把 Answers API 用作工具

Answers API 是一个封闭式、有据可循的问答：问题进、有据可循的回答出，没有额外开关。这恰好就是外层 agent 对一个”工具”的期待：你的 agent（运行在任何模型、任何框架上）保有编排权，把*“这位用户的真实健康记录说明了什么？“*委托给 Mirobody。

何时优先于 Agent API：你已经有一个 agent，需要把”有据可循的健康回答”作为其中一项能力接进来。若你想让 Mirobody 就是那个 agent（并调用你的工具），请改用 Agent API。

openai-agents SDK

外层 agent 运行在 OpenAI（或任何兼容 Responses 的后端）上；工具体内调用 Mirobody：

from agents import Agent, Runner, function_tool
from openai import OpenAI

mirobody = OpenAI(
    api_key="mb_live_...",
    base_url="https://api.mirobody.ai/v1",
)

@function_tool
def health_answers(question: str, user_id: str) -> str:
    """Answer a question from this end user's REAL health records
    (labs, vitals, reports). Grounded and citation-backed — use it for
    anything about the user's own health data."""
    resp = mirobody.chat.completions.create(
        model="mirobody-flash",
        messages=[{"role": "user", "content": question}],
        user=user_id,                    # 终端用户的稳定 id（Subject）
    )
    return resp.choices[0].message.content

coach = Agent(
    name="Wellness coach",
    model="gpt-4.1",                     # 你的模型、你的编排
    instructions=(
        "You are a wellness coach. For anything about the user's own labs, "
        "vitals or reports, call health_answers with their user_id — never guess."
    ),
    tools=[health_answers],
)

result = Runner.run_sync(coach, "user_id=alice — Should I be worried about my recent glucose?")
print(result.final_output)

外层模型决定何时需要健康数据；Mirobody 的 agent 在一次工具调用内完成记录检索、趋势计算与证据引用。

LangChain

from langchain_core.tools import tool
from langchain.agents import create_agent          # LangChain v1 agent API
from openai import OpenAI

mirobody = OpenAI(
    api_key="mb_live_...",
    base_url="https://api.mirobody.ai/v1",
)

@tool
def health_answers(question: str, user_id: str) -> str:
    """Answer a question from this end user's real health records
    (labs, vitals, reports). Grounded, with traceable evidence."""
    resp = mirobody.chat.completions.create(
        model="mirobody-flash",
        messages=[{"role": "user", "content": question}],
        user=user_id,
    )
    return resp.choices[0].message.content

agent = create_agent(model="openai:gpt-4.1", tools=[health_answers])
out = agent.invoke({"messages": [
    {"role": "user", "content": "user_id=alice — how did my LDL respond to the diet change?"}
]})
print(out["messages"][-1].content)

实践建议

• 透传 Subject id。 user 参数是隔离键：若框架支持按调用注入上下文，请从你自己的鉴权上下文取值，而不是让模型自由填写。
• 一并返回证据。 若外层 agent 需要展示来源，把响应的 health_records / citations 扩展与 content 一起序列化进工具返回值。
• 超时。 一次有据可循的回答是真实的 agent 轮次（秒级而非毫秒级），给工具调用留出充裕超时，同时让外层 agent 流式播报进展。
• 成本控制。 工具内默认用 mirobody-flash；深度报告解读再用 mirobody-expert。见模型。

另见

• Answers API（Chat Completions）：被包装的那个端点。
• SDK 示例：同一个调用的 curl / Python / Node 版本。
• 选择你的 API：什么时候该改用 Agent API。