已学完
💡 一句话解释： 以前做 Agent 要自己手搓死循环、解析 JSON、处理重试；现在官方把这套成熟的“大厨操作台”全托管包办了！
# 告别繁琐的手动循环，一次请求直接拉起高可靠智能体内核
session = client.beta.agents.sessions.create(agent={"model": "gpt-6-astra", "instructions": "..."})
烦恼：手搓死循环，异常就崩盘
ChatAPI
死循环
胶水代码又长又脆，极易雪崩
自己造轮子，天天修BUG
办法：官方交钥匙，全套工业化底盘
状态机
自动纠错
执行器
开箱即用，原厂高可靠运维
拎包入住，工业级稳固底座
解决了什么： 开发者无需自建复杂的 ReAct 调度死循环与错误重试，直接调用官方验证过的生产级执行底座。
代价是什么： 核心运行逻辑托管在 OpenAI 云端黑盒，深度私有定制程度弱于自研框架。
已学完
💡 一句话解释： 给智能体分配一个真正可以跑 Bash、改代码、装依赖的独立隔离“小电脑”，不怕破坏生产宿主机！
environment={"type": "self_hosted", "workspace_directory": "/workspace", "capability_directories": [...]}
烦恼：直接在宿主机跑脚本极度危险
rm -rf 💥
模型自由跑
一旦写错代码，服务器直接瘫痪
放虎归山，分分钟误删数据
办法：带防爆玻璃的专属实验沙箱
Agent
Linux Sandbox
支持官方托管或自建自托管
防爆隔离，任由放手实操
解决了什么： 提供安全受控的文件读写与指令执行环境，支持产物提取与依赖隔离。
代价是什么： 沙箱拉起存在微弱冷启动耗时，托管沙箱需按照容器运行规格计费。
已学完
💡 一句话解释： 给每个任务发一张长效工牌，今天没干完明天直接接着干，不用每次把前情提要全部重发一遍！
# session_id 长期有效，多轮追问或断点续传直接传 session.id 即可
client.beta.agents.sessions.turns.create(session_id=session.id, input=[...])
烦恼：每次问一句话，重传万字历史
万字历史消息
每轮反复打包
重传带宽浪费
客户端不仅费流量还容易状态错位
包袱太重，每次对话背一次
办法：工牌常驻，凭 ID 无缝接续
Session
sess_89a2b
原地下一步
云端保持状态，调用超轻量
报个暗号，工位原封不动
解决了什么： 服务端原生维护多轮对话状态与文件系统，无需客户端在每轮请求中拼凑全部历史。
代价是什么： 目前数据驻留仅支持美国（US），且暂不支持零数据保留（ZDR）。
已学完
💡 一句话解释： 不用傻傻地每隔 1 秒刷一次接口问“做完了吗”，智能体每敲一行代码、吐一个字，都实时推送到你眼前！
# 实时捕获工具调用、代码执行日志与模型思考过程
async for event in session.events.stream():
print(f"[{event.type}] {event.item}")
烦恼：疯狂轮询，网络全是空转包
客户端
好了吗？好了吗？
高频无效轮询造成严重网络负担
反复追问，双方都心累
办法：单向水龙头，动态流水哗哗报
自动播报，动态一目了然
解决了什么： 支持细粒度事件流（SSE）和 Webhook 通知，实时查看敲命令、输出产物全流程。
代价是什么： 客户端需要编写流式事件分发器，比单次阻塞式 JSON 响应稍显繁琐。
已学完
💡 一句话解释： 智能体干活中途发现它跑偏了？不用强行掐死重来，直接喊话“别查那个库了，先看本地日志”！
# 在当前 Turn 正在执行时实时追加指引，实现人机协同 Steering
烦恼：发现走错路只能含泪强杀
眼看它跑偏，只能干着急
办法：轻打方向盘，在线实时拨偏
在线扶一把，立刻回正道
