Pāriet uz galveno saturu
OpenAI

2026. gada 15. aprīlis

Produkts

Aģentu SDK nākamā paaudze

Atjauninātais Aģentu SDK palīdz izstrādātājiem veidot aģentus, kas var analizēt failus, izpildīt komandas, rediģēt kodu un strādāt ar ilgtermiņa uzdevumiem kontrolētās, izmēģināšanas vidēs.

Notiek ielāde…

Mēs ieviešam jaunas iespējas Aģentu SDK, kas izstrādātājiem nodrošina standartizētu infrastruktūru – viegli uzsākamu un pareizi pielāgotu darbam ar OpenAI modeļiem: modelim pielāgotu ietvaru, kas ļauj aģentiem strādāt ar failiem un rīkiem datorā, kā arī iebūvētu izmēģināšanas vides izpildi, lai šo darbu veiktu droši.

Piemēram, izstrādātāji var piešķirt aģentam kontrolētu darbvietu, skaidras instrukcijas un nepieciešamos rīkus pierādījumu analīzei:

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

Lai izveidotu patiesi noderīgus aģentus, izstrādātājiem nepietiek tikai ar labākajiem modeļiem – ir nepieciešamas arī sistēmas, kas atbalsta to, kā aģenti analizē failus, izpilda komandas, raksta kodu un turpina darbu vairākos secīgos soļos.

Mūsdienās pieejamajām sistēmām ir savi kompromisi, komandām pārejot no prototipiem uz produkcijas risinājumiem. No modeļa neatkarīgi ietvari ir elastīgi, taču pilnībā neizmanto robežšķirtnes modeļu iespējas; modeļu nodrošinātāju SDK var būt ciešāk integrēti ar pašu modeli, bet bieži vien trūkst pietiekamas pārskatāmības par ietvara darbību; savukārt pārvaldītās aģentu API vienkāršo ieviešanu, bet ierobežo to, kur aģenti darbojas un kā tie piekļūst sensitīviem datiem.

Lūk, ko par jauno SDK saka daži klienti, kuri to testēja kopā ar mums:

"GPT-5.4 nosaka jaunu standartu juridiskajam darbam, kas saistīts ar lielu dokumentu apjomu. Mūsu BigLaw Bench novērtējuma testā tas sasniedza 91%. Salīdzinājumā ar citiem modeļiem GPT-5.4 pašlaik labāk strukturē sarežģītu darījumu analīzi, saglabā precizitāti garos līgumos un nodrošina augstu detalizācijas līmeni, kas nepieciešams juridiskās prakses speciālistiem.”
— Niko Grupens, Harvey praktiskās pētniecības vadītājs

Jaudīgāks ietvars aģenta darbības ciklam

Ar šo laidienu Aģentu SDK ietvars kļūst jaudīgāks aģentiem, kas strādā ar dokumentiem, failiem un sistēmām. Tas tagad piedāvā konfigurējamu atmiņu, izmēģināšanas videi pielāgotu orķestrāciju, Codex līdzīgus failu sistēmas rīkus un standartizētas integrācijas ar pamatkomponentēm, kas kļūst arvien izplatītākas robežšķirtnes aģentu sistēmās.

Šīs pamatiespējas ietver rīku izmantošanu ar MCP⁠(atveras jaunā logā), pakāpenisku informācijas atklāšanu ar prasmēm⁠(atveras jaunā logā), pielāgotas instrukcijas ar AGENTS.md⁠(atveras jaunā logā), koda izpildi, izmantojot čaulas⁠(atveras jaunā logā) rīku, failu rediģēšanu ar piemērot ielāpu⁠(atveras jaunā logā) rīku un citas iespējas. Laika gaitā ietvars turpinās iekļaut jaunus aģentu darbības modeļus un pamatkomponentes, lai izstrādātāji varētu mazāk laika veltīt infrastruktūras uzturēšanai un vairāk laika konkrētās jomas loģikai, kas padara aģentus patiesi noderīgus.

Diagramma, kas parāda, kā Aģentu SDK savieno lietotāja ievadi, modeļus un rīkus, lai veidotu MI aģentus.
Diagramma, kas parāda, kā veidot mākslīgā intelekta aģentus ar Aģentu SDK, izmantojot modeļus, rīkus un orķestrāciju.

Ietvars arī palīdz izstrādātājiem pilnvērtīgāk izmantot robežšķirtnes modeļu iespējas, pielāgojot izpildi tam, kā šie modeļi darbojas visefektīvāk. Tas uztur aģentus tuvāk modeļa dabiskajam darbības veidam, uzlabojot uzticamību un veiktspēju sarežģītos uzdevumos – īpaši gadījumos, kad darbs ir ilgstošs vai koordinēts starp dažādiem rīkiem un sistēmām.

Turklāt mēs apzināmies, ka katrs produkts ir unikāls un reti iekļaujas vienā standartā. Tāpēc Aģentu SDK ir izstrādāts, lai atbalstītu šo dažādību. Izstrādātāji iegūst gatavu, bet vienlaikus elastīgu ietvaru, ko var viegli pielāgot savai tehnoloģiju videi – tostarp rīku izmantošanai, atmiņai un izmēģināšanas vidēm.

