Перейти до основного вмісту
OpenAI

15 квітня 2026 р.

Продукт

Наступний етап розвитку Agents SDK

Оновлений Agents SDK допомагає розробникам створювати агентів, які можуть аналізувати файли, виконувати команди, редагувати код і працювати з довготривалими задачами в межах контрольованих ізольованих середовищ.

Завантаження…

Ми впроваджуємо нові можливості в Agents SDK, які надають розробникам стандартизовану інфраструктуру, з якою легко розпочати роботу та яка коректно побудована для моделей OpenAI: модельно-орієнтовану систему, що дозволяє агентам працювати з файлами та інструментами на комп'ютері, а також вбудоване ізольоване виконання для безпечного запуску таких завдань.

Наприклад, розробники можуть забезпечити агента контрольованим робочим середовищем, чіткими інструкціями та інструментами, необхідними для аналізу даних:

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

Розробникам потрібні не лише найкращі моделі для створення корисних агентів, а й системи, які підтримують роботу агентів із файлами, виконання команд, написання коду та забезпечують безперервну роботу у багатокрокових процесах.

Сучасні системи мають свої обмеження, особливо коли команди переходять від прототипів до повноцінного використання. Фреймворки без прив'язки до моделі забезпечують гнучкість, але не дозволяють повною мірою використовувати можливості передових моделей. SDK від постачальників моделей можуть бути ближчими до самих моделей, але часто не забезпечують достатньої прозорості щодо системи виконання агентів, а керовані агентні API спрощують розгортання, проте обмежують середовище, де працюють агенти, і доступ до конфіденційних даних.

Ось відгуки клієнтів, які разом із нами протестували новий SDK:

«GPT-5.4 встановлює нову планку для юридичної роботи з великим обсягом документів. У рамках оцінки BigLaw Bench eval він набрав 91%. Порівняно з іншими моделями, GPT-5.4 наразі краще справляється зі структуруванням складного аналізу операцій, збереженням точності впродовж тривалої роботи з контрактами й наданням високого рівня деталізації, якого потребують юристи.»
— Ніко Групен (Niko Grupen), керівник прикладних досліджень у Harvey

Більш функціональна система для агентного циклу

Із цим оновленням система Agents SDK отримує розширені можливості для агентів, що працюють із документами, файлами та різними системами. Тепер вона також пропонує налаштовувану пам'ять, керування процесами з урахуванням ізольованого середовища, інструменти для роботи з файловою системою в стилі Codex і стандартизовані інтеграції з базовими компонентами, що вже стають стандартом у передових агентних системах.

До цих базових компонентів належать: використання інструментів через MCP⁠(відкривається у новому вікні), поетапне розкриття можливостей через навички⁠(відкривається у новому вікні), користувацькі інструкції через AGENTS.md⁠(відкривається у новому вікні), виконання коду за допомогою інструмента shell⁠(відкривається у новому вікні), редагування файлів за допомогою інструмента apply patch⁠(відкривається у новому вікні) тощо. Система виконання агентів і надалі інтегруватиме нові агентні підходи та базові компоненти, щоб розробники могли витрачати менше часу на оновлення базової інфраструктури й зосередитися на логіці певної предметної області, яка визначає цінність агентів.

Діаграма, яка ілюструє, як Agent SDK об'єднує запити користувача, моделі та інструменти для побудови ШІ-агентів.
Діаграма, яка ілюструє процес створення ШІ-агентів за допомогою Agent SDK із використанням моделей, інструментів і керування процесами.

Ця система також допомагає розробникам краще використовувати потенціал передових моделей, узгоджуючи виконання з оптимальним режимом їхньої роботи. Завдяки цьому агенти працюють ближче до природного режиму роботи моделі, що покращує надійність і ефективність у складних задачах, особливо коли йдеться про тривалі процеси або координацію між різними інструментами та системами.

Крім того, ми розуміємо, що кожен продукт унікальний і рідко повністю відповідає стандартним підходам Саме тому Agents SDK було розроблено з урахуванням цієї різноманітності. Розробники отримують готову до використання, але гнучку систему виконання агентів, яку легко адаптувати до власного технологічного стеку, включно з роботою з інструментами, пам'яттю та ізольованим середовищем.

