Пређите на главни садржај
OpenAI

15. април 2026.

Производ

Sledeća evolucija Agents SDK-a

Ažurirani Agents SDK pomaže programerima da grade agente koji mogu da pregledaju datoteke, pokreću komande, uređuju kod i rade na dugoročnim zadacima u kontrolisanim sandbox okruženjima.

Учитавање…

Uvodimo nove mogućnosti u Agents SDK koje programerima daju standardizovanu infrastrukturu sa kojom je lako početi i koja je ispravno izgrađena za OpenAI modele: harness prilagođen modelu koji omogućava agentima da rade kroz datoteke i alate na računaru, plus nativno izvršavanje u sandbox-u za bezbedno obavljanje tog rada.

Na primer, programeri mogu agentu da daju kontrolisani radni prostor, eksplicitne instrukcije i alate koji su mu potrebni da ispita dokaze:

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

Programerima je potrebno više od najboljih modela da bi izgradili korisne agente—potrebni su im sistemi koji podržavaju način na koji agenti pregledaju datoteke, pokreću komande, pišu kod i nastavljaju da rade kroz mnogo koraka.

Sistemi koji danas postoje dolaze sa kompromisima kako timovi prelaze sa prototipa na produkciju. Okviri nezavisni od modela su fleksibilni, ali ne koriste u potpunosti mogućnosti graničnih modela; SDK-ovi provajdera modela mogu biti bliži modelu, ali često nemaju dovoljnu vidljivost u harness; a upravljani API-ji za agente mogu pojednostaviti primenu, ali ograničavaju gde se agenti pokreću i kako pristupaju osetljivim podacima.

Evo šta su neki od korisnika koji su sa nama testirali novi SDK imali da kažu:

„Ažurirani Agents SDK učinio je rešenje dovoljno spremnim za produkciju da automatizujemo ključni tok rada sa kliničkom dokumentacijom koji prethodni pristupi nisu mogli dovoljno pouzdano da obrade. Za nas razlika nije bila samo u izdvajanju pravih metapodataka, već u pravilnom razumevanju granica svakog susreta u dugim, složenim zapisima. Kao rezultat, možemo brže da razumemo šta se dešava sa svakim pacijentom tokom određene posete, pomažući članovima u njihovim potrebama za negom i poboljšavajući njihovo iskustvo sa nama.“
— Oscar Health

Sposobniji harness za agentsku petlju

Sa današnjim izdanjem, harness u Agents SDK-u postaje sposobniji za agente koji rade sa dokumentima, datotekama i sistemima. Sada dodaje podesivu memoriju, orkestraciju svesnu sandbox-a, alate za sistem datoteka nalik na Codex i standardizovane integracije sa primitivama koje postaju uobičajene u graničnim agentskim sistemima.

Ove primitive uključuju korišćenje alata putem MCP⁠(отвара се у новом прозору)-a, progresivno otkrivanje putem veština⁠(отвара се у новом прозору), prilagođene instrukcije putem AGENTS.md⁠(отвара се у новом прозору), izvršavanje koda pomoću alata shell⁠(отвара се у новом прозору), izmene datoteka pomoću alata apply patch⁠(отвара се у новом прозору) i još mnogo toga. Harness će vremenom nastaviti da uključuje nove agentske obrasce i primitive, tako da programeri mogu da troše manje vremena na ažuriranja osnovne infrastrukture, a više na logiku specifičnu za domen koja njihove agente čini korisnim.

Dijagram koji pokazuje kako Agent SDK povezuje korisnički unos, modele i alate za izgradnju AI agenata.
Dijagram koji pokazuje kako se grade AI agenti pomoću Agent SDK-a sa modelima, alatima i orkestracijom.

Harness takođe pomaže programerima da otključaju više sposobnosti graničnog modela usklađivanjem izvršavanja sa načinom na koji ti modeli najbolje rade. To drži agente bliže prirodnom obrascu rada modela, poboljšavajući pouzdanost i performanse na složenim zadacima—posebno kada je rad dugotrajan ili koordinisan preko raznovrsnog skupa alata i sistema.

Pored toga, shvatamo da je svaki proizvod jedinstven i da se retko savršeno uklapa u neki kalup. Dizajnirali smo Agents SDK da podrži tu raznolikost. Programeri dobijaju harness koji je spreman za upotrebu, ali i fleksibilan—što olakšava prilagođavanje sopstvenom steku, uključujući korišćenje alata, memoriju i sandbox okruženje.

