结果

当你调用 Runner.run 方法时，会收到两种结果类型之一：

• 来自 Runner.run(...) 或 Runner.run_sync(...) 的 RunResult
• 来自 Runner.run_streamed(...) 的 RunResultStreaming

两者都继承自 RunResultBase，后者提供共享的结果接口，例如 final_output、new_items、last_agent、raw_responses 和 to_state()。

RunResultStreaming 增加了流式传输专用控制项，例如 stream_events()、current_agent、is_complete 和 cancel(...)。

结果接口选择

大多数应用只需要少量结果属性或辅助方法：

如果你需要...	使用
展示给用户的最终答案	final_output
可重放下一轮输入列表，包含完整本地转录	to_input_list()
包含智能体、工具调用、任务转移和审批元数据的丰富运行项	new_items
通常应处理下一轮用户输入的智能体	last_agent
使用 previous_response_id 进行 OpenAI Responses API 链式调用	last_response_id
待处理审批和可恢复快照	interruptions 和 to_state()
当前嵌套 Agent.as_tool() 调用的元数据	agent_tool_invocation
原始模型调用或安全防护措施诊断	raw_responses 和安全防护措施结果数组

最终输出

final_output 属性包含最后一个运行的智能体的最终输出。它可能是：

• str，如果最后一个智能体未定义 output_type
• last_agent.output_type 类型的对象，如果最后一个智能体定义了输出类型
• None，如果运行在产生最终输出前停止，例如因审批中断而暂停

Note

final_output 的类型是 Any。任务转移可能改变哪个智能体完成运行，因此 SDK 无法在静态层面知道所有可能的输出类型集合。

在流式模式下，final_output 在流处理完成前会一直保持为 None。事件级流程请参见 流式传输。

输入、下一轮历史与新项

这些接口回答的是不同问题：

属性或辅助方法	包含内容	最适用场景
input	此运行片段的基础输入。如果任务转移输入过滤器重写了历史，这里反映的是运行继续使用的过滤后输入。	审计本次运行实际使用的输入
to_input_list()	运行的输入项视图。默认 mode="preserve_all" 会保留来自 new_items 的完整转换历史；mode="normalized" 在任务转移过滤重写模型历史时优先使用规范化续接输入。	手动聊天循环、客户端管理会话状态、纯输入项历史检查
new_items	带智能体、工具调用、任务转移和审批元数据的丰富 RunItem 包装器。	日志、UI、审计与调试
raw_responses	本次运行中每次模型调用的原始 ModelResponse 对象。	提供方级诊断或原始响应检查

在实践中：

• 当你需要运行的纯输入项视图时，使用 to_input_list()。
• 当你在任务转移过滤或嵌套任务转移历史重写后，希望获得下一次 Runner.run(..., input=...) 调用的规范本地输入时，使用 to_input_list(mode="normalized")。
• 当你希望 SDK 为你加载和保存历史时，使用 session=...。
• 如果你在使用基于 conversation_id 或 previous_response_id 的 OpenAI 服务端托管状态，通常只需传入新的用户输入并复用已存储 ID，而不是重新发送 to_input_list()。
• 当你需要用于日志、UI 或审计的完整转换历史时，使用默认 to_input_list() 模式或 new_items。

不同于 JavaScript SDK，Python 不会单独暴露仅包含模型形态增量的 output 属性。需要 SDK 元数据时使用 new_items，需要原始模型负载时检查 raw_responses。

计算机工具重放遵循原始 Responses 负载结构。预览模型的 computer_call 项会保留单个 action，而 gpt-5.4 计算机调用可保留批量 actions[]。to_input_list() 和 RunState 会保留模型产生的任一结构，因此手动重放、暂停/恢复流程与存储转录在预览版和 GA 计算机工具调用之间都可持续工作。本地执行结果仍会作为 computer_call_output 项出现在 new_items 中。

新项

new_items 可为你提供此次运行中发生内容的最丰富视图。常见项类型包括：

• 助手消息的 MessageOutputItem
• 推理项的 ReasoningItem
• Responses 工具检索请求与已加载工具检索结果的 ToolSearchCallItem 和 ToolSearchOutputItem
• 工具调用及其结果的 ToolCallItem 和 ToolCallOutputItem
• 因审批而暂停的工具调用的 ToolApprovalItem
• 任务转移请求与已完成转移的 HandoffCallItem 和 HandoffOutputItem

