Прескокни до главната содржина
OpenAI

15 април 2026 г.

Производ

Следната еволуција на Agents SDK

Ажурираниот SDK за агенти им помага на програмерите да создаваат агенти кои можат да проверуваат датотеки, извршуваат команди, уредуваат код и работат на долгорочни задачи во контролирани средини за тестирање.

Се вчитува...

Воведуваме нови можности во Agents SDK што им обезбедуваат на програмерите стандардизирана инфраструктура која е лесна за користење и правилно изградена за моделите на OpenAI: рамковно опкружување природно за моделите, кое им овозможува на агентите да работат со датотеки и алатки на компјутер, како и природно извршување во средина за тестирање за безбедно извршување на задачите.

На пример, програмерите можат да му дадат на агентот контролиран работен простор, експлицитни инструкции и алатките што му се потребни за да ги испита доказите:

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

На програмерите им треба повеќе од најдобрите модели за да создадат корисни агенти – потребни им се системи што поддржуваат како агентите ги проверуваат датотеките, извршуваат команди, пишуваат код и продолжуваат да работат низ многу чекори.

Системите што постојат денес имаат свои компромиси, особено кога тимовите преминуваат од прототипови кон продукција. Рамките кои се независни од модел се флексибилни, но не ги користат целосно можностите на граничните модели; SDK од давателите на модели можат да бидат поблиску до моделот, но често немаат доволна видливост во системот; а управуваните API за агенти можат да ја поедностават имплементацијата, но го ограничуваат тоа каде агентите работат и како пристапуваат до чувствителни податоци.

Еве што имаа да кажат некои од клиентите што го тестираа новиот SDK со нас:

„Ажурираниот SDK на агентите го направи доволно применлив во продукциска средина за да можеме да автоматизираме критичен работен тек за клиничка евиденција, што претходните пристапи не можеа да го обработуваат доволно сигурно.В За нас, разликата не беше само во извлекување на соодветните метаподатоци, туку и во правилно разбирање на границите на секоја средба во долги, сложени записи. Како резултат на тоа, можеме побрзо да разбереме што се случува со секој пациент при одредена посета, помагајќи им на членовите со нивните потреби за грижа и подобрувајќи го нивното искуство со нас.“
- Оскар Health

Поспособен систем за циклусот на агент

Со денешната објава, Agents SDK станува поспособен за агенти што работат со документи, датотеки и системи. Сега додава конфигурирачка меморија, оркестрација свесна за средината за тестирање, алатки за систем на датотеки слични на Codex и стандардизирани интеграции со примитиви што стануваат вообичаени во граничните агентски системи.

Овие примитиви вклучуваат користење алатки преку MCP(се отвора во нов прозорец), прогресивно откривање преку вештини(се отвора во нов прозорец), сопствени инструкции преку AGENTS.md(се отвора во нов прозорец), извршување код со алатката shell(се отвора во нов прозорец), уредување датотеки со алатката apply patch(се отвора во нов прозорец) и повеќе. Системот ќе продолжи да вклучува нови агентски обрасци и примитиви со текот на времето, за програмерите да трошат помалку време на ажурирања на основната инфраструктура и повеќе време на логиката специфична за доменот што ги прави нивните агенти корисни.

Дијаграм што прикажува како Agent SDK ги поврзува корисничките влезни податоци, моделите и алатките за да изгради агенти со вештачка интелигенција.
Дијаграм што покажува како да се изградат агенти со вештачка интелигенција со користење на Agent SDK со модели, алатки и оркестрација.

Оваа рамка исто така им помага на програмерите да отклучат повеќе од способностите на граничните модели со усогласување на извршувањето со начинот на кој тие модели најдобро функционираат. Тоа ги држи агентите поблиску до природниот оперативен образец на моделот, подобрувајќи ги сигурноста и перформансите при сложени задачи, особено кога работата е долготрајна или координирана низ збир на разновидни алатки и системи.

Дополнително, сфаќаме дека секој производ е уникатен и ретко се вклопува во одреден калап совршено. Го дизајниравме Agents SDK за да ја поддржи оваа разновидност. Програмерите добиваат алатка што е подготвена за употреба, но сепак флексибилна - што ја прави лесно приспособлива на нивниот стек, вклучувајќи користење на алатки, меморија и средина за тестирање.

