火山方舟 Responses API 实战指南：从概念到「公司尽调 Dossier 生成器」
Respenses API 是什么？
Responses API 是火山方舟最新推出的 API 接口，原生支持高效的上下文管理，不仅延续了 Chat API 的易用性，还结合了更强的智能代理能力。随着大模型技术不断升级，Responses API 为开发各类面向实际行动的应用提供了更灵活的基础，并且支持函数调用等多种扩展能力，非常适合搭建智能助手、自动化工具等场景。
对比传统 Chat API
| 特性 | 传统 Chat API | Responses API |
|---|---|---|
| 工具调用 | 需要手动实现完整流程 | 自动化内置支持 |
| 上下文管理 | 需自行维护会话状态 | 通过previous_response_id自动关联 |
| 代码复杂度 | 高（需处理多分支逻辑） | 低（声明式配置） |
| 内置工具 | 无，需要定制化集成 | 内置 web_search、file_search 工具 |
| 企业工具集成 | 需开发适配层 | 原生 MCP 协议支持 |
Responses API 功能
1）原生上下文管理机制
简化多轮对话开发流程；通过previous_response_id参数自动维护对话状态；无需手动管理会话历史和上下文窗口。
- 多轮调用：在多轮调用模式下，系统能够自动管理上下文，持续追踪和记忆之前的对话内容，使对话更加连贯自然，大大提升了智能交互体验。
- 重新生成对话：
- 通过灵活调用
previous_response_id重新生成对话的树状分叉结构，并能在不同的分支中进行不同的操作； - 在重新生成对话的场景中，系统能够根据不同的分支条件，灵活地执行多种的操作，从而实现更复杂的对话逻辑。
- 通过灵活调用
- 窗口截断：利用
delete接口实现Responses API的窗口截断的功能，使得程序可以在response粒度上管理历史记忆，便于后续进行更复杂的对话。
2）更低成本的上下文缓存
- 前缀缓存
- 用户可以预先存储并缓存角色、背景等**初始化信息，**后续调用模型时无需重复发送此信息给模型，即可自动命中初始化信息的缓存；
- 从而加快响应速度并降低使用成本，尤其适用于具有重复提示或标准化开头文本的应用。
Session缓存：Responses API支持自动储存历史上下文对话并保持缓存，通过调用previous_response_id在多轮对话等场景中命中缓存并实现更低的时延和推理成本。
3）高度简化的多工具集成能力
- 原生支持主流工具类型：
web_search_preview：一键接入网络搜索；file_search：直接配置向量知识库（支持指定向量库ID和返回结果数量）；mcp：简单配置即可接入企业内部工具服务。
- 工具配置通过声明式
JSON完成，无需复杂代码实现。
4）高度自动化的工具调用流程
- 无需手动实现工具调用逻辑（如函数调用解析、参数验证、结果串联）；
- 内置工具调用流程管理，自动处理多轮工具调用决策。
Responses API 优势
1）代码实现大幅简化
对比传统 Chat API，大幅节省代码量：
- 省去会话状态管理逻辑；
- 省去工具调用和结果处理逻辑。
2）开发效率显著提升
- 核心智能体实现仅需约 20 行代码；
- 工具扩展只需添加配置而非修改逻辑；
- 专注业务需求而非工程实现细节。
内置工具
| 工具列表 | 说明 |
|---|---|
联网搜索 web search | 支持通过 Responses API 调用直接获取公开域互联网信息，适用于需动态获取最新网络数据的场景。工具通过模型自动判断是否需要搜索，并支持与自定义 Function、MCP 等工具混合使用 |
私域知识库搜索 knowledge search | 支持通过 Responses API 调用直接获取企业私域知识库中的信息，适用于需基于企业专属数据解答问题的场景。工具通过模型自动判断是否需要调用私域知识库，支持与自定义 Function、MCP 等工具混合使用 |
图像处理 image_process | 支持通过 Responses API 调用对输入图片执行画点、画线、旋转、缩放、框选/裁剪关键区域等基础操作。工具通过模型自动判断图像处理逻辑，支持与自定义 Function 混合使用，且可处理多轮视觉输入 |
云部署 / Remote MCP Servers | 对接“MCP MarketPlace”，支持调用市场内各类垂直领域 MCP 工具；复杂任务（如多步数据查询+分析）支持多轮 MCP 调用；可与用户自定义 Function、Web Search 工具混合使用 |
快速上手：最小请求骨架
cURL（非流式）
curl --location "https://ark.cn-beijing.volces.com/api/v3/responses" \
--header "Authorization: Bearer $ARK_API_KEY" \
