Amazon Bedrock 支持 OpenAI reasoning.summary：Responses API 推理摘要、Python 调用与 Agent 调试教程

一、Amazon Bedrock 正式支持 OpenAI 推理摘要

随着 AI 模型越来越多地参与软件开发、数据分析和自动化工作流，开发者开始面临一个新的问题：

当 AI 给出结果时，我们如何更好地理解它的分析过程？

例如，某个 AI Agent 对一组服务器日志进行了分析，最终认为故障来自数据库连接池耗尽。

用户获得了结论，但仍然希望知道：

模型为什么怀疑数据库？

它主要关注了哪些信号？

还有没有需要人工确认的部分？

2026 年 10 月 9 日，Amazon Web Services 正式宣布：

Amazon Bedrock 已经支持 OpenAI 模型的 reasoning.summary 参数。

开发者能够通过 Responses API 请求人类可读的推理摘要，并与模型最终答案一起获取。

这一功能适合用于模型评估、应用调试，以及向用户展示模型解决复杂问题时的主要分析路径。

二、什么是 reasoning.summary？

reasoning.summary 是 Responses API 的一个推理摘要配置参数。

开发者可以在请求中设置：

{
  "reasoning": {
    "summary": "auto"
  }
}

让支持该功能的模型尝试返回推理摘要。

需要特别区分：

Reasoning Summary 并不等于模型完整的内部推理过程。

它是面向开发者或用户提供的可读摘要。

摘要可能解释模型采取了哪些主要分析步骤、关注什么问题，以及为什么形成某个结论。

但不能把它当成完整的内部推理记录，也不能将摘要视为答案真实性的直接证据。

三、为什么 AI Agent 需要推理摘要？

传统聊天机器人只需要返回一个答案。

但 AI Agent 可能执行一系列复杂操作。

例如：

读取日志 → 判断异常 → 查询监控 → 分析数据库 → 给出修复建议。

如果没有合理的调试信息，开发者很难判断问题出现在什么环节。

推理摘要可以为开发者提供额外参考。

1. 排查 Agent 错误

帮助理解模型为什么选择某种分析路径。

2. 评估模型输出

比较不同模型处理同一个问题时的摘要与最终结果。

3. 展示分析依据

在适当场景中，为用户提供更容易理解的任务分析说明。

4. 辅助质量测试

与真实测试结果结合，检查模型是否遗漏重要信息。

不过，Agent 调试仍然需要保留实际工具调用记录、输入输出和任务状态。

单独依赖推理摘要，不足以还原完整执行过程。

四、Amazon Bedrock 与 OpenAI API 有什么关系？

Amazon Bedrock 是 AWS 提供的托管式生成式 AI 服务。

开发者可以通过 AWS 的基础设施使用来自不同供应商的模型。

其中也包括 OpenAI 模型。

与直接使用 OpenAI API 不同，通过 Bedrock 调用模型时，开发者需要遵循 AWS 对应的身份认证、区域支持、模型访问和计费规则。

AWS 当前提供 OpenAI 兼容的 Responses API。

因此，已经使用 OpenAI SDK 的开发者，可以在符合条件的情况下，通过调整请求地址、模型 ID 和认证方式接入 Bedrock。

但需要注意：

OpenAI API Key 不能直接当作 Amazon Bedrock API Key 使用。

两者属于不同的服务认证体系。

五、reasoning.summary 的请求结构

以下展示一个基本请求结构。

{
  "model": "global.openai.gpt-6-sol",
  "input": "分析一个电商平台常见的数据库连接池耗尽问题。",
  "reasoning": {
    "effort": "low",
    "summary": "auto"
  }
}