解决了什么： 支持在智能体长任务执行中途注入指导或审批介入（Human-in-the-loop），大幅降低失败重试成本。
代价是什么： 模型需具备在任务上下文切换中迅速吸收新指令的动态适应能力。
已学完
💡 一句话解释： 不用再给每个 API 写定制封装，直接支持业界通用的“USB接口”（MCP），插上就能查文档、搜企业知识！
tools=[
{"type": "mcp", "server_label": "openai_docs", "transport": {"type": "http", "server_url": "https://..."}}
]
烦恼：每接一个工具写一套繁杂驱动
插头各不同，适配到抓狂
办法：统一标准 USB-C 插槽，即插即用
Agent Core
MCP
外部服务
原生跨生态互通无缝互联
统一接口，全生态一键打通
解决了什么： 原生拥抱开放协议 Model Context Protocol，零成本无缝调用企业知识库与海量生态服务。
代价是什么： 跨网络 HTTP/SSE 传输会引入网络延迟，需确保远程 MCP 服务的可用性。
已学完
💡 一句话解释： 一个人又当侦探又写代码还要做汇报容易搞糊涂，让主管派发 4 个“小弟”（Subagents）并行干活，汇总结果！
multi_agent={"enabled": True, "max_concurrent_subagents": 4}
烦恼：单打独斗，精力分散全搞砸
一人扛所有，顾此失彼
办法：主管立项分派，4个专家并驾齐驱
主管
调研专家 A
代码编写 B
测试复现 C
报告总结 D
分工自治，速度质量两开花
小弟齐上阵，效率翻数倍
解决了什么： 原生支持分解复杂大任务并委托给独立子智能体并发执行，互不污染工作区。
代价是什么： 并发子代理会成倍消耗模型 Token，需设置最大并发数防范资费飞涨。
已学完
💡 一句话解释： 对话了 50 轮窗口快装不下了，Harness 会自动把前 40 轮的冗余细节浓缩成“核心精华备忘录”，永远不爆窗！
# 官方自动执行 Context Compaction，消除漫长工具调用原始噪音
烦恼：几百条 Bash 日志把脑子塞满
满屏流水账，重点全淹没
办法：去粗取精，提炼结构化摘要
原日志
核心进展
Compacted
无损压缩，长程任务永动机
去粗取精，永远保持清醒
解决了什么： 底层自动管理上下文生命周期，通过后台压缩提炼保证任务永不因 Context Window 超限而崩溃。
代价是什么： 压缩过程会消耗额外的后台模型调用算力，极端罕见的边缘原始文本可能会被抹平。
已学完
💡 一句话解释： 给智能体挂载一套“标准作业流程手册”（SOP），它就像入职老员工一样精准按规矩办事！
capability_directories=["/workspace/capabilities/skills"]
烦恼：每次都得在提示词里长篇说教
必须遵循A规范
务必检查B项
最后提交C格式
System Prompt 臃肿不堪
反复叮嘱，既累又不规范
办法：装订成专属技能包，开箱查阅
技能手册
SKILL.md
熟练工
模块化复用，企业级资产沉淀
一本在手，规范全都有
解决了什么： 将特定领域经验固化为可复用的能力目录（Skills），按需挂载到不同会话中。
代价是什么： 技能定义需要严密的自检完成标准，避免模糊指引造成误判。
下一站
💡 一句话解释： 企业核心代码不能放到公共云端？选择自托管环境（Self-Hosted），沙箱跑在自己机房！
# 支持自托管 Sandbox 环境，保障敏感代码与敏感数据不出内网
烦恼：核心资产上传公网有顾虑
红线森严，不敢放开用
办法：自托管安全通道，数据留在内网
自建安全沙箱
Private Network
API
代码不出内网，仅交换控制指令
内网严防，合规与智能兼得
解决了什么： 支持通过 Self-Hosted 模式将文件操作留在私有基础设施中，兼顾安全性与智能体能力。
代价是什么： 目前即便选自托管仍不支持 ZDR，会话元数据仍会在美区云端存储保留。