გადადით მთავარ შინაარსზე
OpenAI

15 აპრილი, 2026

პროდუქტი

Agents SDK-ის შემდეგი ევოლუცია

განახლებული Agents SDK დეველოპერებს ეხმარება ააშენონ აგენტები, რომლებსაც შეუძლიათ ფაილების შემოწმება, ბრძანებების გაშვება, კოდის რედაქტირება და გრძელვადიან ამოცანებზე მუშაობა კონტროლირებად sandbox გარემოებში.

იტვირთება…

ჩვენ წარმოგიდგენთ Agents SDK-ის ახალ შესაძლებლობებს, რომლებიც დეველოპერებს აძლევს სტანდარტიზებულ ინფრასტრუქტურას, რომლითაც დაწყება მარტივია და რომელიც სწორად არის აგებული OpenAI მოდელებისთვის: მოდელზე ბუნებრივად მორგებულ harness-ს, რომელიც აგენტებს საშუალებას აძლევს კომპიუტერზე ფაილებსა და ხელსაწყოებს შორის იმუშაონ, ასევე native sandbox შესრულებას ამ სამუშაოს უსაფრთხოდ გასაშვებად.

მაგალითად, დეველოპერებს შეუძლიათ აგენტს მისცენ კონტროლირებადი სამუშაო სივრცე, მკაფიო ინსტრუქციები და მტკიცებულებების შესამოწმებლად საჭირო ხელსაწყოები:

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

სასარგებლო აგენტების ასაშენებლად დეველოპერებს მხოლოდ საუკეთესო მოდელები არ სჭირდებათ — მათ სჭირდებათ სისტემები, რომლებიც მხარს უჭერს იმას, თუ როგორ ამოწმებენ აგენტები ფაილებს, უშვებენ ბრძანებებს, წერენ კოდს და მუშაობას მრავალი ნაბიჯის განმავლობაში აგრძელებენ.

დღეს არსებული სისტემები კომპრომისებს მოითხოვს, როცა გუნდები პროტოტიპებიდან წარმოებაში გადადიან. მოდელისგან დამოუკიდებელი framework-ები მოქნილია, მაგრამ სრულად ვერ იყენებს მოწინავე მოდელების შესაძლებლობებს; მოდელის პროვაიდერის SDK-ები შეიძლება მოდელთან უფრო ახლოს იყოს, მაგრამ ხშირად არ იძლევა საკმარის ხილვადობას harness-ში; ხოლო მართული აგენტების API-ები დეპლოიმენტს ამარტივებს, მაგრამ ზღუდავს სად ეშვებიან აგენტები და როგორ იღებენ წვდომას სენსიტიურ მონაცემებზე.

აი, რას ამბობდნენ ზოგიერთი კლიენტი, რომელმაც ჩვენთან ერთად ახალი SDK გამოსცადა:

„განახლებულმა Agents SDK-მ მოგვცა საშუალება, საწარმოო დონეზე ავტომატიზაცია გაგვეკეთებინა კრიტიკული კლინიკური ჩანაწერების სამუშაო ნაკადისთვის, რომელსაც წინა მიდგომები საკმარისად სანდოდ ვერ უმკლავდებოდა. ჩვენთვის განსხვავება მხოლოდ სწორი მეტამონაცემების ამოღება არ იყო, არამედ გრძელ და რთულ ჩანაწერებში თითოეული ვიზიტის საზღვრების სწორად გაგებაც. შედეგად, შეგვიძლია უფრო სწრაფად გავიგოთ, რა ხდება თითოეული პაციენტისთვის კონკრეტული ვიზიტის დროს, დავეხმაროთ წევრებს მოვლის საჭიროებებში და გავაუმჯობესოთ მათთან ურთიერთობის გამოცდილება.“
— Oscar Health

უფრო შესაძლებლობიანი harness აგენტის ციკლისთვის

დღევანდელი რელიზით, Agents SDK-ის harness უფრო შესაძლებლობიანი ხდება იმ აგენტებისთვის, რომლებიც მუშაობენ დოკუმენტებთან, ფაილებთან და სისტემებთან. მას ახლა ემატება კონფიგურირებადი მეხსიერება, sandbox-aware ორკესტრაცია, Codex-ის მსგავსი ფაილური სისტემის ხელსაწყოები და სტანდარტიზებული ინტეგრაციები პრიმიტივებთან, რომლებიც მოწინავე აგენტურ სისტემებში სულ უფრო გავრცელებულია.

