深度解析 OpenAI API：Chat Completions API 与 Responses API

📌 写在前面

2025 年，OpenAI 推出了新一代 Responses API ，官方明确表示这是未来 Agent 应用的核心方向。但与此同时，经典的 Chat Completions API 依然是业界使用最广泛的标准。

很多开发者困惑：两者到底有什么区别？我该用哪个？代码怎么写？

本文将用最直白的语言 + 可运行的 Python 代码，带你彻底搞懂这两代 API 的核心差异。

一、核心概念速览

对比维度	Chat Completions API	Responses API
设计定位	无状态文本生成，业界事实标准	面向 Agent 工作流，支持多步推理
状态管理	❌ 完全手动维护对话历史	✅ 支持服务端状态保持
内置工具	❌ 仅支持自定义函数调用	✅ 原生支持 `web_search`、`file_search`、`code_interpreter`
响应结构	单一文本消息	结构化 `output` 数组，包含多类型产出
推理模型优化	推理状态在请求间丢失	通过 `previous_response_id` 保持 KV Cache
API 端点	`POST /v1/chat/completions`	`POST /v1/responses`

二、环境准备

bash 复制代码

pip install openai>=1.0.0

python 复制代码

import openai
import json

client = openai.OpenAI(api_key="YOUR_API_KEY")

三、Chat Completions API 详解

3.1 基础问答

python 复制代码

def simple_chat():
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是一个精通Python的编程助手"},
            {"role": "user", "content": "用一句话解释什么是装饰器"}
        ]
    )
    
    reply = response.choices[0].message.content
    print(reply)
    return reply

3.2 多轮对话（手动维护历史）

python 复制代码

def multi_turn_chat():
    messages = [
        {"role": "system", "content": "你是一个友好的AI助手"}
    ]
    
    user_inputs = ["我喜欢科幻电影", "推荐一部给我", "有中文配音吗？"]
    
    for user_msg in user_inputs:
        messages.append({"role": "user", "content": user_msg})
        
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages
        )
        
        assistant_reply = response.choices[0].message.content
        print(f"用户: {user_msg}")
        print(f"助手: {assistant_reply}\n")
        
        # ⚠️ 关键：必须手动将回复追加到历史
        messages.append({"role": "assistant", "content": assistant_reply})
    
    return messages

3.3 函数调用（手动处理工具循环）

python 复制代码

def chat_with_function_call():
    tools = [
        {
            "type": "function",
            "function": {
                "name": "get_current_weather",
                "description": "获取指定城市的当前天气",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {"type": "string", "description": "城市名称"}
                    },
                    "required": ["city"]
                }
            }
        }
    ]
    
    messages = [{"role": "user", "content": "北京今天天气怎么样？"}]
    
    # 第一次调用：模型决定是否调用工具
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    response_message = response.choices[0].message
    
    if response_message.tool_calls:
        tool_call = response_message.tool_calls[0]
        arguments = json.loads(tool_call.function.arguments)
        print(f"🔧 模型调用: {tool_call.function.name}({arguments})")
        
        # 模拟执行工具
        weather_result = f"{arguments['city']}当前温度25°C，晴朗"
        
        # ⚠️ 手动维护工具调用的上下文
        messages.append(response_message)
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": weather_result
        })
        
        # 第二次调用：模型基于工具结果生成最终回复
        final_response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages
        )
        
        print(f"✅ 最终回复: {final_response.choices[0].message.content}")
    else:
        print(response_message.content)

四、Responses API 详解

4.1 基础问答

python 复制代码

def simple_response():
    response = client.responses.create(
        model="gpt-4o",
        input="用一句话解释什么是装饰器"
    )
    
    # 注意：响应结构是 output 数组
    for item in response.output:
        if item.type == "message":
            print(item.content[0].text)
    return response

4.2 多轮对话（服务端保持状态）

python 复制代码

def multi_turn_response():
    # 第一轮
    response1 = client.responses.create(
        model="gpt-4o",
        input="我喜欢科幻电影",
    )
    print(f"第一轮: {response1.output[0].content[0].text}")
    
    # 第二轮：通过 previous_response_id 自动延续上下文
    # ✅ 无需手动传递完整历史！
    response2 = client.responses.create(
        model="gpt-4o",
        previous_response_id=response1.id,
        input="推荐一部给我"
    )
    print(f"第二轮: {response2.output[0].content[0].text}")
    
