> ## Content Index > Fetch the complete content index at: https://matveev.tech/llms.txt > Use this file to discover other available public pages before exploring further. # WebSocket Mode в OpenAI API: агенты быстрее на 40% - URL: https://matveev.tech/openai-websocket-mode-api/ - Published: 2026-02-25T10:47:42.000Z - Updated: 2026-02-25T12:16:33.000Z - Description: OpenAI добавили WebSocket-режим в Responses API. Вместо HTTP-запроса на каждый tool-вызов агента — одно постоянное соединение с инкрементальными инпутами. До 40% ускорения на длинных цепочках. - Author: Pavel Matveev - Tags: OpenAI, Разработка, Dev Tools, Агенты, Гайд > **TL;DR:** OpenAI добавили WebSocket-режим в Responses API. Вместо отдельного HTTP-запроса на каждый ход агента — одно постоянное соединение, куда отправляешь только новые данные. На воркфлоу с 20+ tool-вызовами это даёт до 40% ускорения. Если ты строишь агентов на OpenAI API, то наверняка знаешь боль: каждый tool-вызов — это отдельный HTTP-запрос, новый TLS-хендшейк, повторная отправка контекста. Когда агент делает 3-5 вызовов — терпимо. Но когда их 20-30 (а в сложных сценариях типа автономного кодинга или оркестрации бывает и больше) — накладные расходы складываются в заметную задержку. WebSocket Mode решает это. Открываешь одно соединение — и гоняешь через него весь диалог с моделью. ## Как это работает Идея простая: вместо REST-вызовов ты подключаешься по WebSocket к `wss://api.openai.com/v1/responses` и отправляешь события `response.create`. Формат тела — тот же, что и в обычном Responses API, только без полей `stream` и `background` (они тут не нужны). ```python from websocket import create_connection import json import os ws = create_connection( "wss://api.openai.com/v1/responses", header=[ f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}", ], ) ws.send( json.dumps( { "type": "response.create", "model": "gpt-5.2", "store": False, "input": [ { "type": "message", "role": "user", "content": [{"type": "input_text", "text": "Найди функцию fizz_buzz()"}], } ], "tools": [], } ) ) ``` Получил ответ — отправляешь следующий ход. И так весь цикл. ## Инкрементальные инпуты — главная фишка Самое ценное здесь не сам WebSocket, а то, что каждый следующий ход отправляет только новые данные. Вместо пересылки всего контекста целиком (как в HTTP-режиме) ты передаёшь `previous_response_id` плюс только новые элементы: ```python ws.send( json.dumps( { "type": "response.create", "model": "gpt-5.2", "store": False, "previous_response_id": "resp_123", "input": [ { "type": "function_call_output", "call_id": "call_123", "output": "результат вызова инструмента", }, { "type": "message", "role": "user", "content": [{"type": "input_text", "text": "Теперь оптимизируй это."}], }, ], "tools": [], } ) ) ``` Сервис держит предыдущий ответ в in-memory кэше прямо на соединении. Продолжение из этого кэша — быстро, потому что не нужно ничего читать с диска. Важный момент: кэш хранит только последний ответ. Если что-то пошло не так (4xx/5xx), кэш сбрасывается, и продолжить с того же `previous_response_id` уже не получится. ## Warmup — прогрев запроса Есть полезная опция: отправить `response.create` с `generate: false`. Модель не генерирует ответ, но готовит внутреннее состояние: загружает инструкции, tools, кастомные сообщения. Следующий настоящий запрос стартует быстрее. По сути, это prefetch для LLM. Знаешь, какие инструменты будешь использовать, прогрей заранее, пока пользователь ещё печатает. ## Компактификация контекста При длинных сессиях контекст разрастается. Два способа его сжать: Первый вариант: серверная компактификация через `context_management` с `compact_threshold`. Всё происходит автоматически при генерации. Ты