મુખ્ય વિષય-સામગ્રી પર જાવો
OpenAI

15 એપ્રિલ, 2026

પ્રોડક્ટ

Agents SDK નો આગામી વિકાસ

અપડેટ થયેલ Agents SDK ડેવલપર્સને એવા એજન્ટ બનાવવા મદદ કરે છે જે files inspect કરી શકે, commands ચલાવી શકે, code edit કરી શકે, અને નિયંત્રિત sandbox environments માં લાંબા ગાળાના કાર્યો પર કામ કરી શકે.

લોડિંગ…

અમે Agents SDK માં નવી ક્ષમતાઓ રજૂ કરી રહ્યા છીએ જે ડેવલપર્સને માનકીકૃત ઇન્ફ્રાસ્ટ્રક્ચર આપે છે, જેને શરૂ કરવું સરળ છે અને જે OpenAI મોડલ્સ માટે યોગ્ય રીતે બનાવવામાં આવ્યું છે: model-native harness જે એજન્ટોને કમ્પ્યુટર પર files અને tools સાથે કામ કરવાની મંજૂરી આપે છે, સાથે જ તે કામને સુરક્ષિત રીતે ચલાવવા માટે native sandbox execution.

ઉદાહરણ તરીકે, ડેવલપર્સ એજન્ટને નિયંત્રિત વર્કસ્પેસ, સ્પષ્ટ સૂચનાઓ અને પુરાવા તપાસવા માટે જરૂરી tools આપી શકે છે:

Python

1
# pip install "openai-agents>=0.14.0"
2

3
import asyncio
4
import tempfile
5
from pathlib import Path
6

7
from agents import Runner
8
from agents.run import RunConfig
9
from agents.sandbox import Manifest, SandboxAgent, SandboxRunConfig
10
from agents.sandbox.entries import LocalDir
11
from agents.sandbox.sandboxes import UnixLocalSandboxClient
12

13

14
async def main() -> None:
15
    with tempfile.TemporaryDirectory() as tmp:
16
        dataroom = Path(tmp) / "dataroom"
17
        dataroom.mkdir()
18
        (dataroom / "metrics.md").write_text(
19
            """# Annual metrics
20

21
| Year | Revenue | Operating income | Operating cash flow |
22
| --- | ---: | ---: | ---: |
23
| FY2025 | $124.3M | $18.6M | $24.1M |
24
| FY2024 | $98.7M | $12.4M | $17.9M |
25
""",
26
            encoding="utf-8",
27
        )
28

29
        agent = SandboxAgent(
30
            name="Dataroom Analyst",
31
            model="gpt-5.4",
32
            instructions="Answer using only files in data/. Cite source filenames.",
33
            default_manifest=Manifest(entries={"data": LocalDir(src=dataroom)}),
34
        )
35

36
        result = await Runner.run(
37
            agent,
38
            "Compare FY2025 revenue, operating income, and operating cash flow with FY2024.",
39
            run_config=RunConfig(
40
                sandbox=SandboxRunConfig(client=UnixLocalSandboxClient()),
41
            ),
42
        )
43
        print(result.final_output)
44

45

46
if __name__ == "__main__":
47
    asyncio.run(main())
48

ઉપયોગી એજન્ટ બનાવવા માટે ડેવલપર્સને ફક્ત શ્રેષ્ઠ મોડલ્સ કરતાં વધુની જરૂર છે—તેમને એવી systems જોઈએ છે જે એજન્ટ files તપાસે, commands ચલાવે, code લખે અને ઘણા પગલાંઓમાં કામ ચાલુ રાખે તે રીતે સપોર્ટ કરે.

આજે ઉપલબ્ધ systems માં teams prototypes થી production તરફ વધે ત્યારે tradeoffs આવે છે. Model-agnostic frameworks લવચીક છે પણ અત્યાધુનિક મોડલ્સની ક્ષમતાઓનો સંપૂર્ણ ઉપયોગ કરતી નથી; model-provider SDKs મોડલની નજીક હોઈ શકે છે પણ harness માં પૂરતી visibilityનો અભાવ હોય છે; અને managed agent APIs deployment સરળ બનાવી શકે છે પણ એજન્ટો ક્યાં ચાલે અને સંવેદનશીલ data સુધી કેવી રીતે પહોંચે તે મર્યાદિત કરે છે.