--header "Content-Type: application/json" \
--data '{"model": "doubao-seed-1-6-250615","input": "你好呀。"
}'
实战：公司尽调 Dossier 生成器
目标与流程
输入：公司名/统一社会信用代码（USCC）
输出：结构化 Dossier —— 背景摘要、关键时间线（成立、融资、处罚、重大交易…）、风险标签（诉讼/负面/高管变更）、关键交易（对手方/时间/金额/性质）、以及来源链接。
流程：web_search 拉权威来源 → 汇总时间线/风险/交易 → 按 JSON Schema 严格输出 → 可多轮追问（previous_response_id）。
web_search在Responses API中通过tools:[{ "type": "web_search" }]启用。
代码片段
async generateDossier(companyName, conversationHistory = []) {try {const settings = useSettingsStore()const config = settings.apiConfigconst messages = [{role: 'system',content: `你是一个专业的公司尽调分析师。请根据提供的公司信息，生成一份详细的公司尽调Dossier，包含以下内容：
1. 公司背景信息
2. 重要时间线
3. 风险点分析（诉讼、负面新闻、高管变更等）
4. 关键交易信息
5. 信息来源链接请以结构化的方式组织信息，使用清晰的标题和要点。`},...conversationHistory,{role: 'user',content: `请为以下公司生成尽调Dossier：${companyName}`}]const response = await axios.post(`${config.baseUrl}/responses`,{model: config.modelId,input: messages,tools: [{ type: 'web_search' }],stream: false},{headers: {'Authorization': `Bearer ${config.apiKey}`,'Content-Type': 'application/json'}})console.log('API响应:', response.data);// 安全地解析响应数据let content = '';if (response.data.output && response.data.output.length > 0) {const lastOutput = response.data.output[response.data.output.length - 1];if (lastOutput.type === 'message' && lastOutput.content && lastOutput.content.length > 0) {content = lastOutput.content[0].text || '';}}console.log('解析的内容:', content);return {success: true,data: content,usage: response.data.usage}} catch (error) {console.error('API调用失败:', error)return {success: false,error: error.response?.data?.error?.message || error.message || 'API调用失败'}}}
Prompt 片段
系统指令：
- 你是公司尽调分析助手。只引用权威来源（监管公告/法院文书/证券交易所/主流媒体），每条结论附可点击链接。
- 先检索再生成；无法确认的信息留空或标注“未知”。
- 严格按给定 JSON Schema 输出；不得返回除 JSON 之外的内容。用户输入（示例）：
公司：{公司名或统一社会信用代码}
最终效果图：
总结
为什么选 Responses API：把会话接力、工具调用、结构化输出、SSE整合为统一协议，避免你在应用层反复造轮子；配合上下文缓存与（可选）上下文检索接口，工程化地兼顾控本、审计与可复盘。
如何快速落地：Dossier 这类企业实战非常契合 Responses 的范式：用 web_search 拉权威来源，严格按 JSON Schema 输出时间线/风险/关键交易与引用链接；多轮追问用 previous_response_id 增量改写；需要“边播边看”就开 SSE。
走向生产：把系统提示/术语表放入前缀缓存、用模型别名/环境变量做好灰度与回滚、对引用做可用性巡检与去重归并，就能把PoC 提升到可维护、可审计、可扩展的生产形态。