本文将深入探讨如何利用OpenAI的GPT-5模型构建高效的智能体系统。此前，文章曾讨论如何有效运用GPT-5，而今天，将继续围绕GPT-5，深入探讨如何将其有效转化为一个智能体。在当今的AI应用中，拥有集成工具的智能体将很快成为用户的一项基本需求，因此，尽早实施此类系统至关重要。
文章将介绍如何通过赋予GPT-5访问数据和提供实用工具的能力，使其成为一个强大的问答模型，从而响应用户查询。本文旨在高层次地概述利用GPT-5作为智能体的各种可能性。
这张信息图清晰地展示了本文的主要内容。文章将探讨如何将GPT-5用作AI智能体，涵盖“为何需要AI智能体”、“向量存储”、“自定义工具”以及“OpenAI的智能体SDK”等主题。
为何将GPT-5用作智能体？
在考虑实施GPT-5智能体等系统时，思考其“为何”总是至关重要的。需要明确实施它的原因以及它旨在解决的问题。以下是一些可能需要解决的问题示例：
- 访问内部知识库
- 构建编程智能体
- 自动化工作流程
这些都是实施智能体系统的有效理由，而结合工具的GPT-5能够助力实现所有这些目标。
选择利用GPT-5来构建智能体的主要原因之一，通常是其在处理文档语料库方面的优势，并且OpenAI提供了一个集成的生态系统，这对于解决诸如“根据信息语料库回答用户查询”等问题极为实用。
在本文的不同章节中，将介绍OpenAI提供的一些不同工具。值得注意的是，市面上还有许多替代方案，它们可能更经济或更适合特定的用例。例如，Google的Gemini平台在功能上与OpenAI基本持平，绝对是值得考虑的替代品。此外，还有大量的开源工具可供选择。
RAG：数据访问利器
RAG（检索增强生成）是一种强大的数据访问方法。通常，RAG通过对自有数据进行分块和嵌入，然后将其馈送给向量数据库（如Pinecone）来执行。然而，现在已经出现了许多出色的替代方案，它们提供托管RAG服务。OpenAI和Gemini都提供了文件上传API，可以自动分块和嵌入文件，通过简单的API调用即可访问这些数据。这极大地简化了数据的访问流程。更多详情可查阅此API页面。文章中的一些示例代码也将来源于此页面。
上传文档并将其存入向量存储后，可以执行向量搜索来查找相关文档，示例如下：
user_query = "When is our latest data management agreement from?"
results = client.vector_stores.search(
vector_store_id=<your vector store id>,
query=user_query,
)
这段代码将返回一系列文档及其中特定的块（chunks），其功能类似于Pinecone。随后，可以利用这些文档块来回答用户的查询。
然而，通过为GPT-5提供访问向量存储的工具，可以使其功能更加强大。
from openai import OpenAI
client = OpenAI(api_key="")
response = client.responses.create(
model="gpt-5",
input="When is our latest data management agreement from?",
tools=[{
"type": "file_search",
"vector_store_ids": ["<your vector store id>"]
}]
)
这种方法更为强大，因为它通过工具将向量存储提供给了GPT-5。当输入用户查询时，GPT-5会自行判断是否需要使用该工具来回答查询。如果它决定需要使用该工具，GPT-5将执行以下操作：
- 评估可用的工具或向量存储，并决定使用哪一个。
- 进行查询重写：生成5个不同版本的用户提示，并进行优化以通过RAG找到相关信息。
- 并行触发这5个提示，并获取最相关的文档。
- 判断是否拥有足够的信息来回答用户查询。
- 如果信息充足，则响应用户查询。
- 如果信息不足，则可以在向量存储中进行进一步搜索。
这是一种极其简便且强大的数据访问方式，OpenAI在此过程中几乎处理了所有的复杂性，包括：
- 文档的分块和嵌入
- 决定何时执行向量搜索
- 查询重写
- 根据与查询的相似性确定相关文档
- 判断是否有足够信息回答用户查询
- 回答用户查询
Gemini近期也推出了其文件API，提供了一个托管RAG系统，功能上与OpenAI的服务异曲同工。
