Liwati menyang isi utama
OpenAI

15 April 2026

Produk

Evolusi sabanjure saka Agents SDK

Agents SDK sing dianyari mbantu developer mbangun agen sing bisa mriksa file, mbukak perintah, nyunting kode, lan nggarap tugas jangka dawa ing lingkungan sandbox sing dikontrol.

Lagi dimuat…

Kami ngenalake kapabilitas anyar kanggo Agents SDK sing menehi developer infrastruktur standar sing gampang diwiwiti lan dibangun kanthi bener kanggo model OpenAI: harness native-model sing ngidini agen kerja ing macem-macem file lan alat ing komputer, plus eksekusi sandbox native kanggo mbukak karya kasebut kanthi aman.

Contone, developer bisa menehi agen papan kerja sing dikontrol, instruksi sing jelas, lan alat sing dibutuhake kanggo mriksa bukti:

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

Developer butuh luwih saka mung model paling apik kanggo mbangun agen sing migunani—dheweke butuh sistem sing ndhukung cara agen mriksa file, mbukak perintah, nulis kode, lan terus kerja liwat akeh langkah.

Sistem sing ana saiki nduweni tradeoff nalika tim pindhah saka prototipe menyang produksi. Framework model-agnostic iku fleksibel nanging ora nggunakke kanthi kebak kapabilitas model tercanggih; SDK provider model bisa luwih cedhak karo model nanging asring kurang visibilitas menyang harness; lan API agen terkelola bisa nyederhanakake deployment nanging mbatesi panggonan agen mlaku lan carane ngakses data sensitif.

Iki sing diomongake sawetara pelanggan sing nyoba SDK anyar iki bareng kami:

“Agents SDK sing dianyari ndadekake iki layak kanggo produksi kanggo ngotomatisasi alur kerja rekam klinis kritis sing pendekatan sadurunge ora bisa tangani kanthi cukup andal. Kanggo kami, bedane ora mung ngekstrak metadata sing bener, nanging uga ngerti kanthi pas wates saben encounter ing rekam dawa lan kompleks. Asile, kami bisa luwih cepet mangerteni apa sing kedadeyan kanggo saben pasien ing kunjungan tartamtu, mbantu anggota karo kabutuhan perawatane lan ningkatake pengalaman karo kami.”
— Oscar Health

Harness sing luwih mumpuni kanggo loop agen

Kanthi rilis dina iki, harness Agents SDK dadi luwih mumpuni kanggo agen sing kerja karo dokumen, file, lan sistem. Saiki iki nambah memori sing bisa dikonfigurasi, orkestrasi sing sadar sandbox, alat filesystem gaya Codex, lan integrasi standar karo primitive sing saya umum ing sistem agen tercanggih.

Primitive iki kalebu panggunaan alat liwat MCP⁠(mbukak ing jendhela anyar), progressive disclosure liwat skills⁠(mbukak ing jendhela anyar), instruksi kustom liwat AGENTS.md⁠(mbukak ing jendhela anyar), eksekusi kode nggunakake alat shell⁠(mbukak ing jendhela anyar), panyuntingan file nggunakake alat apply patch⁠(mbukak ing jendhela anyar), lan liya-liyane. Harness bakal terus nggabungake pola lan primitive agentic anyar saka wektu ke wektu, supaya developer bisa ngentekake wektu luwih sithik kanggo update infrastruktur inti lan luwih akeh kanggo logika spesifik domain sing ndadekake agen migunani.

Diagram sing nuduhake carane Agent SDK nyambungake input pangguna, model, lan alat kanggo mbangun agen AI.
Diagram sing nuduhake carane mbangun agen AI nganggo Agent SDK karo model, alat, lan orkestrasi.

Harness uga mbantu developer mbukak luwih akeh kapabilitas model tercanggih kanthi nyelarasake eksekusi karo cara model kasebut nindakake paling apik. Iki njaga agen luwih cedhak karo pola operasi alami model, ningkatake linuwih lan kinerja ing tugas kompleks—utamane nalika karya mlaku suwe utawa dikoordinasi ing macem-macem alat lan sistem.

Saliyane kuwi, kami ngerti saben produk iku unik lan arang pas mlebu cetakan tartamtu. Kami ngrancang Agents SDK kanggo ndhukung keragaman iki. Developer entuk harness sing siap pakai nanging tetep fleksibel—gampang diadaptasi menyang stack dhewe—kalebu panggunaan alat, memori, lan lingkungan sandbox.

