Preskočite na glavni sadržaj
OpenAI

15. travnja 2026.

Proizvod

Sljedeća evolucija Agents SDK-a

Ažurirani Agents SDK pomaže razvojnim inženjerima u izradi agenata koji mogu pregledavati datoteke, izvršavati naredbe, uređivati kod i raditi na dugoročnim zadacima u kontroliranim sandbox okruženjima.

Učitavanje…

Uvodimo nove mogućnosti u Agents SDK koje razvojnim inženjerima pružaju standardiziranu infrastrukturu u kojoj je jednostavno započeti raditi i koja je ispravno izrađena za modele OpenAI-ja. Ovaj se sustav temelji na modelu i omogućuje agentima rad s datotekama i alatima na računalu te izvorno izvršavanje u sandbox okruženju za sigurno obavljanje tog rada.

Na primjer, razvojni inženjeri mogu agentu osigurati kontrolirani radni prostor, dati mu jasne upute i alate potrebne za pregled dokaza.

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

Razvojnim inženjerima za izradu korisnih agenata treba više od najboljih modela — trebaju sustave koji podržavaju način na koji agenti pregledavaju datoteke, izvršavaju naredbe, pišu kod i nastavljaju raditi kroz mnogo koraka.

S današnjim sustavima morate pristati na kompromise dok timovi prelaze iz prototipova u proizvodnju. Okviri neovisni o modelu su fleksibilni, ali ne iskorištavaju u potpunosti mogućnosti graničnih modela. SDK-ovi pružatelji modela mogu biti bliži modelu, ali često nemaju dovoljnu vidljivost u sustav. A upravljani API-ji za agente mogu pojednostavniti implementaciju, ali ograničavaju gdje se agenti izvode i kako pristupaju osjetljivim podacima.

Evo što su rekli neki od korisnika koji su s nama testirali novi SDK:

„GPT-5.4 postavlja novu ljestvicu za rad u području prava s velikim brojem dokumenata. Na našoj evaluaciji BigLaw Bench postigao je rezultat od 91 %. U usporedbi s drugim modelima, GPT-5.4 trenutačno je bolji u strukturiranju složene transakcijske analize, održavanju točnosti u dugim ugovorima i pružanju visoke razine detalja koju pravni stručnjaci zahtijevaju.”
— Niko Grupen, voditelj primijenjenog istraživanja u Harveyju

Napredniji sustav za petlju agenta

Današnjim izdanjem sustav Agents SDK-a postaje bolji za agente koji rade s dokumentima, datotekama i sustavima. Sada ima prilagodljivu memoriju, orkestraciju prilagođenu sandbox okruženju, alate za datotečni sustav nalik Codexu i standardizirane integracije s osnovnim elementima koji postaju uobičajeni u naprednim agentskim sustavima.

Ti osnovni elementi uključuju korištenje alata putem MCP-a⁠(otvara se u novom prozoru), postupno otkrivanje putem vještina⁠(otvara se u novom prozoru) i prilagođene upute putem AGENTS.md⁠(otvara se u novom prozoru), izvršavanje koda pomoću alata shell⁠(otvara se u novom prozoru), uređivanje datoteka pomoću alata primjene zakrpe⁠(otvara se u novom prozoru) i još mnogo toga. Sustav će s vremenom nastaviti uključivati nove agentske obrasce i osnovne elemente kako bi razvojni inženjeri mogli trošiti manje vremena na ažuriranja osnovne infrastrukture, a više vremena na logiku specifičnu za domenu koja njihove agente čini korisnima.

Dijagram koji prikazuje kako Agents SDK povezuje korisničke unose, modele i alate za izradu AI agenata.
Dijagram koji prikazuje kako izraditi AI agente koristeći Agents SDK s modelima, alatima i orkestracijom.

Taj sustav također pomaže razvojnim inženjerima da iskoriste više mogućnosti graničnog modela usklađivanjem izvršavanja s načinom na koji ti modeli najbolje funkcioniraju. To agente zadržava bliže prirodnom obrascu rada modela, što poboljšava pouzdanost i učinkovitost pri složenim zadacima — osobito kada je riječ o dugotrajnom radu koji se koordinira kroz raznolik skup alata i sustava.

Osim toga, razumijemo da je svaki proizvod jedinstven i da se rijetko uredno uklapa u kalup. Osmislili smo Agents SDK kako bi podržao tu raznolikost. Razvojni inženjeri dobivaju sustav koji je spreman za upotrebu, a ipak fleksibilan — što olakšava prilagodbu sustava njihovom tehnološkom skupu — uključujući upotrebu alata, memoriju i sandbox okruženje.