GPT-5工具的使用
在上一节中，讨论了如何将向量存储工具提供给GPT-5使用。然而，也可以将任何其他工具提供给GPT-5。一个经典的例子是为GPT-5提供一个get_weather工具，使其能够查询当前天气。以下示例代码来源于OpenAI文档。
from openai import OpenAI
client = OpenAI()
tools = [
{
"type": "function",
"name": "get_weather",
"description": "Get current temperature for a given location.",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "City and country e.g. Bogotá, Colombia",
}
},
"required": ["location"],
"additionalProperties": False,
},
"strict": True,
},
]
response = client.responses.create(
model="gpt-5",
input=[
{"role": "user", "content": "What is the weather like in Paris today?"},
],
tools=tools,
)
现在，需要确定应为智能体提供哪些工具，以便它能更好地回答将收到的查询。例如：
- 如果正在处理外部知识库，应提供一个搜索这些知识库的工具，并告知模型何时使用该工具。
- Python执行工具：可以为模型提供一个运行Python代码并查看输出结果的工具。
- 计算器工具：与其让大型语言模型自行执行数学计算（这效率低下且容易出错），不如为其提供一个计算器工具来执行计算。
诸如此类。这里的重点是为智能体提供最佳机会来回答用户查询。然而，也容易犯提供过多工具的错误。因此，遵循关于为智能体提供工具的一般指导原则至关重要，确保：
- 工具始终被清晰地描述。
- 工具明确无歧义：模型（以及任何阅读工具的人）应始终清楚何时应使用工具，何时不应使用。
- 工具之间最小的重叠。
相关文章曾更深入地探讨了AI智能体工具的主题，详见《如何为AI智能体构建工具》。
在为GPT-5定义工具时，还可以提供关于工具是否必需的指导。例如，向量存储搜索可以是一个必需的工具，强制模型对每次用户请求都执行向量查询，确保答案始终基于文档语料库。然而，get_weather函数通常应为可选函数，因为它只应在用户询问天气时被调用。
还可以使用连接器创建工具。连接器本质上是提供对其他应用程序（如Gmail、Slack、Figma、GitHub）访问的工具。这使得GPT能够执行诸如列出电子邮件、在Slack中搜索特定线程、查看Figma上的设计或检查GitHub上的代码等操作。
智能体SDK
值得一提的是，OpenAI还提供了一个可通过Python或TypeScript访问的智能体SDK。此SDK对于更复杂的智能体构建场景非常有用，例如当需要：
- 让智能体执行复杂的、链式动作。
- 在不同任务之间保持上下文。
例如，可以创建专注于特定任务（如获取信息、总结信息等）的专门智能体，并构建一个编排智能体来响应用户请求，触发子智能体以获取和总结信息，判断信息是否充足，然后回答用户。
市面上还有许多类似的智能体SDK，它们使得创建自己的智能体变得相当简单。其他一些不错的替代方案包括：
- LangGraph
- CrewAI
- Agent Development Kit
这些软件包都服务于同一目的：让AI智能体的创建变得更简单，从而更易于访问和使用。
总结
在本文中，探讨了如何利用GPT-5作为AI智能体。文章首先讨论了何时需要构建智能体，以及为何GPT-5是众多优秀替代方案之一。随后，深入剖析了OpenAI的向量存储，以及如何极其简便地创建向量存储并将其作为工具提供给智能体。此外，还讨论了如何为智能体提供其他自定义工具，以及可用于构建高级智能体应用的智能体SDK。为大型语言模型提供工具是一种简单而有效的方式，可以极大地增强智能体的能力，使其更能响应用户查询。正如文章开头所指出的，用户很快就会期望大多数AI应用程序具备能够通过工具执行操作的智能体，因此，这是一个应该尽快学习并实施的关键领域。
