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 在此基础上添加了哪些额外行为。

从这里开始

如果要使用默认的 Python 路径，请先阅读快速入门。如果正在决定应用应使用服务器端 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 保持长连接，以便模型能够增量处理文本和音频、以流式方式输出音频、调用工具并处理中断，而无需在每轮对话中重新发起新请求。

主要 SDK 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的服务器端 WebSocket。

会话生命周期

典型的实时会话如下：

创建一个或多个 RealtimeAgent。
使用起始智能体创建 RealtimeRunner。
调用 await runner.run() 以获取 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 Python 路径是连接到 Realtime API 的服务器端 WebSocket。如果传入其他 RealtimeModel，仍会应用相同的会话生命周期和智能体功能，但连接机制可以发生变化。

当 Realtime API 服务器正常关闭默认 WebSocket 连接时，模型传输层会发出一个 disconnected RealtimeModelConnectionStatusEvent，随后发出一个 RealtimeModelEndOfStreamEvent。RealtimeSession 会在 raw_model_event 中转发这两个事件，排空已进入队列的事件，然后结束异步迭代且不会引发异常。调用方发起的 session.close() 不会合成这些服务器断开连接事件。意外的 WebSocket 故障仍会进入会话的异常路径，而不会像服务器正常关闭那样结束迭代。

智能体和会话配置

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，而不是按智能体配置。
不支持Structured outputs。
可以配置语音，但会话生成语音音频后便无法更改。
指令、函数工具、任务转移、钩子和输出安全防护措施仍然全部可用。

RealtimeSessionModelSettings 同时支持较新的嵌套 audio 配置和较旧的扁平别名。新代码应优先采用嵌套结构，而新的实时智能体应从 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",
        }
    },
)

实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=...) 上实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。

输入转录设置

在 audio.input.transcription 下配置输入转录。对于低延迟增量转录文本，请使用 gpt-live-transcribe；如果应在提交音频轮次后开始转录，或应用需要检测到的语言输出，请通过 WebSocket 使用 gpt-transcribe。Agents SDK会在嵌套会话配置中转发模型专用的 GA 转录设置：

runner = RealtimeRunner(
    starting_agent=agent,
    config={
        "model_settings": {
            "audio": {
                "input": {
                    "transcription": {
                        "model": "gpt-live-transcribe",
                        "prompt": "A support call about the OpenAI Agents SDK.",
                        "keywords": ["RunState", "MCPServerManager"],
                        "languages": ["en", "ja"],
                    },
                    "turn_detection": None,
                }
            }
        }
    },
)

对于 gpt-live-transcribe，prompt 提供自由格式的录音上下文，keywords 列出音频中可能出现的原样术语，languages 列出预期输入语言。此模型使用复数形式的 languages，而不是单数形式的 language；请勿同时发送这两个字段。

此 SDK 固定使用的OpenAI客户端版本仅在搭配 gpt-realtime-whisper 时支持 delay。请按如下方式配置该模型在延迟和准确性之间的权衡：

runner = RealtimeRunner(
    starting_agent=agent,
    config={
        "model_settings": {
            "audio": {
                "input": {
                    "transcription": {
                        "model": "gpt-realtime-whisper",
                        "delay": "low",
                    },
                    "turn_detection": None,
                }
            }
        }
    },
)

delay 设置接受 minimal、low、medium、high 或 xhigh。较低的值可以更早生成部分文本，而较高的值会为转录模型提供更多音频上下文，并可能提高识别准确性。请使用具有代表性的音频进行基准测试，不要假定任何级别都有固定的时序表现。

仅当应在提交音频轮次后开始转录，或应用需要检测到的语言输出时，才应在通过 WebSocket 建立的实时会话中使用 gpt-transcribe。该模型会自动将先前已转录的轮次用作上下文。gpt-transcribe 完成事件会在其 languages 输出字段中报告检测到的语言。此输出字段不同于上面所示的 gpt-live-transcribe 预期语言输入。

将 audio.input.turn_detection 设置为 None 会禁用自动轮次检测。之后，应用必须按照手动响应控制中的说明提交音频轮次并控制响应创建。有关模型行为、验证规则和延迟指导，请参阅OpenAI API 的实时转录指南。

输入和输出

文本和结构化用户消息

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 演示代码示例会通过这种方式转发 input_image 消息。

音频输入

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

await session.send_audio(audio_bytes)

如果禁用了服务器端轮次检测，则需自行标记轮次边界。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直接发送 Realtime API 客户端事件，例如 input_audio_buffer.commit。

手动响应控制

session.send_message() 通过高级路径发送用户输入，并为你启动响应。在某些配置中，原始音频缓冲不会自动执行相同操作。

在 Realtime API 层面，手动轮次控制意味着发送一个 session.update 事件，将 turn_detection 设置为 null，然后自行发送 input_audio_buffer.commit 和 response.create。