    # 第三轮继续引用
    response3 = client.responses.create(
        model="gpt-4o",
        previous_response_id=response2.id,
        input="有中文配音吗？"
    )
    print(f"第三轮: {response3.output[0].content[0].text}")
    
    return response3

4.3 内置工具（平台自动执行）

python 复制代码

def response_with_builtin_tools():
    """
    Responses API 原生支持联网搜索，
    平台自动执行，开发者无需手动处理工具循环
    """
    response = client.responses.create(
        model="gpt-4o",
        input="北京今天天气怎么样？",
        tools=[
            {"type": "web_search"}  # 直接声明即可
        ]
    )
    
    # 输出可能包含多个产出项
    for item in response.output:
        if item.type == "message":
            print(f"💬 消息: {item.content[0].text}")
        elif item.type == "web_search_call":
            print(f"🔍 执行了联网搜索: {item.status}")
    
    print(f"\n✅ 最终答案: {response.output[-1].content[0].text}")
    return response

4.4 使用 Conversation 管理会话

python 复制代码

def conversation_with_state():
    # 创建会话
    conversation = client.responses.conversations.create(
        model="gpt-4o"
    )
    
    # 在会话中发送消息
    response1 = client.responses.create(
        model="gpt-4o",
        input="我最近在学习机器学习",
        conversation_id=conversation.id
    )
    
    response2 = client.responses.create(
        model="gpt-4o",
        input="给我推荐三个入门项目",
        conversation_id=conversation.id
    )
    
    # 获取整个会话历史
    history = client.responses.conversations.list(
        conversation_id=conversation.id
    )
    
    print(f"📚 会话历史条目数: {len(history)}")
    return history

五、流式输出对比

python 复制代码

# ===== Chat Completions 流式 =====
def stream_chat():
    stream = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": "讲个笑话"}],
        stream=True
    )
    
    print("Chat Completions 流式输出:", end=" ")
    for chunk in stream:
        if chunk.choices[0].delta.content:
            print(chunk.choices[0].delta.content, end="")
    print()

# ===== Responses API 流式 =====
def stream_response():
    stream = client.responses.create(
        model="gpt-4o",
        input="讲个笑话",
        stream=True
    )
    
    print("Responses API 流式输出:", end=" ")
    for event in stream:
        if event.type == "response.output_text.delta":
            print(event.delta, end="")
    print()

六、代码层面的核心差异总结

对比点	Chat Completions	Responses API
输入格式	`messages` 数组	`input` 字符串或数组
响应解析	`choices[0].message.content`	`output` 数组，按类型遍历
状态管理	手动维护 `messages` 列表	`previous_response_id` / `conversation_id`
工具调用	自行处理 `tool_calls` 循环	声明 `tools` 后平台自动执行
流式处理	`chunk.choices[0].delta.content`	`event.type == "response.output_text.delta"`
历史轮次维护	开发者全权负责	平台部分托管

七、实战建议：我该选哪个？

✅ 继续使用 Chat Completions 的场景

主要需求是纯文本对话、摘要、分类
工具调用逻辑简单
应用依赖于跨提供商可移植性（如 LangChain、Dify 等框架）
需要完全掌控上下文的细节

✅ 迁移到 Responses API 的场景

构建需要联网搜索、RAG、代码解释的 AI Agent
使用 o3、o4-mini 等推理模型，需要状态保持优化效率
希望简化代码，将复杂工具调用交给平台
新项目从零开始，无历史包袱

⚠️ 注意

OpenAI 已于 2026 年上半年弃用 Assitants API，Responses API 是其官方替代方案，融合了 Chat Completions 的简洁和 Assistants 的强大功能。

八、常见问题 FAQ

Q1：Chat Completions 会被彻底取代吗？

官方表示 Chat Completions API 会 "无限期地继续支持"，但新功能会优先在 Responses API 上迭代。

Q2：Responses API 更贵吗？

接口价格与模型本身挂钩（如 gpt-4o 价格一致），但 Responses 的状态保持功能可以减少重复 Token 消耗，实际可能更省。

Q3：我可以混用两个 API 吗？

可以。但注意两者的状态管理机制不同，不要试图将一个 API 的响应直接塞给另一个。

Q4：LangChain 支持 Responses API 吗？

目前 LangChain 仍以 Chat Completions 为主，如需使用 Responses API，建议直接调用原生 SDK。

九、参考资料

📝 结语

从 Chat Completions 到 Responses API，OpenAI 正在将 AI 接口从 "文本生成工具" 升级为 "Agent 开发平台"。

Chat Completions 是经典、稳定、可控的"手动挡"
Responses API 是智能、高效、自动化的"自动挡"

两者没有绝对的优劣，选择取决于你的项目需求。如果你正在构建新一代 AI 应用，Responses API 值得花时间学习；如果追求稳定和兼容性，Chat Completions 依然是可靠的选择。