Изворно извршување во средина за тестирање

Ажурираниот Agents SDK природно поддржува извршување во средина за тестирање, така што агентите можат да работат во контролирани компјутерски средини со датотеките, алатките и зависностите што им се потребни за некоја задача.

На многу корисни агенти им е потребен работен простор каде што можат да читаат и запишуваат датотеки, да инсталираат зависности, да извршуваат код и безбедно да користат алатки. Вградената поддршка за средина за тестирање им го дава на програмерите тој слој за извршување веднаш, наместо да ги принудува сами да го составуваат.

Програмерите можат да користат своја средина за тестирање или да ја користат вградената поддршка за Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop и Vercel.

За да ги направи тие средини преносливи меѓу различни провајдери, SDK исто така воведува и апстракција на манифест за опишување на работниот простор на агентот. Програмерите можат да монтираат локални датотеки, да дефинираат излезни директориуми и да вчитуваат податоци од провајдери за складирање, вклучувајќи ги AWS S3, Google Cloud Storage, Azure Blob Storage и Cloudflare R2.

Ова им овозможува на програмерите доследен начин за обликување на средината на агентот, од локален прототип до продукциско распоредување. Исто така, му овозможува на моделот предвидлив работен простор: каде да ги најде влезните податоци, каде да ги запише излезните податоци и како да ја одржува работата организирана за време на долготрајна задача.

Логоа за Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop

Одвојување на хардверската рамка од пресметувачките капацитети заради безбедност, трајност и скалабилност

Агентските системи треба да бидат дизајнирани со претпоставка дека ќе има обиди за вметнување злонамерни инструкции во промпт и извлекување податоци. Раздвојувањето на способноста и компјутерските ресурси помага акредитивите да се држат надвор од околините каде што се извршува кодот генериран од моделот.

Исто така, овозможува трајно извршување. Кога состојбата на агентот е надворешно зачувана, губењето на контејнерот за средина за тестирање не значи губење на извршувањето. Со вградени снимање и рехидрација, SDK за агенти може да ја врати состојбата на агентот во нов контејнер и да продолжи од последната контролна точка ако оригиналната средина откаже или истече.

На крајот на краиштата, тоа ги прави агентите поскалибилни. Извршувањата на агентите можат да користат една или повеќе средини за тестирање, да повикуваат средини за тестирање само кога е потребно, да ги насочуваат подагентите кон средини за тестирање и ја паралелизираат работата низ контејнери за побрзо извршување.

Дијаграм на проток што илустрира како Agent SDK им овозможува на агенти со вештачка интелигенцијате да користат дополнителни пресметковни ресурси за посложени задачи.
Дијаграм што прикажува како агентите со вештачка интелигенција изградени со Agent SDK можат да оркестрираат одделни пресметковни системи, овозможувајќи оптоварувањата да се извршуваат независно, додека поддржуваат понапредни задачи.

Цени и достапност

Овие нови можности на Agents SDK се генерално достапни за сите корисници преку API и се применуваат стандардните API цени, врз основа на токени и користење алатки.

Што е следно

Како што продолжуваме да го развиваме Agents SDK, ќе продолжиме да го прошируваме она што програмерите на софтвер можат да го изградат со него, олеснувајќи им да пуштат поспособни агенти во продукција со помалку сопствена инфраструктура, истовремено зачувувајќи ја флексибилноста и контролата што им се потребни на програмерите на софтвер за да ги вклопат агентите во сопствените средини.

Новите можности за рамка и средина за тестирање прво се лансираат во Python, а поддршката за TypeScript е планирана за некое идно издание. Исто така, работиме на тоа да донесеме дополнителни можности на агентот, вклучувајќи режим за кодирање и подагенти, и во Python и во TypeScript.

Покрај тоа, сакаме да помогнеме поширокиот екосистем на агенти да се обедини со текот на времето, со поддршка за повеќе даватели на услуги за тестирање, повеќе интеграции и повеќе начини програмерите да го поврзат SDK со алатките и системите што веќе ги користат.