结果

调用 Runner.run 方法时，你会收到以下两种结果类型之一：

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

二者都继承自 RunResultBase，后者公开了共享的结果接口，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(...)。

合适的结果接口

大多数应用只需要少数几个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
可用于重放的下一轮输入列表，包含完整本地转录记录	to_input_list()
包含智能体、工具、任务转移和审批元数据的丰富运行条目	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 链接	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 属性包含最后运行的智能体的最终输出。它可能是：

• 一个 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之前停止，例如因审批中断而暂停

Note

final_output 的类型为 Any。任务转移可能会改变哪个智能体结束运行，因此 SDK 无法静态得知所有可能的输出类型。

在流式传输模式下，final_output 会保持为 None，直到流处理完成。有关逐事件流程，请参阅流式传输。

输入、下一轮历史记录和新条目

这些接口回答的是不同问题：

属性或辅助方法	包含的内容	最适合
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记录，这里会反映运行继续时所使用的过滤后输入。	审计此运行实际使用了什么作为输入
to_input_list()	运行的输入条目视图。默认 mode="preserve_all" 会保留来自 new_items 的完整转换后历史记录；mode="normalized" 会在任务转移过滤重写模型历史记录时优先使用规范续接输入。	手动聊天循环、客户端管理的对话状态，以及普通条目历史记录检查
new_items	包含智能体、工具、任务转移和审批元数据的丰富 RunItem 包装器。	日志、UI、审计和调试
raw_responses	运行中每次模型调用产生的原始 ModelResponse 对象。	提供方级诊断或原始响应检查

实践中：

• 当你想要运行的普通输入条目视图时，使用 to_input_list()。
• 当你希望在任务转移过滤或嵌套任务转移历史记录重写后，为下一次 Runner.run(..., input=...) 调用获得规范本地输入时，使用 to_input_list(mode="normalized")。
• 当你希望 SDK 为你加载和保存历史记录时，使用 session=...。
• 如果你使用带有 conversation_id 或 previous_response_id 的 OpenAI服务管理状态，通常只传递新的用户输入，并复用已存储的 ID，而不是重新发送 to_input_list()。
• 当你需要用于日志、UI 或审计的完整转换后历史记录时，使用默认的 to_input_list() 模式或 new_items。

与 JavaScript SDK 不同，Python 不会公开一个单独的 output 属性来仅表示模型形态的增量。当你需要 SDK 元数据时，使用 new_items；当你需要原始模型载荷时，检查 raw_responses。

计算机工具重放遵循原始 Responses 载荷结构。预览模型的 computer_call 条目会保留单个 action，而 gpt-5.5 计算机调用可以保留批处理的 actions[]。to_input_list() 和 RunState 会保留模型生成的任一结构，因此手动重放、暂停/恢复流程和已存储的转录记录都能继续适用于预览版和 GA 计算机工具调用。本地执行结果仍会以 computer_call_output 条目的形式出现在 new_items 中。

新条目

new_items 为你提供运行期间所发生事件的最丰富视图。常见条目类型包括：

• 用于助手消息的 MessageOutputItem
• 用于推理条目的 ReasoningItem
• 用于 Responses 工具搜索请求和已加载工具搜索结果的 ToolSearchCallItem 与 ToolSearchOutputItem
• 用于工具调用及其结果的 ToolCallItem 与 ToolCallOutputItem
• 用于因审批而暂停的工具调用的 ToolApprovalItem
• 用于任务转移请求和已完成转移的 HandoffCallItem 与 HandoffOutputItem

每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，应选择 new_items 而不是 to_input_list()。

使用托管工具搜索时，检查 ToolSearchCallItem.raw_item 可查看模型发出的搜索请求，检查 ToolSearchOutputItem.raw_item 可查看该轮次加载了哪些命名空间、函数或托管 MCP 服务。

对话的继续或恢复

下一轮智能体

last_agent 包含最后运行的智能体。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。

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

中断和运行状态

如果工具需要审批，待处理审批会通过 RunResult.interruptions 或 RunResultStreaming.interruptions 暴露。这可以包括由直接工具引发、由任务转移后到达的工具引发，或由嵌套 Agent.as_tool() 运行引发的审批。

调用 to_state() 可捕获可恢复的 RunState，批准或拒绝待处理条目，然后使用 Runner.run(...) 或 Runner.run_streamed(...) 恢复。

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)

对于流式传输运行，请先完成对 stream_events() 的消费，然后检查 result.interruptions 并从 result.to_state() 恢复。有关完整审批流程，请参阅人在回路。

服务管理的续接

last_response_id 是运行中最新的模型响应 ID。当你想继续 OpenAI Responses API 链时，在下一轮将它作为 previous_response_id 传回。

如果你已经使用 to_input_list()、session 或 conversation_id 继续对话，通常不需要 last_response_id。如果需要多步运行中的每个模型响应，请改为检查 raw_responses。

智能体作为工具的元数据

当结果来自嵌套的 Agent.as_tool() 运行时，agent_tool_invocation 会公开关于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 内尤其有用，因为在对嵌套结果进行后处理时，你可能需要外层工具名称、调用 ID 或原始参数。有关周围的 Agent.as_tool() 模式，请参阅工具。

如果你还需要该嵌套运行的已解析结构化输入，请读取 context_wrapper.tool_input。这是 RunState 用于以通用方式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。

流式传输生命周期和诊断

RunResultStreaming 继承上述相同结果接口，但增加了流式传输专用控制项：

• stream_events() 用于消费语义流事件
• current_agent 用于在运行过程中跟踪活跃智能体
• is_complete 用于查看流式传输运行是否已完全结束
• cancel(...) 用于立即停止运行，或在当前轮次结束后停止运行

持续消费 stream_events()，直到异步迭代器结束。只有该迭代器结束后，流式传输运行才算完成；并且在最后一个可见 token 到达后，final_output、interruptions、raw_responses 等汇总属性以及会话持久化副作用可能仍在收尾。

如果调用 cancel()，请继续消费 stream_events()，以便取消和清理能够正确完成。

Python 不会公开单独的流式 completed promise 或 error 属性。终止性流式传输失败会通过 stream_events() 抛出异常来呈现，而 is_complete 反映运行是否已到达其终止状态。

原始响应

raw_responses 包含运行期间收集的原始模型响应。多步运行可能会生成多个响应，例如跨任务转移或重复的模型/工具/模型循环。

last_response_id 只是 raw_responses 最后一项中的 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。

工具安全防护措施则分别通过 tool_input_guardrail_results 和 tool_output_guardrail_results 暴露。

这些数组会在运行过程中累积，因此它们适用于记录决策、存储额外的安全防护措施元数据，或调试运行为何被阻止。

上下文和用量

context_wrapper 会公开你的应用上下文，以及由 SDK 管理的运行时元数据，例如审批、用量和嵌套 tool_input。

用量在 context_wrapper.usage 上跟踪。对于流式传输运行，用量总计可能会滞后，直到流的最终分块处理完毕。有关完整的包装器结构和持久化注意事项，请参阅上下文管理。