продолжаешь отправлять `response.create` как обычно, ничего менять не надо. Второй: standalone-эндпоинт `/responses/compact`. Вызываешь отдельно через HTTP, получаешь сжатое окно контекста. После этого начинаешь новую цепочку на WebSocket с этим окном как `input`: ```python # Компактифицируем через HTTP compacted = client.responses.compact( model="gpt-5.2", input=long_input_items_array, ) # Стартуем новую цепочку с компактным контекстом ws.send( json.dumps( { "type": "response.create", "model": "gpt-5.2", "store": False, "input": [ *compacted.output, { "type": "message", "role": "user", "content": [{"type": "input_text", "text": "Продолжай отсюда."}], }, ], "tools": [], } ) ) ``` ## Ограничения, которые стоит знать Соединение живёт максимум 60 минут. После этого нужно переподключиться. На одном соединении запросы выполняются строго последовательно, один за другим. Если нужен параллелизм, открывай несколько соединений. Сервис хранит в памяти только последний ответ текущего соединения. Это, кстати, и причина совместимости с Zero Data Retention и `store=false`: кэш живёт только в оперативке и не пишется на диск. ## Что делать при разрыве соединения Соединение может закрыться по таймауту, из-за сети или ещё по какой-то причине. Дальше зависит от настроек. Если `store=true` и у тебя есть response ID, просто открываешь новый WebSocket и продолжаешь с `previous_response_id`. Будет чуть медленнее (гидрация из хранилища вместо кэша), но работает. Если `store=false` или ZDR, а ID уже вылетел из кэша, придёт ошибка `previous_response_not_found`. Тогда начинаешь новую цепочку с полным контекстом. Ну и третий вариант: если ты до этого вызывал `/responses/compact`, используешь сохранённое окно как базовый `input` для нового запроса. ## Когда это реально полезно Не для каждого проекта. Если у тебя простой чат-бот с одним-двумя tool-вызовами, HTTP-стриминг работает ничем не хуже. WebSocket Mode для ситуаций, где агент делает десятки tool-вызовов за сессию: автономный кодинг, data pipeline, сложная оркестрация. По данным OpenAI, на цепочках из 20+ вызовов разница доходит до 40%. ## Вывод По сути, WebSocket Mode не меняет логику приложения. Формат запросов тот же, tools те же. Меняется только транспорт, а на агентных воркфлоу это может дать заметную разницу. Мне нравится, что OpenAI не стали городить отдельный API, а встроили это в существующий Responses. Переход минимальный: оборачиваешь payload в `response.create`, подключаешься через WebSocket вместо HTTP, и добавляешь логику реконнекта. ## Что ещё почитать - [Мультиагенты в OpenAI Codex — настройка и примеры](https://matveev.tech/codex-multi-agent-setup/) — если хочешь масштабировать агентные воркфлоу - [Как экономить токены в Cursor и Claude Code](https://matveev.tech/kak-ekonomit-tokeny-cursor-claude-code/) — ещё способы оптимизации при работе с LLM - [Codex от OpenAI теперь работает прямо в JetBrains IDE](https://matveev.tech/codex-openai-jetbrains-ide/) — другие обновления экосистемы OpenAI ## FAQ **Можно ли использовать WebSocket Mode с store=false?** Да. Кэш предыдущего ответа хранится только в памяти на соединении и не записывается на диск. Режим полностью совместим с Zero Data Retention. **Сколько запросов можно отправить на одном соединении?** Сколько угодно, но последовательно — один за другим. Лимит по времени — 60 минут на одно соединение. **На сколько это быстрее обычного HTTP?** По данным OpenAI, на воркфлоу с 20+ tool-вызовами ускорение достигает примерно 40%. На коротких цепочках разница будет минимальной. **Нужно ли менять формат запросов?** Нет, payload тот же, что и в Responses API. Убираешь `stream` и `background`, оборачиваешь в `response.create` — и всё работает.