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，支持更简洁的输入输出格式，并且工具调用方式也更加便捷，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，并且支持工具调用多种扩展能力，非常适合搭建智能助手、自动化工具等场景。

Responses API 核心优势

与 Chat API 相比，Responses API 在能力上具备多方面优势。

简洁的输入输出格式：输入为字符串或数组格式，输出为包含自身 ID 的 Response 对象且默认会被存储。

高效的上下文管理：默认开启存储功能，在多轮对话模式下能够自动管理上下文，避免了手动维护上下文的繁琐过程，提升智能交互体验。

低成本的上下文缓存：通过缓存常用上下文信息，减少每次请求重复处理加载开销，降低成本。

便捷的工具调用：支持多种工具调用方式，如内置工具联网搜索、图像处理、私域知识库搜索、云部署 MCP 等，提升开发和集成效率。

良好的扩展性：未来将陆续支持更多内置工具，为开发者提供更丰富、更灵活的智能应用开发能力。

能力		Chat API	Responses API
文本生成
视觉理解
结构化输出		beta阶段	beta阶段
工具调用	函数调用 Function Calling
	联网搜索 Web Search
	图像处理 Image Process
	私域知识库搜索 Knowledge Search
	云部署 MCP
上下文缓存			250615之后的模型版本支持

支持模型

250615及之后版本的大语言模型，如无特殊说明，默认支持 Responses API，方舟平台大语言模型列表，请参见：文本生成能力。

基础差异

Chat API (/chat/completions) 与 Responses API (/responses) 输入和输出格式略有不同。

输入：Chat API 需要传入一个消息（messages）数组，而 Responses API 则接受字符串或数组格式的输入。同时，在 Responses API 中，支持使用 instructions 字段在特定轮次中补充系统提示词，使用方式请参见补充系统提示词。

输出：Chat API 返回 message，而 Responses API 返回一个包含自身 ID 的 response 对象。

通过以下示例快速体验两个 API 使用上的差异。

Chat API	Responses API
输入示例 import os from arkruntime import Ark client = Ark( base_url="https://ark.cn-beijing.volces.com/api/v3", api_key=os.getenv('ARK_API_KEY'), ) completion = client.chat.completions.create( model = "doubao-seed-2-1-pro-260915", messages=[ {"role": "user", "content": "Hello."}, ], ) print(completion)	输入示例 import os from arkruntime import Ark client = Ark( base_url='https://ark.cn-beijing.volces.com/api/v3', api_key=os.getenv('ARK_API_KEY'), ) response = client.responses.create( model="doubao-seed-2-1-pro-260915", input="Hello.", ) print(response)
输出示例 { "choices": [ { "finish_reason": "stop", "index": 0, "logprobs": null, "message": { "content": "Hello! How can I assist you today? Whether you have a question you'd like answered, want to chat about something that's on your mind, or need help with a specific task, feel free to share—I'm here to help. 😊", "reasoning_content": "\nGot it, let's see. The user just said \"Hello.\" I need to respond in a friendly way. Since the system prompt mentions I'm an AI assistant who can answer questions, chat, and provide information, I should keep it open-ended to encourage them to share what they need help with. Maybe something like \"Hello! How can I assist you today? Whether you have a question, want to chat about something, or need help with a task, feel free to let me know.\" That sounds natural and covers the points from the system prompt.", "role": "assistant" } } ], "created": 1765193367, "id": "0217651933631536335e3dfd75940b9979797202ce7ea2a894823", "model": "doubao-seed-2-1-pro-260915", "service_tier": "default", "object": "chat.completion", "usage": { "completion_tokens": 164, "prompt_tokens": 35, "total_tokens": 199, "prompt_tokens_details": { "cached_tokens": 0 }, "completion_tokens_details": { "reasoning_tokens": 114 } } }	输出示例 { "created_at": 1765193461, "id": "resp_0217651934613099e1bacc68b98f823c2af95ea68bff0aec36f83", "max_output_tokens": 32768, "model": "doubao-seed-2-1-pro-260915", "object": "response", "output": [ { "id": "rs_02176519346192100000000000000000000ffffac15322033925d", "type": "reasoning", "summary": [ { "type": "summary_text", "text": "\nGot it, let's see. The user said \"hello.\" First, I need to respond in a friendly way. Since the system prompt mentions being a helpful assistant, I should greet back and maybe invite them to ask whatever they need help with. Let me make it natural. Like, \"Hello! How can I assist you today?\" That's simple and open-ended. Yeah, that works." } ], "status": "completed" }, { "type": "message", "role": "assistant", "content": [ { "type": "output_text", "text": "Hello! How can I assist you today? Whether you have a question, need help with a task, or just want to chat, feel free to let me know. 😊" } ], "status": "completed", "id": "msg_02176519346378200000000000000000000ffffac153220cfab51" } ], "service_tier": "default", "status": "completed", "usage": { "input_tokens": 35, "output_tokens": 118, "total_tokens": 153, "input_tokens_details": { "cached_tokens": 0 }, "output_tokens_details": { "reasoning_tokens": 82 } }, "caching": { "type": "disabled" }, "store": true, "expire_at": 1765452661 }

