Новый этап эволюции Agents SDK15.04.2026 10:00

Обновленный Agents SDK помогает разработчикам создавать агентов, способных изучать файлы, выполнять команды, редактировать код и решать долгосрочные задачи в контролируемых изолированных средах.

Мы представляем новые возможности для Agents SDK⁠, которые предоставляют разработчикам стандартизированную инфраструктуру. Ее легко освоить, и она правильно спроектирована для моделей OpenAI: это созданная специально для моделей обвязка (harness), позволяющая агентам работать с файлами и инструментами на компьютере, а также встроенное выполнение в изолированной среде для безопасного запуска таких задач.

Например, разработчики могут предоставить агенту контролируемое рабочее пространство, четкие инструкции и инструменты, необходимые для изучения данных:

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

Для создания полезных агентов разработчикам требуется нечто большее, чем просто лучшие модели — им нужны системы, поддерживающие проверку файлов агентами, выполнение команд, написание кода и продолжение работы на протяжении множества шагов.

Существующие сегодня системы сопряжены с определенными компромиссами при переходе команд от прототипов к продакшену. Универсальные фреймворки гибкие, но не задействуют все возможности передовых моделей; SDK от провайдеров моделей могут быть ближе к самой модели, но часто им не хватает достаточной прозрачности в отношении обвязки;, а управляемые API агентов могут упрощать развертывание, но при этом ограничивают места запуска агентов и способы их доступа к конфиденциальным данным.

Вот что рассказали некоторые из клиентов, протестировавших новый SDK вместе с нами:

Более функциональная обвязка для цикла работы агента

Начиная с сегодняшнего релиза, обвязка в Agents SDK становится еще эффективнее для агентов, работающих с документами, файлами и системами. Теперь она включает настраиваемую память, оркестрацию с поддержкой песочниц, инструменты для работы с файловой системой в стиле Codex, а также стандартизированные интеграции с примитивами, которые становятся стандартными в системах передовых агентов.

К таким примитивам относятся использование инструментов через MCP⁠, постепенное раскрытие информации (progressive disclosure) через skills⁠, пользовательские инструкции через AGENTS.md⁠, выполнение кода с помощью инструмента shell⁠, правка файлов с помощью инструмента apply patch⁠ и многое другое. Обвязка продолжит пополняться новыми паттернами и примитивами агентов по мере их появления, чтобы разработчики могли тратить меньше времени на обновление базовой инфраструктуры и больше — на специфическую логику предметной области, которая делает их агентов полезными.

Diagram showing how the Agent SDK connects user input, models, and tools to build AI agents.
Diagram showing how to build AI agents using the Agent SDK with models, tools, and orchestration.

Обвязка также помогает разработчикам раскрыть больший потенциал передовой модели, приводя процесс выполнения в соответствие с тем, как эти модели работают наиболее эффективно. Это позволяет агентам точнее следовать естественному паттерну работы модели, повышая надежность и производительность при выполнении сложных задач — особенно в тех случаях, когда работа длится долго или координируется с использованием самых разных инструментов и систем.

Кроме того, мы понимаем, что каждый продукт уникален и редко вписывается в универсальные рамки. Мы спроектировали Agents SDK так, чтобы учесть это разнообразие. Разработчики получают готовое к использованию, но при этом гибкое решение, которое позволяет легко адаптировать его под собственный стек, включая инструменты, память и изолированную среду.

Выполнение в нативных изолированных средах (песочницах)

Обновленный Agents SDK изначально поддерживает выполнение в песочницах, поэтому агенты могут работать в контролируемых компьютерных средах со всеми необходимыми для задачи файлами, инструментами и зависимостями.

Многим полезным агентам требуется рабочее пространство, где они могут безопасно читать и записывать файлы, устанавливать зависимости, запускать код и использовать инструменты. Нативная поддержка песочниц предоставляет разработчикам этот уровень выполнения «из коробки», избавляя их от необходимости собирать его самостоятельно.

Разработчики могут использовать собственную песочницу или встроенную поддержку Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop и Vercel.

Чтобы сделать эти среды переносимыми между различными провайдерами, SDK также вводит абстракцию Manifest для описания рабочего пространства агента. Разработчики могут подключать локальные файлы, определять выходные директории и подтягивать данные от таких провайдеров хранения, как AWS S3, Google Cloud Storage, Azure Blob Storage и Cloudflare R2.

Это дает разработчикам единообразный способ формирования среды агента — от локального прототипа до развертывания в продакшене. Это также обеспечивает для модели предсказуемое рабочее пространство: где искать входные данные, куда записывать результаты и как поддерживать порядок в выполнении долгосрочной задачи.

Logos for Daytona, E2B, Modal, Cloudflare, Vercel, Blaxel, Runloop

Отделение обвязки от вычислительной среды для обеспечения безопасности, надежности и масштабируемости

Архитектура агентных систем должна проектироваться с учетом возможных попыток внедрения промптов (prompt-injection) и эксфильтрации данных. Отделение обвязки от вычислительной среды помогает защитить учетные данные от попадания в окружения, где выполняется сгенерированный моделью код.

Это также обеспечивает надежность выполнения. Когда состояние агента вынесено наружу, потеря контейнера песочницы не означает потерю всего сеанса работы. Благодаря встроенным функциям создания снимков состояния (snapshotting) и восстановления (rehydration), Agents SDK может восстановить состояние агента в новом контейнере и продолжить работу с последней контрольной точки, если исходная среда завершилась с ошибкой или истек срок ее действия.

Наконец, это делает агентов более масштабируемыми. Запуски агентов могут использовать одну или несколько песочниц, вызывать песочницы только при необходимости, направлять субагентов в изолированные среды и распараллеливать работу между контейнерами для ускорения выполнения.

Flow diagram illustrating how the Agent SDK enables AI agents to use additional compute resources for more complex tasks.
Diagram depicting how AI agents built with the Agent SDK can orchestrate separate compute systems, allowing workloads to run independently while supporting more advanced tasks.

Цены и доступность

Эти новые возможности Agents SDK доступны всем клиентам через API и используют стандартные тарифы API, основанные на токенах и использовании инструментов.

Что дальше

Продолжая развивать Agents SDK, мы будем расширять возможности разработчиков, упрощая запуск более мощных агентов в производство с меньшими затратами на кастомную инфраструктуру и сохраняя при этом гибкость и контроль, необходимые для интеграции агентов в их собственные среды.

Новые функции окружения (harness) и песочницы запускаются сначала для Python, а поддержка TypeScript запланирована в одном из будущих релизов. Мы также работаем над тем, чтобы внедрить дополнительные возможности для агентов, включая режим кода и субагентов, как для Python, так и для TypeScript.

Кроме того, мы стремимся со временем объединить более широкую экосистему агентов, обеспечив поддержку новых провайдеров песочниц, больше интеграций и больше способов подключения SDK к инструментам и системам, которые разработчики уже используют.

Автор

OpenAI

Полный текст статьи читайте на OpenAI