当你需要智能体关联、工具输出、任务转移边界或审批边界时，应优先选择 new_items 而不是 to_input_list()。

当你使用托管工具检索时，检查 ToolSearchCallItem.raw_item 可查看模型发出的检索请求，检查 ToolSearchOutputItem.raw_item 可查看该轮加载了哪些命名空间、函数或托管 MCP 服务。

会话续接或恢复

下一轮智能体

last_agent 包含最后一个运行的智能体。在任务转移之后，这通常是下一轮用户输入最适合复用的智能体。

在流式模式下，RunResultStreaming.current_agent 会随着运行进展更新，因此你可以在流结束前观察任务转移。

中断与运行状态

如果某个工具需要审批，待处理审批会暴露在 RunResult.interruptions 或 RunResultStreaming.interruptions 中。这可能包括由直接工具、任务转移后到达的工具，或嵌套 Agent.as_tool() 运行触发的审批。

调用 to_state() 可捕获可恢复的 RunState，对待处理项执行批准或拒绝，然后通过 Runner.run(...) 或 Runner.run_streamed(...) 恢复运行。

from agents import Agent, Runner

agent = Agent(name="Assistant", instructions="Use tools when needed.")
result = await Runner.run(agent, "Delete temp files that are no longer needed.")

if result.interruptions:
    state = result.to_state()
    for interruption in result.interruptions:
        state.approve(interruption)
    result = await Runner.run(agent, state)

对于流式运行，先完成对 stream_events() 的消费，再检查 result.interruptions 并从 result.to_state() 恢复。完整审批流程请参见 Human-in-the-loop。

服务端托管续接

last_response_id 是此次运行中最新的模型响应 ID。当你希望续接 OpenAI Responses API 链时，在下一轮将其作为 previous_response_id 传回。

如果你已经通过 to_input_list()、session 或 conversation_id 续接会话，通常不需要 last_response_id。如果你需要多步骤运行中的每个模型响应，请改为检查 raw_responses。

Agent-as-tool 元数据

当结果来自嵌套 Agent.as_tool() 运行时，agent_tool_invocation 会暴露外层工具调用的不可变元数据：

• tool_name
• tool_call_id
• tool_arguments

对于普通顶层运行，agent_tool_invocation 为 None。

这在 custom_output_extractor 中尤其有用，你可能需要在后处理嵌套结果时访问外层工具名、调用 ID 或原始参数。有关周边 Agent.as_tool() 模式，请参见 工具。

如果你还需要该嵌套运行已解析的结构化输入，请读取 context_wrapper.tool_input。这是 RunState 用于泛化序列化嵌套工具输入的字段，而 agent_tool_invocation 是当前嵌套调用的实时结果访问器。

流式传输生命周期与诊断

RunResultStreaming 继承了上述相同结果接口，并增加流式传输专用控制项：

• 使用 stream_events() 消费语义流事件
• 使用 current_agent 在运行中跟踪当前活跃智能体
• 使用 is_complete 查看流式运行是否已完全结束
• 使用 cancel(...) 立即停止运行或在当前轮次后停止

持续消费 stream_events()，直到异步迭代器结束。只有当该迭代器结束时，流式运行才算完成；像 final_output、interruptions、raw_responses 以及会话持久化副作用等汇总属性，在最后一个可见 token 到达后仍可能处于收敛过程中。

如果你调用了 cancel()，请继续消费 stream_events()，以便取消与清理流程正确完成。

Python 不会单独暴露流式 completed promise 或 error 属性。终态流式失败会通过 stream_events() 抛出异常，is_complete 则反映运行是否已到达终态。

原始响应

raw_responses 包含运行期间收集的原始模型响应。多步骤运行可能产生多个响应，例如在任务转移或重复的模型/工具/模型循环中。

last_response_id 仅是 raw_responses 最后一项的 ID。

安全防护措施结果

智能体级安全防护措施通过 input_guardrail_results 和 output_guardrail_results 暴露。

工具级安全防护措施则通过 tool_input_guardrail_results 和 tool_output_guardrail_results 单独暴露。

这些数组会在整个运行中持续累积，因此适合用于记录决策、存储额外的安全防护措施元数据，或调试运行被阻止的原因。

上下文与用量

context_wrapper 会暴露你的应用上下文，以及由 SDK 管理的运行时元数据（如审批、用量和嵌套 tool_input）。

用量记录在 context_wrapper.usage 上。对于流式运行，用量总计可能会滞后，直到流的最终分块处理完毕。完整包装器结构及持久化注意事项请参见 上下文管理。