અમારી સાથે નવા SDK નું પરીક્ષણ કરનારા કેટલાક ગ્રાહકોએ શું કહ્યું તે અહીં છે:

“અપડેટ થયેલ Agents SDK એ અમારા માટે તેને ઉત્પાદન-યોગ્ય બનાવ્યું જેથી અમે એક અગત્યના ક્લિનિકલ રેકોર્ડ્સ વર્કફ્લોને ઓટોમેટ કરી શક્યા, જેને અગાઉની પદ્ધતિઓ પૂરતી વિશ્વસનીય રીતે સંભાળી શકતી નહોતી. અમારા માટે ફરક માત્ર યોગ્ય metadata કાઢવાનો ન હતો, પરંતુ લાંબા અને જટિલ રેકોર્ડ્સમાં દરેક encounter ની સીમાઓને યોગ્ય રીતે સમજવાનો હતો. પરિણામે, અમે આપેલ મુલાકાત દરમિયાન દરેક દર્દી માટે શું થઈ રહ્યું છે તે વધુ ઝડપથી સમજી શકીએ છીએ, સભ્યોની તેમની સંભાળની જરૂરિયાતોમાં મદદ કરીએ છીએ અને અમારો તેમની સાથેનો અનુભવ સુધારીએ છીએ.”
— Oscar Health

એજન્ટ લૂપ માટે વધુ સક્ષમ harness

આજના રિલીઝ સાથે, Agents SDK harness દસ્તાવેજો, files અને systems સાથે કામ કરતા એજન્ટો માટે વધુ સક્ષમ બને છે. તેમાં હવે configurable memory, sandbox-aware orchestration, Codex જેવી filesystem tools, અને અત્યાધુનિક એજન્ટ systems માં સામાન્ય બનતા primitives સાથે standardized integrations ઉમેરાયાં છે.

આ primitivesમાં MCP⁠(નવી વિન્ડોમાં ખૂલે છે) દ્વારા tool use, skills⁠(નવી વિન્ડોમાં ખૂલે છે) દ્વારા progressive disclosure, AGENTS.md⁠(નવી વિન્ડોમાં ખૂલે છે) દ્વારા custom instructions, shell⁠(નવી વિન્ડોમાં ખૂલે છે) tool નો ઉપયોગ કરીને code execution, apply patch⁠(નવી વિન્ડોમાં ખૂલે છે) tool નો ઉપયોગ કરીને file edits, અને વધુ ઘણું સામેલ છે. harness સમય જતાં નવા agentic patterns અને primitives સમાવવામાં લેતો રહેશે, જેથી ડેવલપર્સ core infrastructure updates પર ઓછો સમય વિતાવે અને તેમના એજન્ટોને ઉપયોગી બનાવતી domain-specific logic પર વધુ સમય આપી શકે.

Agent SDK કેવી રીતે user input, મોડલ્સ અને tools ને જોડીને AI એજન્ટ બનાવે છે તે દર્શાવતું આલેખ.
મોડલ્સ, tools અને orchestration સાથે Agent SDK નો ઉપયોગ કરીને AI એજન્ટ કેવી રીતે બનાવવા તે દર્શાવતું આલેખ.

harness ડેવલપર્સને અત્યાધુનિક મોડલની વધુ ક્ષમતાઓ unlock કરવામાં પણ મદદ કરે છે, કારણ કે તે execution ને એ રીતે ગોઠવે છે જેમ આ મોડલ્સ શ્રેષ્ઠ પ્રદર્શન કરે છે. તેથી એજન્ટો મોડલની natural operating pattern ની નજીક રહે છે, જે જટિલ કાર્યોમાં—ખાસ કરીને જ્યારે કામ લાંબા સમય સુધી ચાલતું હોય અથવા વિવિધ tools અને systems વચ્ચે સંકલિત હોય—વિશ્વસનીયતા અને performance સુધારે છે.

તે ઉપરાંત, અમે સમજીએ છીએ કે દરેક product અનન્ય છે અને ભાગ્યે જ કોઈ નક્કી ઢાંચામાં સંપૂર્ણ રીતે ફિટ થાય છે. અમે Agents SDK ને આ વિવિધતાને સપોર્ટ કરવા માટે ડિઝાઇન કર્યું છે. ડેવલપર્સને turnkey છતાં flexible harness મળે છે—જેને તેઓ તેમના પોતાના stack માટે સરળતાથી ઢાળી શકે—જેમાં tool use, memory અને sandbox environment નો સમાવેશ થાય છે.

Native sandbox execution

અપડેટ થયેલ Agents SDK મૂળભૂત રીતે sandbox execution ને સપોર્ટ કરે છે, જેથી એજન્ટો નિયંત્રિત કમ્પ્યુટર environments માં task માટે જરૂરી files, tools અને dependencies સાથે ચાલી શકે.

ઘણા ઉપયોગી એજન્ટોને એવા વર્કસ્પેસની જરૂર હોય છે જ્યાં તેઓ files વાંચી-લખી શકે, dependencies install કરી શકે, code ચલાવી શકે અને tools નો સુરક્ષિત ઉપયોગ કરી શકે. Native sandbox support ડેવલપર્સને આ execution layer તૈયાર રૂપે આપે છે, જેથી તેમને પોતે અલગ અલગ ભાગો જોડવાની જરૂર ન પડે.

ડેવલપર્સ પોતાનો sandbox લાવી શકે છે અથવા Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop અને Vercel માટે built-in support નો ઉપયોગ કરી શકે છે.

આ environments ને providers વચ્ચે portable બનાવવા માટે, SDK એજન્ટના વર્કસ્પેસનું વર્ણન કરવા Manifest abstraction પણ રજૂ કરે છે. ડેવલપર્સ local files mount કરી શકે છે, output directories નિર્ધારિત કરી શકે છે, અને AWS S3, Google Cloud Storage, Azure Blob Storage અને Cloudflare R2 સહિત storage providers માંથી data લાવી શકે છે.