Ugrađeno izvršavanje u sandboxu

Ažurirani Agents SDK izvorno podržava izvršavanje u sandbox okruženju tako da agenti s datotekama, alatima i ovisnostima koje su im potrebne za zadatak mogu raditi u kontroliranim računalnim okruženjima.

Mnogim korisnim agentima potreban je radni prostor u kojem mogu čitati i zapisivati datoteke, instalirati ovisnosti, pokretati kod i sigurno koristiti alate. Ugrađena podrška za sandbox omogućuje razvojnim inženjerima korištenje izvršnog sloja odmah, bez potrebe da ga sami sastavljaju.

Razvojni inženjeri mogu koristiti vlastiti sandbox ili ugrađenu podršku za Blaxel, Cloudflare, Daytonu, E2B, Modal, Runloop i Vercel.

Kako bi ta okruženja bila prenosiva među pružateljima, SDK uvodi i apstrakciju manifesta za opisivanje radnog prostora agenta. Razvojni inženjeri mogu mountati lokalne datoteke, definirati izlazne direktorije i uvoziti podatke od pružatelja usluga pohrane, uključujući AWS S3, Google Cloud Storage, Azure Blob Storage i Cloudflare R2.

To razvojnim inženjerima omogućuje dosljedan način za oblikovanje okruženja agenta od lokalnog prototipa do produkcijske implementacije. To modelu također daje predvidljiv radni prostor, zna gdje pronaći ulazne podatke, gdje upisivati izlazne podatke i kako održavati rad organiziranim tijekom dugotrajnog zadatka.

Logotipovi za Daytonu, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop

Odvajanje sustava od modela radi sigurnosti, trajnosti i skalabilnosti

Agentski sustavi trebaju biti dizajnirani uz pretpostavku pokušaja ubrizgavanja upita i izvlačenja podataka. Odvajanje sustava i modela pomaže u zadržavanju vjerodajnica izvan okruženja u kojima se izvršava kod koji generira model.

Također omogućuje trajno izvršavanje. Kada je stanje agenta eksternalizirano, gubitak sandbox okruženja ne znači gubitak napretka. Uz ugrađeno bilježenje stanja i rehidraciju, Agents SDK može vratiti stanje agenta u novom okruženju i nastaviti od posljednje kontrolne točke ako izvorno okruženje zakaže ili istekne.

Naposljetku, omogućuje veću skalabilnost agenata. Pokretanja agenata mogu koristiti jedan sandbox ili više njih, pokretati sandboxe samo kada su potrebni, usmjeravati podagente u izolirana okruženja i paralelizirati rad u više okruženja radi bržeg izvršavanja.

Dijagram tijeka koji prikazuje kako Agents SDK omogućuje AI agentima upotrebu dodatnih računalnih resursa za složenije zadatke.
Dijagram koji prikazuje kako AI agenti izrađeni pomoću Agents SDK-a mogu orkestrirati zasebne računalne sustave, što omogućava neovisno izvođenje radnih opterećenja uz podršku za naprednije zadatke.

Određivanje cijene i dostupnost

Nove mogućnosti Agents SDK-a općenito su dostupne svim korisnicima putem API-ja uz primjenu standardnih cijena API-ja temeljenih na tokenima i upotrebi alata.

Što je sljedeće

Kako budemo dalje razvijali Agents SDK, nastavit ćemo proširivati ono što razvojni inženjeri mogu izgraditi s njime olakšavajući uvođenje sposobnijih agenata u produkciju uz manje prilagođenu infrastrukturu te uz očuvanje fleksibilnosti i kontrole koje su razvojnim inženjerima potrebne kako bi uklopili agente u vlastita okruženja.

Nove mogućnosti sustava i sandboxa najprije se uvode za Python, dok je podrška za TypeScript planirana za buduće izdanje. Također radimo na tome da u Python i TypeScript uvedemo dodatne mogućnosti agenta, uključujući način rada za kodiranje i podagente.

Osim toga, s vremenom želimo pomoći okupiti širi agentski ekosustav uz podršku za više pružatelja sandbox okruženja, više integracija i više načina na koje razvojni inženjeri mogu uključiti SDK u alate i sustave koje već koriste.

Autor

OpenAI

Nastavite čitati

Prikaži sve
Spend Controls_Artcard.png
New usage analytics and updated spend controls for enterprises

Proizvod

1x1 Health Art 1
Poboljšanje inteligencije ChatGPT-a u području zdravlja

Proizvod

Intro-OAI-Partner-ArtCard
Predstavljamo OpenAI-jevu mrežu partnera

Proizvod