ეს primatives მოიცავს ხელსაწყოების გამოყენებას MCP⁠(იხსნება ახალ ფანჯარაში)-ის საშუალებით, ეტაპობრივ გახსნას skills⁠(იხსნება ახალ ფანჯარაში)-ის საშუალებით, custom ინსტრუქციებს AGENTS.md⁠(იხსნება ახალ ფანჯარაში)-ის საშუალებით, კოდის შესრულებას shell⁠(იხსნება ახალ ფანჯარაში) ხელსაწყოს გამოყენებით, ფაილების რედაქტირებას apply patch⁠(იხსნება ახალ ფანჯარაში) ხელსაწყოს გამოყენებით და სხვა მრავალს. დროთა განმავლობაში harness გააგრძელებს ახალი აგენტური პატერნებისა და პრიმიტივების დამატებას, რათა დეველოპერებმა ნაკლები დრო დახარჯონ ძირითადი ინფრასტრუქტურის განახლებებზე და მეტი — დომენისთვის სპეციფიკურ ლოგიკაზე, რაც მათ აგენტებს რეალურად გამოსადეგს ხდის.

დიაგრამა, რომელიც აჩვენებს, როგორ აკავშირებს Agent SDK მომხმარებლის შეყვანას, მოდელებსა და ხელსაწყოებს AI აგენტების ასაშენებლად.
დიაგრამა, რომელიც აჩვენებს, როგორ უნდა აშენდეს AI აგენტები Agent SDK-ის გამოყენებით, მოდელებით, ხელსაწყოებით და ორკესტრაციით.

harness ასევე ეხმარება დეველოპერებს უფრო მეტად გახსნან მოწინავე მოდელის შესაძლებლობები, შესრულების იმგვარად მორგებით, როგორც ეს მოდელები საუკეთესოდ მუშაობენ. ეს აგენტებს უფრო ახლოს ამყოფებს მოდელის ბუნებრივ ოპერაციულ პატერნთან, რაც აუმჯობესებს სანდოობასა და წარმადობას რთულ ამოცანებზე — განსაკუთრებით მაშინ, როცა სამუშაო ხანგრძლივია ან მრავალფეროვან ხელსაწყოებსა და სისტემებს შორის არის კოორდინირებული.

ამასთან, გვესმის, რომ თითოეული პროდუქტი უნიკალურია და იშვიათად თავსდება ერთიან ყალიბში. სწორედ ამიტომ დავაპროექტეთ Agents SDK ისე, რომ ეს მრავალფეროვნება დაეჭირა. დეველოპერები იღებენ harness-ს, რომელიც მზა გამოსაყენებელია, მაგრამ ამავე დროს მოქნილიც — რაც აადვილებს მის მორგებას საკუთარ სტეკზე — მათ შორის ხელსაწყოების გამოყენებაზე, მეხსიერებაზე და sandbox გარემოზე.

Native sandbox შესრულება

განახლებული Agents SDK native დონეზე უჭერს მხარს sandbox შესრულებას, ასე რომ აგენტებს შეუძლიათ გაშვება კონტროლირებად კომპიუტერულ გარემოებში იმ ფაილებით, ხელსაწყოებითა და დამოკიდებულებებით, რომლებიც ამოცანისთვის სჭირდებათ.

ბევრ სასარგებლო აგენტს სჭირდება სამუშაო სივრცე, სადაც მას შეუძლია ფაილების წაკითხვა და ჩაწერა, დამოკიდებულებების დაყენება, კოდის გაშვება და ხელსაწყოების უსაფრთხოდ გამოყენება. Native sandbox მხარდაჭერა დეველოპერებს ამ შესრულების ფენას პირდაპირ აძლევს, იმის ნაცვლად, რომ მისი აწყობა თავად მოუწიოთ.

დეველოპერებს შეუძლიათ მოიტანონ საკუთარი sandbox ან გამოიყენონ ჩაშენებული მხარდაჭერა Blaxel-ისთვის, Cloudflare-ისთვის, Daytona-სთვის, E2B-ისთვის, Modal-ისთვის, Runloop-ისთვის და Vercel-ისთვის.

იმისთვის, რომ ეს გარემოები პროვაიდერებს შორის პორტაბელური იყოს, SDK ასევე შემოაქვს Manifest აბსტრაქცია აგენტის სამუშაო სივრცის აღსაწერად. დეველოპერებს შეუძლიათ დაამაუნტონ ლოკალური ფაილები, განსაზღვრონ output დირექტორიები და შემოიტანონ მონაცემები storage პროვაიდერებიდან, მათ შორის AWS S3-დან, Google Cloud Storage-დან, Azure Blob Storage-დან და Cloudflare R2-დან.

ეს დეველოპერებს აძლევს თანმიმდევრულ გზას, ჩამოაყალიბონ აგენტის გარემო ლოკალური პროტოტიპიდან საწარმოო განთავსებამდე. ეს ასევე აძლევს მოდელს პროგნოზირებად სამუშაო სივრცეს: სად იპოვოს შეყვანები, სად ჩაწეროს გამოსავლები და როგორ შეინარჩუნოს სამუშაოს ორგანიზება ხანგრძლივი ამოცანის განმავლობაში.

Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop-ის ლოგოები

უსაფრთხოების, გამძლეობისა და მასშტაბისთვის harness-ის გამოთვლითი ნაწილისგან გამიჯვნა

აგენტური სისტემები ისე უნდა იყოს დაპროექტებული, რომ მოთხოვნის ინექციისა და მონაცემთა გაჟონვის მცდელობები ნაგულისხმევად იყოს გათვალისწინებული. harness-ისა და compute-ის გამიჯვნა ხელს უწყობს სერთიფიკატების მოშორებით შენარჩუნებას იმ გარემოებიდან, სადაც მოდელის მიერ გენერირებული კოდი სრულდება.

ეს ასევე იძლევა გამძლე შესრულებას. როდესაც აგენტის მდგომარეობა გარეთ არის გატანილი, sandbox კონტეინერის დაკარგვა არ ნიშნავს გაშვების დაკარგვას. ჩაშენებული snapshotting-ისა და rehydration-ის დახმარებით, Agents SDK-ს შეუძლია აღადგინოს აგენტის მდგომარეობა ახალ კონტეინერში და გააგრძელოს ბოლო checkpoint-დან, თუ საწყისი გარემო ვერ იმუშავებს ან ვადა გაუვა.

და ბოლოს, ეს აგენტებს უფრო მასშტაბურს ხდის. აგენტის გაშვებებს შეუძლია გამოიყენოს ერთი sandbox ან ბევრი, sandbox-ები მხოლოდ საჭიროებისას გამოიძახოს, ქვეაგენტები იზოლირებულ გარემოებში გადაამისამართოს და უფრო სწრაფი შესრულებისთვის კონტეინერებს შორის პარალელურად გადაანაწილოს სამუშაო.

ნაკადის დიაგრამა, რომელიც აჩვენებს, როგორ აძლევს Agent SDK AI აგენტებს უფრო რთული ამოცანებისთვის დამატებითი გამოთვლითი რესურსების გამოყენების შესაძლებლობას.
დიაგრამა, რომელიც აჩვენებს, როგორ შეუძლიათ Agent SDK-ით შექმნილ AI აგენტებს ცალკეული გამოთვლითი სისტემების ორკესტრაცია, რაც დატვირთვების დამოუკიდებლად გაშვების საშუალებას იძლევა და უფრო რთულ ამოცანებსაც უჭერს მხარს.

ფასები და ხელმისაწვდომობა

Agents SDK-ის ეს ახალი შესაძლებლობები ზოგადად ხელმისაწვდომია ყველა კლიენტისთვის API-ის მეშვეობით და იყენებს API-ის სტანდარტულ ფასდადებას, token-ებისა და ხელსაწყოების გამოყენების საფუძველზე.

რა არის შემდეგი

როგორც ვაგრძელებთ Agents SDK-ის განვითარებას, ასევე გავაგრძელებთ იმის გაფართოებას, თუ რისი აშენება შეუძლიათ დეველოპერებს მისი დახმარებით, რათა უფრო შესაძლებლობიანი აგენტების წარმოებაში მოყვანა ნაკლები custom ინფრასტრუქტურით გამარტივდეს და ამავე დროს შენარჩუნდეს ის მოქნილობა და კონტროლი, რომელიც დეველოპერებს სჭირდებათ აგენტების საკუთარ გარემოებში მოსარგებად.

ახალი harness-ისა და sandbox შესაძლებლობების გაშვება პირველად Python-ში ხდება, ხოლო TypeScript-ის მხარდაჭერა მომავალი რელიზისთვის არის დაგეგმილი. ჩვენ ასევე ვმუშაობთ იმაზე, რომ დამატებითი აგენტური შესაძლებლობები, მათ შორის code mode და ქვეაგენტები, როგორც Python-ში, ისე TypeScript-ში მოვიტანოთ.

ამასთან, გვინდა დროთა განმავლობაში უფრო ფართო აგენტური ეკოსისტემის გაერთიანებასაც შევუწყოთ ხელი — მეტი sandbox პროვაიდერის, მეტი ინტეგრაციისა და მეტი გზის მხარდაჭერით, რათა დეველოპერებმა SDK იმ ხელსაწყოებსა და სისტემებს დაუკავშირონ, რომლებსაც უკვე იყენებენ.

ავტორი

OpenAI

განაგრძეთ კითხვა

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

კვლევა

Rosalind5.5 ArtCard
Introducing new capabilities to GPT-Rosalind

პროდუქტი

1 1 Art Card
Codex ყველა როლის, ინსტრუმენტისა და სამუშაო პროცესისთვის

პროდუქტი