如果手动管理轮次，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：

turn_detection 已禁用，并且需要自行决定模型应何时响应
希望在触发响应前检查或限制用户输入
需要为带外响应提供自定义提示词

examples/realtime/twilio_sip/server.py 中的 SIP 代码示例使用原始 response.create 强制生成开场问候语。

事件、历史记录和中断

RealtimeSession 会发出更高级别的 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。它们以 RealtimeItem 对象的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，SDK 的OpenAI RealtimeModel 传输层会在 raw_model_event 中发出一个 RealtimeModelUsageEvent。其 usage 字段包含该响应的 token 数量，而 input_tokens_details 和 output_tokens_details 提供可选的模态明细。

会话还会将每个响应的用量添加到共享的 RunContextWrapper.usage。可以从后续高级事件（例如 agent_end）的 event.info.context.usage 中读取该值，以检查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)

仅当模型提供商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；它不是跨会话总量。

中断和播放追踪

当用户打断助手时，会话会发出 audio_interrupted 并更新历史记录，使服务器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，请使用 RealtimePlaybackTracker，以便在实际播放位置截断被中断的响应，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 代码示例展示了此模式。

工具、审批、任务转移和安全防护措施

函数工具

实时智能体支持在实时对话期间使用函数工具：

from agents.decorators import tool


@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

函数工具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，直到调用 approve_tool_call() 或 reject_tool_call()。

如果工具还有输入安全防护措施，这些安全防护措施会在审批后、即将执行前运行。若要在发出审批事件前运行这些安全防护措施，请使用 RealtimeRunner(..., config={"tool_execution": {"pre_approval_tool_input_guardrails": True}}) 创建运行器。通过此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)

有关具体的服务器端审批循环，请参阅 examples/realtime/app/server.py。人工参与文档也会指向此流程。

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",
        )
    ],
)

直接用作任务转移的 RealtimeAgent 对象会被自动包装，而 realtime_handoff(...) 可用于自定义名称、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应用输出安全防护措施，也支持对函数工具调用应用输入安全防护措施。输出安全防护措施检查采用防抖机制：每次检查都基于累积的输出文本和音频转录增量运行，而不是针对每个部分增量运行，并会发出 guardrail_tripped，而不是引发异常。单个增量最多安排一次检查。如果该增量跨越多个 debounce_text_length 边界，SDK 会将下一个边界推进至所有这些边界之后，而不会在后续出现较小增量时安排补偿检查。

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因音频转录而触发时，会话会中断当前响应、强制执行 response.cancel、发出 guardrail_tripped，并发送一条指出已触发安全防护措施的后续用户消息，以便模型生成替代响应。音频播放器仍应监听 audio_interrupted 并立即停止本地播放，因为触发防护机制时，部分音频可能已被缓冲。使用内置OpenAI实时传输时，如果安全防护措施检查在其检查的响应结束后才完成，会话只会中断该响应的缓冲播放，不会取消之后启动的任何响应。对于纯文本输出，会话会改为发送响应级的 response.cancel；由于没有需要停止的音频播放，因此不会发出 audio_interrupted。使用内置OpenAI实时模型时，纯文本路径也会发出相同的 guardrail_tripped 事件和后续用户消息。

自定义 RealtimeModel 传输必须遵循 RealtimeModelSendInterrupt.response_id 和 playback_only，以提供相同的按来源限定音频中断行为。它们还必须重写 RealtimeModel.send_event_if()，以支持纯文本输出路径的恢复消息。实现必须在传输层实际提交事件的边界处重新检查所提供的条件，或将条件检查与事件提交串行化处理。默认实现会安全地跳过恢复消息，因为如果它只检查一次条件，然后单独发送事件，则可能在该检查与事件提交之间启动另一个响应；响应取消和 guardrail_tripped 事件仍会发生。

SIP 和电话

Python SDK 通过 OpenAIRealtimeSIPModel 提供一流的 SIP 附加流程。

当呼叫通过 Realtime Calls API 到达，并且需要将智能体会话附加到由此产生的 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:
        ...

如果需要先接受呼叫，并希望接受载荷与从智能体派生的会话配置保持一致，请使用 OpenAIRealtimeSIPModel.build_initial_session_payload(...)。完整流程见 examples/realtime/twilio_sip/server.py。

底层访问和自定义端点

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 的处理方式
使用 call_id 附加到现有实时呼叫

RealtimeModelConfig 支持：

api_key
url
headers
initial_model_settings
playback_tracker
call_id

此代码仓库随附的 call_id 代码示例使用 SIP。更广泛的 Realtime API 还会在某些服务器端控制流程中使用 call_id，但这里未将这些流程打包为 Python 代码示例。

连接到 Azure OpenAI 时，请传入 GA Realtime 端点 URL 和显式标头。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。实时智能体应避免使用旧版 beta 路径（/openai/realtime?api-version=...）。