Eksekusi sandbox native

Agents SDK sing dianyari ndhukung eksekusi sandbox kanthi native, supaya agen bisa mlaku ing lingkungan komputer sing dikontrol karo file, alat, lan dependensi sing dibutuhake kanggo sawijining tugas.

Akeh agen sing migunani butuh papan kerja kanggo maca lan nulis file, nginstal dependensi, mbukak kode, lan nggunakake alat kanthi aman. Dhukungan sandbox native menehi developer lapisan eksekusi kasebut langsung, tinimbang meksa dheweke ngrakit dhewe.

Developer bisa nggawa sandbox dhewe utawa nggunakake dhukungan bawaan kanggo Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop, lan Vercel.

Kanggo nggawe lingkungan kasebut portabel antarprovider, SDK uga ngenalake abstraksi manifest kanggo njlentrehake papan kerja agen. Developer bisa masang file lokal, nemtokake direktori output, lan nggawa data saka provider panyimpenan kalebu AWS S3, Google Cloud Storage, Azure Blob Storage, lan Cloudflare R2.

Iki menehi developer cara sing konsisten kanggo mbentuk lingkungan agen saka prototipe lokal nganti deployment produksi. Iki uga menehi model papan kerja sing bisa diprediksi: ing endi nemokake input, ing endi nulis output, lan carane njaga karya tetep teratur sajrone tugas sing mlaku suwe.

Logo kanggo Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop

Misahake harness saka komputasi kanggo keamanan, daya tahan, lan skala

Sistem agen kudu dirancang kanthi asumsi ana upaya prompt-injection lan exfiltration. Misahake harness lan komputasi mbantu njaga kredensial supaya ora ana ing lingkungan panggonan kode sing digawe model dieksekusi.

Iki uga ndadekake eksekusi tahan suwe. Nalika state agen dieksternalisasi, ilangé kontainer sandbox ora ateges ilangé run. Kanthi snapshotting lan rehidrasi bawaan, Agents SDK bisa mulihake state agen ing kontainer anyar lan nerusake saka checkpoint pungkasan yen lingkungan asli gagal utawa kadaluwarsa.

Pungkasan, iki ndadekake agen luwih bisa diskalakake. Run agen bisa nggunakake siji sandbox utawa akeh, mung manggil sandbox nalika dibutuhake, ngerutekake subagen menyang lingkungan terisolasi, lan memparalelake karya ing antar kontainer kanggo eksekusi luwih cepet.

Diagram alur sing nerangake carane Agent SDK ngidini agen AI nggunakake sumber daya komputasi tambahan kanggo tugas sing luwih kompleks.
Diagram sing nggambarake carane agen AI sing dibangun nganggo Agent SDK bisa ngorkestrasi sistem komputasi kapisah, supaya beban kerja bisa mlaku mandiri nalika ndhukung tugas sing luwih maju.

Rega lan kasedhiyan

Kapabilitas Agents SDK anyar iki umume wis kasedhiya kanggo kabeh pelanggan liwat API lan nggunakake rega API standar, adhedhasar token lan panggunaan alat.

Sabanjure apa

Nalika kami terus ngembangake Agents SDK, kami bakal terus nggedhekake apa wae sing bisa dibangun developer nganggo iki, supaya luwih gampang nggawa agen sing luwih mumpuni menyang produksi kanthi infrastruktur kustom sing luwih sithik, nalika tetep njaga fleksibilitas lan kontrol sing dibutuhake developer supaya agen cocog karo lingkungan dhewe.

Kapabilitas harness lan sandbox anyar iki diluncurake luwih dhisik ing Python, kanthi dhukungan TypeScript direncanakake kanggo rilis mbesuk. Kami uga lagi kerja kanggo nggawa kapabilitas agen tambahan, kalebu mode kode lan subagen, menyang Python lan TypeScript.

Saliyane kuwi, kami pengin mbantu nyawijikake ekosistem agen sing luwih amba saka wektu ke wektu, kanthi dhukungan kanggo luwih akeh provider sandbox, luwih akeh integrasi, lan luwih akeh cara supaya developer bisa nyolokake SDK menyang alat lan sistem sing wis digunakake.

Pangarang

OpenAI

Terus maca

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

Riset

Rosalind5.5 ArtCard
Introducing new capabilities to GPT-Rosalind

Produk

1 1 Art Card
Codex kanggo saben peran, piranti, lan alur kerja

Produk