આ ડેવલપર્સને local prototype થી production deployment સુધી એજન્ટનું environment ઘડવાની એકસમાન રીત આપે છે. તે મોડલને પણ અનુમાનપાત્ર વર્કસ્પેસ આપે છે: inputs ક્યાં શોધવા, outputs ક્યાં લખવા અને લાંબા સમય સુધી ચાલતા task દરમિયાન કામને કેવી રીતે ગોઠવેલું રાખવું.

Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop માટેના લોગોઝ.

સુરક્ષા, સ્થાયિત્વ અને સ્કેલ માટે harness ને compute થી અલગ કરવું

એજન્ટ systems ને prompt-injection અને exfiltration ના પ્રયાસોની ધારણા સાથે ડિઝાઇન કરવી જોઈએ. harness અને compute ને અલગ કરવાથી model-generated code જે environments માં ચાલે છે, ત્યાંથી credentials દૂર રાખવામાં મદદ મળે છે.

તે durable execution ને પણ સક્ષમ બનાવે છે. જ્યારે એજન્ટની state externalized હોય, ત્યારે sandbox container ગુમાવવાનો અર્થ run ગુમાવવો નથી. Built-in snapshotting અને rehydration સાથે, જો મૂળ environment નિષ્ફળ જાય અથવા expire થઈ જાય તો Agents SDK નવા container માં એજન્ટની state પુનઃસ્થાપિત કરી શકે છે અને છેલ્લી checkpoint થી આગળ વધારી શકે છે.

છેલ્લે, તે એજન્ટોને વધુ scalable બનાવે છે. Agent runs એક sandbox અથવા ઘણા sandbox નો ઉપયોગ કરી શકે છે, જરૂર પડે ત્યારે જ sandboxes invoke કરી શકે છે, subagents ને isolated environments માં route કરી શકે છે, અને ઝડપી execution માટે containers વચ્ચે કામ parallelize કરી શકે છે.

Agent SDK કેવી રીતે AI એજન્ટોને વધુ જટિલ કાર્યો માટે વધારાના compute resources નો ઉપયોગ કરવા સક્ષમ બનાવે છે તે દર્શાવતું flow diagram.
Agent SDK સાથે બનેલા AI એજન્ટ અલગ compute systems ને કેવી રીતે orchestrate કરી શકે છે તે દર્શાવતું આલેખ, જે workloads ને સ્વતંત્ર રીતે ચલાવવાની અને વધુ અદ્યતન કાર્યોને સપોર્ટ કરવાની મંજૂરી આપે છે.

કિંમત અને ઉપલબ્ધતા

આ નવી Agents SDK ક્ષમતાઓ API મારફતે બધા ગ્રાહકો માટે સામાન્ય રીતે ઉપલબ્ધ છે અને tokens તથા tool use પર આધારિત standard API pricing નો ઉપયોગ કરે છે.

આગળ શું

જેમ જેમ અમે Agents SDK નો વિકાસ ચાલુ રાખીએ છીએ, તેમ તેમ અમે ડેવલપર્સ તેના સાથે શું બનાવી શકે છે તે વિસ્તૃત કરતા રહીશું, જેથી વધુ સક્ષમ એજન્ટોને ઓછી custom infrastructure સાથે production માં લાવવું સરળ બને, અને સાથે સાથે ડેવલપર્સને એજન્ટોને તેમના પોતાના environments માં ફિટ કરવા માટે જરૂરી flexibility અને control જળવાઈ રહે.

નવું harness અને sandbox capabilities પહેલા Python માં લોન્ચ થઈ રહી છે, અને TypeScript support ભવિષ્યના રિલીઝ માટે આયોજનબદ્ધ છે. અમે code mode અને subagents સહિતની વધારાની એજન્ટ ક્ષમતાઓ Python અને TypeScript બંનેમાં લાવવા પર પણ કામ કરી રહ્યા છીએ.

તે ઉપરાંત, અમે વધુ sandbox providers, વધુ integrations અને ડેવલપર્સ SDK ને તેઓ પહેલેથી ઉપયોગ કરતા tools અને systems સાથે જોડે તેવી વધુ રીતો માટેના support સાથે, સમય જતાં વ્યાપક એજન્ટ ecosystem ને વધુ એકત્ર લાવવામાં મદદ કરવા માંગીએ છીએ.

લેખક

OpenAI

વાંચતા રહો

બધું જુઓ
Art Card 1080x1080 (3)
Better memory for a more helpful ChatGPT
Dreaming: Better memory for a more helpful ChatGPT

સંશોધન

Rosalind5.5 ArtCard
Introducing new capabilities to GPT-Rosalind

પ્રોડક્ટ

1 1 Art Card
દરેક ભૂમિકા, ટૂલ અને વર્કફ્લો માટે Codex

પ્રોડક્ટ