其中：

model 指定模型。

input 是用户问题。

reasoning.effort 控制推理强度，支持的具体取值取决于模型。

reasoning.summary 用于请求推理摘要。

需要注意，不同模型对推理强度和摘要详细程度的支持可能有所差异。

开发者应根据实际模型文档选择配置。

六、如何配置 Amazon Bedrock API？

第一步：准备 AWS 账号

进入 AWS 管理控制台，确认账号已经具备使用 Amazon Bedrock 的必要资格和权限。

第二步：选择支持的区域

选择支持目标 OpenAI 模型的 AWS Region。

由于部分模型使用区域内推理、地理区域跨区推理或全球跨区推理，开发者需要根据实际部署要求选择模型 ID。

第三步：准备 Bedrock API Key

按照 Amazon Bedrock 官方文档创建 API Key。

不要使用 OpenAI 官网创建的 API Key。

第四步：配置环境变量

以 AWS 美国东部区域为示例：

export OPENAI_BASE_URL="https://bedrock-runtime.us-east-1.amazonaws.com/openai/v1"

export OPENAI_API_KEY="你的Amazon Bedrock API Key"

这里的 OPENAI_API_KEY 是为了兼容 OpenAI SDK 的环境变量名称。

它保存的实际上是 Amazon Bedrock API Key。

第五步：安装 Python SDK

执行：

pip install -U openai

准备完成后，就可以发送请求。

七、Python 调用 reasoning.summary 完整示例

新建文件：

bedrock_reasoning.py

写入：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["OPENAI_API_KEY"],
    base_url=os.environ["OPENAI_BASE_URL"]
)

response = client.responses.create(
    model="global.openai.gpt-6-sol",
    input=(
        "请分析一个高并发API系统为什么可能出现"
        "数据库连接池耗尽的问题，并给出排查建议。"
    ),
    reasoning={
        "effort": "low",
        "summary": "auto"
    }
)

print("=== 最终回答 ===")
print(response.output_text)

print("\n=== 推理摘要 ===")

for item in response.output:
    if item.type == "reasoning":
        for summary in item.summary or []:
            if summary.type == "summary_text":
                print(summary.text)

这个示例演示了三个关键操作。

第一，通过 OpenAI SDK 连接 Amazon Bedrock。

第二，使用 reasoning.summary 请求推理摘要。

第三，从响应中分别提取最终答案和推理摘要。

实际运行前，需要确保对应 AWS 账号、区域和模型具有必要的访问权限。

同时，不同模型的推理摘要支持情况和返回内容可能存在差异。

以上代码按照官方 SDK 和 API 参数整理，尚未使用真实 Bedrock 凭据完成在线调用测试。

八、推理摘要返回的数据是什么样？

Responses API 的返回内容通常包含 output 数组。

其中可能包含不同类型的输出项目。

一个简化后的示例结构如下：

{
  "output": [
    {
      "type": "reasoning",
      "summary": [
        {
          "type": "summary_text",
          "text": "模型首先分析了连接池配置，然后讨论了高并发和慢查询可能造成的影响。"
        }
      ]
    },
    {
      "type": "message",
      "content": [
        {
          "type": "output_text",
          "text": "建议优先检查数据库连接池大小、慢查询和连接释放逻辑。"
        }
      ]
    }
  ]
}

这只是用于展示数据结构的示例，不是真实 API 响应记录。

开发者解析时，应该根据 type 字段识别不同输出项目，而不是假设数组第一项永远是推理摘要。

九、reasoning.summary 与普通回答有什么区别？

需要特别强调，推理摘要是模型生成的说明，仍然可能不完整或存在错误。

因此，不能仅凭摘要就认定某项推理已经获得证明。

十、Amazon Bedrock 支持哪些区域？

AWS 在 2026 年 10 月 9 日公告中说明，该功能适用于 Amazon Bedrock 上支持的 OpenAI 模型，并覆盖这些模型可用的 AWS 区域和相应推理模式。

