRunner(
    starting_agent=agent,
    config={
        "model_settings": {
            "model_name": "gpt-realtime-2.1",
            "audio": {
                "input": {
                    "format": "pcm16",
                    "transcription": {"model": "gpt-4o-mini-transcribe"},
                    "turn_detection": {"type": "semantic_vad", "interrupt_response": True},
                },
                "output": {"format": "pcm16", "voice": "ash"},
            },
            "tool_choice": "auto",
        }
    },
)

常用的会话级设置包括：

audio.input.format, audio.output.format
audio.input.transcription
audio.input.noise_reduction
audio.input.turn_detection
audio.output.voice, audio.output.speed
output_modalities
tool_choice
prompt
tracing

RealtimeRunner(config=...) 中常用的运行级设置包括：

async_tool_calls
output_guardrails
guardrails_settings.debounce_text_length
tool_error_formatter
tracing_disabled

有关完整的类型化接口，请参阅 RealtimeRunConfig 和 RealtimeSessionModelSettings。

输入与输出

文本与结构化用户消息

使用 session.send_message() 发送纯文本或结构化实时消息。

from agents.realtime import RealtimeUserInputMessage

await session.send_message("Summarize what we discussed so far.")

message: RealtimeUserInputMessage = {
    "type": "message",
    "role": "user",
    "content": [
        {"type": "input_text", "text": "Describe this image."},
        {"type": "input_image", "image_url": image_data_url, "detail": "high"},
    ],
}
await session.send_message(message)

结构化消息是在实时对话中包含图像输入的主要方式。examples/realtime/app/server.py 中的 Web 演示示例以这种方式转发 input_image 消息。

音频输入

使用 session.send_audio() 以流式传输方式发送原始音频字节：

await session.send_audio(audio_bytes)

如果禁用了服务端轮次检测，你需要负责标记轮次边界。高级便捷用法如下：

await session.send_audio(audio_bytes, commit=True)

如果需要更底层的控制，也可以通过底层模型传输层发送原始客户端事件，例如 input_audio_buffer.commit。

手动响应控制

session.send_message() 使用高级路径发送用户输入，并为你启动响应。原始音频缓冲在所有配置下并不会自动执行相同操作。

在 Realtime API 层面，手动轮次控制意味着使用原始 session.update 清除 turn_detection，然后自行发送 input_audio_buffer.commit 和 response.create。

如果你要手动管理轮次，可以通过模型传输层发送原始客户端事件：

from agents.realtime.model_inputs import RealtimeModelSendRawMessage

await session.model.send_event(
    RealtimeModelSendRawMessage(
        message={
            "type": "response.create",
        }
    )
)

此模式适用于以下情况：

已禁用 turn_detection，且你希望自行决定模型何时响应
希望在触发响应前检查或限制用户输入
需要为带外响应使用自定义提示词

examples/realtime/twilio_sip/server.py 中的 SIP 示例使用原始 response.create 强制发送开场问候语。

事件、历史记录与中断

RealtimeSession 会发出更高级的 SDK 事件，同时在需要时仍会转发原始模型事件。

重要的会话事件包括：

audio, audio_end, audio_interrupted
agent_start, agent_end
tool_start, tool_end, tool_approval_required
handoff
history_added, history_updated
guardrail_tripped
input_audio_timeout_triggered
error
raw_model_event

对 UI 状态最有用的事件通常是 history_added 和 history_updated。它们会以 RealtimeItem 对象形式公开会话的本地历史记录，其中包括用户消息、助手消息和工具调用。

用量统计

当已完成的模型响应包含用量信息时，OpenAI实时模型会在 raw_model_event 中发出 RealtimeModelUsageEvent。其 usage 字段包含该响应的 token 数量，而 input_tokens_details 和 output_tokens_details 提供可选的模态细分数据。

会话还会将每个响应的用量添加到共享的 RunContextWrapper.usage 中。可在后续的高级事件（例如 agent_end）中通过 event.info.context.usage 读取它，以查看实时会话的累计用量。

from agents.realtime import RealtimeModelUsageEvent

async for event in session:
    if event.type == "raw_model_event" and isinstance(
        event.data, RealtimeModelUsageEvent
    ):
        response_usage = event.data.usage
        print("Response tokens:", response_usage.total_tokens)
        print("Input modalities:", event.data.input_tokens_details)
        print("Output modalities:", event.data.output_tokens_details)
    elif event.type == "agent_end":
        session_usage = event.info.context.usage
        print("Session tokens:", session_usage.total_tokens)

仅当模型提供方在已完成的响应中包含用量信息时，才会报告用量。累计值涵盖该 RealtimeSession 收到的响应，并非跨会话总计。

中断与播放追踪

当用户打断助手时，会话会发出 audio_interrupted 并更新历史记录，使服务端对话与用户实际听到的内容保持一致。

对于低延迟本地播放，默认播放追踪器通常已足够。在远程或延迟播放场景中，尤其是电话场景，应使用 RealtimePlaybackTracker，使中断截断基于实际播放进度，而不是假设所有已生成的音频都已播放给用户。

examples/realtime/twilio/twilio_handler.py 中的 Twilio 示例展示了此模式。

工具、审批、任务转移与安全防护措施

工具调用

实时智能体支持在实时对话期间使用工具调用：

from agents import function_tool


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


agent = RealtimeAgent(
    name="Assistant",
    instructions="You can answer weather questions.",
    tools=[get_weather],
)