进阶能力适配

更新多轮对话

在多轮对话场景中，使用 Responses API 能够更高效的管理上下文，避免了手动维护上下文的繁琐过程。

Chat API 是无状态的，每次请求时需要将历史信息放在 messages 中，并通过 role 字段设置，以便进行主题相关的延续性对话。具体使用参见多轮对话。

Responses API 默认开启存储功能，方便进行上下文管理，通过 previous_response_id 引入对应请求的输入和回复，实现智能交互体验。具体使用参见上下文管理。

Chat API

Responses API

更新结构化输出定义

定义结构化输出的方式：

Chat API：response_format，具体使用参见结构化输出(beta)。

Responses API：text.format，具体使用参见结构化输出(beta)。

Chat API

Responses API

更新最大输出长度参数

Chat API：通过参数 max_completion_tokens 控制模型最大输出长度，具体教程参见设置最大输出长度。

Responses API：通过参数 max_output_tokens 控制模型最大输出长度，具体教程参见设置最大输出长度。

Chat API

Responses API

使用上下文缓存能力

Context API 支持上下文缓存能力，而 Responses API 在缓存操控方面更加灵活，支持进行 ID 粒度的使用及变更。关于两种使用方式，参见上下文缓存。

其中，<YOUR_ENDPOINT_ID> 请替换为您的推理接入点 ID。

Context API

Responses API

使用工具调用

更新函数定义

Responses API 和 Chat API 在定义 function 函数方面有细微区别，具体使用教程参见Function Calling（函数调用）。

Chat API	Responses API
[ { "type": "function", "function": { "name": "get_weather", "description": "根据城市名称查询该城市当日天气（含温度、天气状况）", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市名称，如北京、上海（仅支持国内地级市）" } }, "required": [ "location" ] } } } ]	[ { "type": "function", "name": "get_weather", "description": "根据城市名称查询该城市当日天气（含温度、天气状况）", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "城市名称，如北京、上海（仅支持国内地级市）" } }, "required": [ "location" ] } } ]

使用内置工具

Chat API 当前不支持使用方舟大模型内置工具（联网搜索、图像处理、私域知识库搜索）、云部署 MCP等能力，可以通过 Responses API 使用，具体教程参见联网搜索工具、图像处理 Image Process、Knowledge Search（私域知识库搜索工具）、云部署 MCP / Remote MCP。

联网搜索

图像处理

私域知识库搜索

MCP

通过 Web Search 工具可以获取实时公开网络信息（如新闻、商品、天气等），解决数据时效性、知识盲区、信息同步等核心问题，并且无需自行开发搜索引擎或维护数据资源。

Image Process 图像处理工具支持通过 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，适用于需模型通过视觉处理提升图片理解的场景（如图文内容分析、物体定位标注、多轮视觉推理等）。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（上一轮输出图片作为下一轮输入）。

渐进式迁移

当前新模型会在 Chat API 和 Responses API 上同步适配，无需担心后续的维护问题。建议根据需求逐步采用 Responses API，可以先在工具调用及缓存等部分业务场景中使用，待使用稳定后再全面替换 Chat API，以实现平滑过渡。