Vietējā izmēģināšanas vides izpilde

Atjauninātais Aģentu SDK nodrošina iebūvētu izmēģināšanas vides izpildi, ļaujot aģentiem darboties kontrolētās skaitļošanas vidēs ar visiem uzdevuma veikšanai nepieciešamajiem failiem, rīkiem un atkarībām.

Daudziem noderīgiem aģentiem ir nepieciešama darbvieta, kurā tie var droši lasīt un rakstīt failus, instalēt atkarības, izpildīt kodu un izmantot rīkus. Iebūvēts izmēģināšanas vides atbalsts izstrādātājiem nodrošina šo izpildes slāni jau gatavu, nevis liek to veidot pašiem no atsevišķām daļām.

Izstrādātāji var izmantot savu izmēģināšanas vidi vai arī iebūvēto atbalstu tādiem risinājumiem kā Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop un Vercel.

Lai šīs vides būtu pārnesamas starp dažādiem pakalpojumu sniedzējiem, SDK ievieš arī deklarācijas abstrakciju aģenta darbvietas aprakstam. Izstrādātāji var pievienot lokālos failus, definēt izvades direktorijas un izmantot datus no tādiem krātuves pakalpojumiem kā AWS S3, Google Cloud Storage, Azure Blob Storage un Cloudflare R2.

Tas nodrošina izstrādātājiem vienotu pieeju aģenta darba vides veidošanai: no lokāla prototipa līdz produkcijas izvietošanai. Tas arī sniedz modelim paredzamu darbvietu: kur atrast ievades datus, kur saglabāt rezultātus un kā uzturēt kārtību ilgstoša uzdevuma izpildes laikā.

Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel un Runloop logotipi

Ietvara un skaitļošanas resursu nodalīšana drošībai, uzticamībai un mērogojamībai

Aģentu sistēmas jāizstrādā, pieņemot, ka iespējami uzvedņu injekcijas un datu noplūdes mēģinājumi. Ietvara un skaitļošanas resursu nodalīšana palīdz nepakļaut piekļuves datus riskam vidēs, kur tiek izpildīts modeļa ģenerēts kods.

Tas arī nodrošina noturīgu izpildi. Ja aģenta stāvoklis tiek glabāts ārpus izpildes vides, izmēģināšanas vides konteinera zaudēšana nenozīmē visa procesa zaudēšanu. Izmantojot iebūvētu momentuzņēmumu veidošanu un stāvokļa atjaunošanu, Aģentu SDK var atjaunot aģenta stāvokli jaunā konteinerā un turpināt darbu no pēdējā kontrolpunkta, ja sākotnējā vide pārstāj darboties vai tās darbības laiks beidzas.

Visbeidzot, tas padara aģentus vieglāk mērogojamus. Aģentu izpilde var izmantot vienu vai vairākas izmēģināšanas vides, tās tiek aktivizētas tikai tad, kad nepieciešams, apakšagentus var novirzīt uz izolētām vidēm un paralēli veikt darbu sadali starp konteineriem, lai paātrinātu izpildi.

Plūsmas diagramma, kas ilustrē, kā Aģentu SDK ļauj MI aģentiem izmantot papildu skaitļošanas resursus sarežģītāku uzdevumu veikšanai.
Diagramma, kas attēlo, kā ar Aģentu SDK izveidotie MI aģenti var koordinēt atsevišķas skaitļošanas sistēmas, ļaujot uzdevumiem darboties neatkarīgi un vienlaikus nodrošinot sarežģītāku uzdevumu izpildi.

Izcenojums un pieejamība

Šīs jaunās Aģentu SDK iespējas ir vispārpieejamas visiem klientiem caur API un tiek piemērota standarta API cenu politika, balstoties uz tekstvienību patēriņu un rīku izmantošanu.

Kas būs tālāk?

Turpinot attīstīt Aģentu SDK, mēs paplašināsim to, ko izstrādātāji ar to var izveidot, padarot vienkāršāku jaudīgāku aģentu ieviešanu produkcijā ar mazāku pielāgotas infrastruktūras apjomu, vienlaikus saglabājot elastību un kontroli, kas nepieciešama, lai aģentus integrētu savā vidē.

Jaunās ietvara un izmēģināšanas vides iespējas sākotnēji tiek ieviestas Python vidē, bet TypeScript atbalsts plānots nākamajos laidienos. Mēs arī strādājam pie papildu aģentu iespēju ieviešanas, tostarp koda režīma un apakšaģentiem, gan Python, gan TypeScript vidēs.

Turklāt mēs vēlamies laika gaitā veicināt plašākas aģentu ekosistēmas attīstību, ar atbalstu vēl vairāk izmēģināšanas vides nodrošinātājiem, papildu integrācijām un jaunām iespējām, kā izstrādātāji var savienot SDK ar jau izmantotajiem rīkiem un sistēmām.

Autors

OpenAI

Turpināt lasīt

Skatīt visu
Spend Controls_Artcard.png
Jauna lietojuma analītika, atjaunotas tēriņu kontroles uzņēmumiem

Produkts

1x1 Health Art 1
Veselības intelekta uzlabošana ChatGPT

Produkts

Intro-OAI-Partner-ArtCard
Iepazīstinām ar OpenAI partneru tīklu

Produkts