工具审批

工具调用可以要求在执行前进行人工审批。发生这种情况时，会话会发出 tool_approval_required，并暂停工具运行，直到你调用 approve_tool_call() 或 reject_tool_call()。

如果工具还具有输入安全防护措施，则这些安全防护措施会在审批后、执行前立即运行。若要在发出审批事件之前运行它们，请使用 RealtimeRunner(..., config={"tool_execution": {"pre_approval_tool_input_guardrails": True}}) 创建运行器。通过该预审批检查的调用仍会在审批后、执行前再次接受检查。

async for event in session:
    if event.type == "tool_approval_required":
        await session.approve_tool_call(event.call_id)

有关具体的服务端审批循环，请参阅 examples/realtime/app/server.py。人工介入文档也介绍了此流程。

任务转移

实时任务转移允许一个智能体将实时对话转交给另一个专家智能体：

from agents.realtime import RealtimeAgent, realtime_handoff

billing_agent = RealtimeAgent(
    name="Billing Support",
    instructions="You specialize in billing issues.",
)

main_agent = RealtimeAgent(
    name="Customer Service",
    instructions="Triage the request and hand off when needed.",
    handoffs=[
        realtime_handoff(
            billing_agent,
            tool_description_override="Transfer to billing support",
        )
    ],
)

直接使用的 RealtimeAgent 任务转移会被自动封装，而 realtime_handoff(...) 允许你自定义名称、描述、验证、回调和可用性。实时任务转移不支持常规任务转移的 input_filter。

安全防护措施

实时智能体支持对智能体响应使用输出安全防护措施，并支持对工具调用使用输入安全防护措施。输出安全防护措施基于经过防抖处理的转录文本累积结果运行，而不是针对每个部分 token 运行；触发时会发出 guardrail_tripped，而不是引发异常。

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)],
)

当实时输出安全防护措施被触发时，会话会中断当前响应，强制执行 response.cancel，发出 guardrail_tripped，并发送一条后续用户消息，其中包含被触发的安全防护措施名称，以便模型生成替代响应。你的音频播放器仍应监听 audio_interrupted 并立即停止本地播放，因为安全防护措施基于经过防抖处理的转录文本运行，触发机制生效时可能已有部分音频进入缓冲区。

SIP 与电话

Python SDK 通过 OpenAIRealtimeSIPModel 提供一流的 SIP 挂接流程。

当呼叫通过 Realtime Calls API 到达，且你希望将智能体会话挂接到生成的 call_id 时，请使用此流程：

from agents.realtime import RealtimeRunner
from agents.realtime.openai_realtime import OpenAIRealtimeSIPModel

runner = RealtimeRunner(starting_agent=agent, model=OpenAIRealtimeSIPModel())

async with await runner.run(
    model_config={
        "call_id": call_id_from_webhook,
    }
) as session:
    async for event in session:
        ...

如果需要先接听呼叫，并希望接听载荷与基于智能体生成的会话配置保持一致，请使用 OpenAIRealtimeSIPModel.build_initial_session_payload(...)。完整流程可参阅 examples/realtime/twilio_sip/server.py。

底层访问与自定义端点

可以通过 session.model 访问底层传输对象。

以下情况需要使用此对象：

通过 session.model.add_listener(...) 添加自定义监听器
发送原始客户端事件，例如 response.create 或 session.update
通过 model_config 自定义 url、headers 或 api_key 处理
使用 call_id 挂接到现有实时呼叫

RealtimeModelConfig 支持：

api_key
url
headers
initial_model_settings
playback_tracker
call_id

此代码仓库提供的 call_id 示例使用 SIP。更广泛的 Realtime API 也会在某些服务端控制流程中使用 call_id，但此处未将这些流程打包为 Python 示例。

连接 Azure OpenAI 时，请传入正式发布版（GA）的 Realtime 端点 URL 和显式请求头。例如：

session = await runner.run(
    model_config={
        "url": "wss://<your-resource>.openai.azure.com/openai/v1/realtime?model=<deployment-name>",
        "headers": {"api-key": "<your-azure-api-key>"},
    }
)

对于基于 token 的身份验证，请在 headers 中使用 bearer token：

session = await runner.run(
    model_config={
        "url": "wss://<your-resource>.openai.azure.com/openai/v1/realtime?model=<deployment-name>",
        "headers": {"authorization": f"Bearer {token}"},
    }
)

如果传入 headers，SDK 不会自动添加 Authorization。使用实时智能体时，应避免使用旧版 beta 路径（/openai/realtime?api-version=...）。