Nativno izvršavanje u sandbox-u

Ažurirani Agents SDK nativno podržava izvršavanje u sandbox-u, tako da agenti mogu da rade u kontrolisanim računarskim okruženjima sa datotekama, alatima i zavisnostima koje su im potrebne za zadatak.

Mnogim korisnim agentima potreban je radni prostor u kojem mogu bezbedno da čitaju i upisuju datoteke, instaliraju zavisnosti, pokreću kod i koriste alate. Nativna podrška za sandbox daje programerima taj izvršni sloj odmah, umesto da budu primorani da ga sami sastavljaju iz delova.

Programeri mogu da donesu sopstveni sandbox ili da koriste ugrađenu podršku za Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop i Vercel.

Da bi ta okruženja bila prenosiva između provajdera, SDK takođe uvodi apstrakciju манифест za opis radnog prostora agenta. Programeri mogu da montiraju lokalne datoteke, definišu izlazne direktorijume i unesu podatke od provajdera skladišta, uključujući AWS S3, Google Cloud Storage, Azure Blob Storage i Cloudflare R2.

To programerima daje dosledan način da oblikuju okruženje agenta od lokalnog prototipa do produkcione primene. Takođe daje modelu predvidiv radni prostor: gde da pronađe ulaze, gde da upiše izlaze i kako da održi rad organizovanim tokom dugotrajnog zadatka.

Logotipi za Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop

Odvajanje harness-a od računarskih resursa radi bezbednosti, trajnosti i obima

Agentski sistemi treba da budu projektovani uz pretpostavku pokušaja ubacivanja instrukcija i eksfiltracije podataka. Odvajanje harness-a i računarskih resursa pomaže da akreditivi ostanu van okruženja u kojima se izvršava kod koji generiše model.

To takođe omogućava trajno izvršavanje. Kada je stanje agenta eksternalizovano, gubitak sandbox kontejnera ne znači i gubitak izvršavanja. Uz ugrađeno pravljenje snimaka stanja i rehidraciju, Agents SDK može da obnovi stanje agenta u novom kontejneru i nastavi od poslednje kontrolne tačke ako originalno okruženje otkaže ili istekne.

Na kraju, to agente čini skalabilnijim. Izvršavanja agenata mogu da koriste jedan sandbox ili više njih, pozivaju sandbox okruženja samo kada su potrebna, usmeravaju podagente u izolovana okruženja i paralelizuju rad kroz kontejnere radi bržeg izvršavanja.

Dijagram toka koji ilustruje kako Agent SDK omogućava AI agentima da koriste dodatne računarske resurse za složenije zadatke.
Dijagram koji prikazuje kako AI agenti napravljeni pomoću Agent SDK-a mogu da orkestriraju odvojene računarske sisteme, omogućavajući da se radna opterećenja izvršavaju nezavisno uz podršku za naprednije zadatke.

Cene i dostupnost

Ove nove mogućnosti Agents SDK-a su opšte dostupne svim korisnicima preko API-ja i koriste standardne API cene, zasnovane na tokenima i korišćenju alata.

Šta sledi

Kako nastavljamo da razvijamo Agents SDK, nastavićemo da proširujemo ono što programeri mogu da izgrade pomoću njega, olakšavajući uvođenje sposobnijih agenata u produkciju uz manje prilagođene infrastrukture, uz očuvanje fleksibilnosti i kontrole koje su programerima potrebne da uklope agente u svoja okruženja.

Nove mogućnosti harness-a i sandbox-a prvo se lansiraju u Python-u, a podrška za TypeScript je planirana za buduće izdanje. Takođe radimo na tome da dodatne mogućnosti agenata, uključujući režim za kod i podagente, uvedemo i u Python i u TypeScript.

Pored toga, želimo da vremenom pomognemo povezivanju šireg agentskog ekosistema, uz podršku za više sandbox provajdera, više integracija i više načina da programeri povežu SDK sa alatima i sistemima koje već koriste.

Аутор

OpenAI

Наставите са читањем

Прикажи све
Art Card 1080x1080 (3)
Better memory for a more helpful ChatGPT
Јача основа за меморију у услузи ChatGPT

Истраживање

Rosalind5.5 ArtCard
Introducing new capabilities to GPT-Rosalind

Производ

1 1 Art Card
Codex за сваку улогу, алат и ток рада

Производ