其中包括：

• 区域内推理；
• GEO 跨区域推理；
• Global 跨区域推理。

但并不代表任意模型在任意 AWS Region 都可以使用。

具体模型 ID、Region、配额和对应端点，仍需通过 Amazon Bedrock 模型文档确认。

十一、如何将推理摘要用于 AI Agent？

假设你开发了一个 AI 运维助手。

用户提出：

最近 API 响应时间从 300 毫秒增加到 5 秒，分析可能原因。

Agent 首先收集：

服务器 CPU、内存、数据库连接数、Nginx 日志和接口错误记录。

然后调用模型分析。

最终输出可以包含两个层次。

第一部分是实际建议。

例如：

检查连接池、慢 SQL、上游响应延迟及服务器资源是否饱和。

第二部分是推理摘要。

例如：

模型主要根据数据库连接异常和请求等待时间增加的相关信息，将连接池问题列为重点排查方向。

这样的输出能够让开发者更容易理解模型的分析重点。

不过，如果需要判断真实故障原因，仍然必须结合实际监控和日志验证。

十二、推理摘要能代替 Agent 日志吗？

不能。

对于生产级 AI Agent，建议至少保留：

输入记录： 用户任务和必要的上下文。

工具记录： 使用了什么工具，以及工具返回了什么。

执行状态： 任务是否成功，是否发生重试。

模型结果： 最终答案和推理摘要。

费用与延迟： Token 消耗、响应时间及调用费用。

其中，推理摘要只负责提供模型分析思路的可读概述。

它并不能代替真实工具执行轨迹。

对于金融、医疗、法律、系统运维等重要场景，更应该将摘要与可验证的实际证据分开管理。

十三、如何将推理摘要接入自己的 API 网关？

对于已经搭建 AI API Gateway 的开发者，可以考虑将推理摘要作为可选功能。

例如客户端请求：

{
  "model": "global.openai.gpt-6-sol",
  "input": "分析系统性能问题",
  "reasoning": {
    "summary": "auto"
  }
}

网关可以将请求转发至相应 Bedrock 端点。

然后保留返回结果中的：

output_text
reasoning.summary
usage

等信息。

如果你的平台原本只支持 Chat Completions 格式，需要特别注意不同 API 协议的数据结构差异。

Responses API 的推理摘要不应该被简单拼接成普通 assistant 内容后，就宣称完全兼容原有协议。

更合理的做法是让客户端明确知道自己使用的是 Responses API，并正确处理不同输出项目。

另外，企业环境中还应考虑摘要内容是否可能包含敏感业务信息，以及是否允许写入日志。

十四、常见问题

reasoning.summary 是模型完整思维链吗？

不是。它是人类可读的推理摘要，不能等同于完整内部推理。

所有 OpenAI 模型都会返回相同格式的摘要吗？

不一定。不同模型对推理摘要的支持程度和可用参数可能不同。

是否必须使用 OpenAI SDK？

不是。也可以使用符合 Bedrock API 要求的 HTTP 请求。

Amazon Bedrock 和 OpenAI 官方 API 可以共用密钥吗？

不能。两者需要使用各自对应的认证方式。

推理摘要是否一定能提高回答准确率？

不能保证。它主要提供额外的解释和调试信息，准确性仍需要通过测试与事实核查判断。

十五、总结

Amazon Bedrock 支持 OpenAI reasoning.summary，是面向 AI 开发者的一项实用更新。

它让开发者能够在获取模型最终答案之外，同时获得可读的推理摘要。

对于复杂编程、数据分析和 Agent 自动化场景，这有助于改善可观测性和调试体验。

但需要正确认识其边界：

推理摘要不是完整内部推理，也不是能够证明答案正确的审计证据。

真正成熟的 AI 系统仍然需要同时记录工具调用、执行结果、错误信息和资源消耗。

从长远来看，AI API 平台不仅需要提供模型调用能力，还需要帮助开发者理解、评估和管理模型行为。

这也是 AI Gateway 从单纯 API 转发走向完整 AI 工程基础设施的重要方向。

版权信息： 本文由界智通(jieagi)团队编写，图片、文本保留所有权利。未经授权，不得转载或用于商业用途。