Вбудоване виконання в ізольованому середовищі

Оновлений Agents SDK має вбудовану підтримку виконання в ізольованому середовищі, тож агенти можуть працювати в контрольованих комп'ютерних середовищах із потрібними файлами, інструментами та залежностями.

Багато ефективних агентів потребують робочого середовища, у якому можна працювати з файлами, встановлювати залежності, запускати код і безпечно використовувати інструменти. Вбудована підтримка ізольованого середовища дає розробникам цей рівень можливостей одразу і без зайвої складності.

Розробники можуть використовувати власне ізольоване середовище або скористатися вбудованою підтримкою Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop і Vercel.

Щоб забезпечити гнучку роботу між різними провайдерами, SDK також запроваджує абстракцію Manifest для опису робочого простору агента. Розробники можуть підключати локальні файли, визначати директорії для результатів і використовувати дані зі сховищ, зокрема AWS S3, Google Cloud Storage, Azure Blob Storage та Cloudflare R2.

Це забезпечує розробникам єдиний підхід до формування середовища агента: від локального прототипу до розгортання на рівні промислової експлуатації. Водночас модель працює в передбачуваному середовищі: чітко знає, де брати дані, куди записувати результати і як організовувати роботу навіть у тривалих процесах.

Логотипи Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel і Runloop

Розділення системи виконання агентів і обчислювальних ресурсів для підвищення безпеки, стабільності та масштабованості

Агентні системи слід проєктувати з урахуванням можливих атак типу «ін'єкції запитів» і спроб витоку даних. Розділення системи виконання агентів і обчислювальних ресурсів допомагає не допускати потрапляння облікових даних у середовища, де виконується код, згенерований моделлю.

Це також забезпечує надійне виконання. Коли стан агента винесено за межі середовища виконання, втрата ізольованого контейнера не означає втрати всього процесу. Завдяки вбудованим механізмам збереження стану та відновлення Agents SDK може відтворити стан агента в новому контейнері й продовжити роботу з останньої контрольної точки у разі збою або завершення роботи початкового середовища.

Зрештою, це також підвищує масштабованість агентів. Вони можуть працювати з одним або кількома ізольованими середовищами, використовувати їх лише за потреби, направляти субагентів у ізольовані середовища та виконувати завдання паралельно в різних контейнерах для швидшого результату.

Блок-схема, що ілюструє, як Agent SDK дозволяє ШІ-агентам використовувати додаткові обчислювальні ресурси для виконання складніших завдань.
Діаграма, яка ілюструє, як ШІ-агенти, створені за допомогою Agent SDK, керують взаємодією окремих обчислювальних систем, забезпечуючи незалежне виконання завдань і підтримку складніших процесів.

Цінова політика та доступність

Нові можливості Agents SDK уже доступні всім клієнтам через API і оплачуються за стандартною моделлю, залежно від використання токенів та інструментів.

Попереду чекають нові можливості

З подальшим розвитком Agents SDK ми й надалі розширюватимемо можливості для розробників, спрощуючи створення більш потужних агентів для промислового використання з меншим обсягом власної інфраструктури, зберігаючи водночас гнучкість і контроль, необхідні для інтеграції агентів у власні середовища.

Нові можливості системи виконання агентів і ізольованого середовища спочатку запускаються для Python, а підтримка TypeScript запланована в наступних релізах. Ми також працюємо над розширенням агентних можливостей, зокрема режиму роботи з кодом і субагентів, для Python і TypeScript.

Крім того, ми також прагнемо поступово об'єднати ширшу екосистему агентів, додаючи підтримку більшої кількості провайдерів ізольованих середовищ, інтеграцій і способів підключення SDK до вже наявних інструментів і систем розробників.

Автор

OpenAI

Продовжити читати

Переглянути всі
Spend Controls_Artcard.png
New usage analytics and updated spend controls for enterprises

Продукт

1x1 Health Art 1
Покращення інтелекту у сфері здоров’я в ChatGPT

Продукт

Intro-OAI-Partner-ArtCard
Представляємо Партнерську мережу OpenAI

Продукт