OpenAI’s Agents API: Eine verwaltete Alternative zu benutzerdefinierten Agent-Frameworks
Dieser Artikel erklärt, wie die neue Agents API von OpenAI den Kontextmanagement, die Tool-Orchestrierung sowie die Ausführungsumgebungen handhabt, damit Teams auf den Aufbau einer eigenen Agent-Infrastruktur verzichten können.
OpenAI hat die öffentliche Beta einer neuen Agents API veröffentlicht, und kurz gesagt: Das gleiche System, das Codex antreibt, steht nun als verwalteter Cloud-Dienst für alle zur Verfügung. Anstatt selbst eine Orchestrierungsschicht zu entwickeln, beschreiben Sie einfach die Aufgabe, wählen ein Modell aus, verbinden Ihre Tools und entscheiden, wo der Agent ausgeführt werden soll. Eine einzige API-Aufruf startet anschließend einen für die Produktion bereiten Agenten, wobei alle komplexen Aspekte – wie Kontextverarbeitung, Tool-Planung und Koordination von Unteraufgaben – von OpenAI selbst übernommen und gehostet werden.
Sie können alle Tools und Anbindungen verwenden, auf die Sie bereits angewiesen sind, sie dem von Ihnen gewählten Sandbox-Umfeld hinzufügen und den Agenten danach arbeiten lassen.
Ein einziger Aufruf ersetzt Ihr gesamtes Framework
const client = new OpenAI();
const session = await client.beta.agents.sessions.create({
agent: {
model: "gpt-6-astra",
tools: [{ type: "mcp", server_label: "observability" }],
multi_agent: { enabled: true, max_concurrent_subagents: 3 },
},
environment: { type: "openai_hosted" },
input: "Investigate the spike in 5xx errors for service-api over the last 30 minutes. Delegate the deployment, error, and dependency analysis to sub-agents. Save your findings and mitigation recommendations to /workspace/outputs."
});
Der Aufbau eines soliden Agenten von Grund auf bedeutete traditionell viel unscheinbare Ingenieursarbeit: Die Steuerung dessen, was in das Kontextfenster passt, die Anpassung der Tokenverwendung bei Toolaufrufen sowie das manuelle Implementieren von Logik, um Unteraufgaben synchron zu halten. Die Agents API ist so konzipiert, dass sie diese gesamte Arbeitslast übernimmt:
- Automatische Kontextkompression: Wenn eine Sitzung ihrem Kontextlimit nahekommt, kürzt und fasst das System die älteren Nachrichten automatisch zusammen, sodass keine eigene Logik erforderlich ist, um lang andauernde Aufgaben am Laufen zu halten.
- Lazy-loaded Tooldefinitionen durch Toolsuche, wodurch das Modellcaching erhalten bleibt und der gesamte Tokenverbrauch reduziert wird.
- Programmatische Toolaufrufe mit Unterstützung für parallele Aufrufe und Kettung, sodass nur die wirklich wichtigen Teile eines großen Datensatzes in den Kontext des Hauptagenten übergeben werden.
Dienstlich wird der Service derzeit mit OpenAI’s neuestem Modell, GPT-6-Astra, betrieben.
Wählen Sie Ihre eigene Ausführungsumgebung
Nicht jede Agenten-Arbeitslast hat dieselben Infrastrukturanforderungen, daher bietet die Agents API drei verschiedene Möglichkeiten, Ihre Agenten auszuführen:
- Eine von OpenAI betriebene Sandbox, die auf demselben Backend basiert wie Codex und ChatGPT
- Selbst verwaltete Infrastruktur, bei der der Agent direkt innerhalb Ihrer eigenen VPC läuft
- Von Partneranbietern verwaltete Sandboxes, darunter Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop und Vercel
Welcher Weg sinnvoll ist, hängt davon ab, was Sie optimieren möchten. Für schnelles Prototyping ermöglicht die gehostete Sandbox einen reibungslosen Start. Bei Produktivlasten mit Compliance-Anforderungen oder Einschränkungen bezüglich der Datenspeicherung bietet die Ausführung innerhalb Ihrer eigenen VPC die notwendige Kontrolle. Jede Option bringt eigene Kompromisse in Bezug auf Rechenleistung, Speicher, GPU-Zugriff, Startzeiten sowie Kosten mit sich, sodass Sie die Umgebung an die Aufgabe anpassen können.
Berichte von Frühnutzern
Eine kleine Gruppe von Teams, die das Beta-Produkt ausprobiert hat, berichtet bereits von ermutigenden Ergebnissen:
- Ciridae konnte seine Bewertungswerte von 0,71 auf 0,85 steigern und gleichzeitig die Latenz um das Vierfache verringern
- SafetyKit senkte die Kosten für Fallprüfungen um 60 Prozent und zeigte zudem deutliche Verbesserungen in der Token-Effizienz
Ciridae’s CTO erwähnte, dass das Team monatelang daran gearbeitet habe, eigene Mechanismen für die Überwachung und Orchestrierung von Sub-Agenten zu entwickeln, und dass der Wechsel auf die verwaltete API sofortige, messbare Vorteile ohne zusätzliche Anpassungen brachte. Der gemeinsame Nenner all dieser Ergebnisse ist einfach: Sobald man nicht mehr für die Wartung einer benutzerdefinierten Agenten-Infrastruktur verantwortlich ist, kann man diese Anstrengungen auf die Logik lenken, die das Produkt tatsächlich von anderen unterscheidet.
Transparent durch Design – keine Black Box
Dienstleistung und Infrastruktur basieren auf dem Open-Source-Tool Codex, wobei der zugrundeliegende Code weiterhin öffentlich auf GitHub verfügbar ist. OpenAI betreibt und wartet die Infrastruktur, doch nichts an der Kernausführungslogik bleibt verborgen – man kann sie jederzeit überprüfen. Das bedeutet, dass die Nutzung des verwalteten Services kein Vertrauen in ein geschlossenes System erfordert; die Transparenz der Open-Source-Basis überträgt sich auf das gehostete Produkt.
Über die tatsächlichen Kosten nachdenken
Es gibt ein Gerücht, wonach diese Neuerung bereits mehr als hundert Start-ups in die Insolvenz getrieben hat – und das ist nicht ganz unbegründet. Immer dann, wenn ein Plattformanbieter einen Teil der Kerninfrastruktur in ein verwaltetes Angebot integriert, müssen Unternehmen, deren gesamtes Produkt auf dieser Zwischenschicht beruhte, plötzlich nach neuen Lösungsansätzen suchen.
Entwickler haben bereits eine ernsthafte Bedenken hinsichtlich der Preise geäußert: Ein einziger Neversuch bei einer komplexen Aufgabe kann Dutzende von Tool-Aufrufen auslösen, wobei jeder dieser Aufrufe seine vollständigen Ausführungsdaten in den Kontext einfügt. Es ist möglich, bereits vor Erreichen eines funktionierenden Ergebnisses eine deutlich höhere Rechnung zu erhalten. Derzeit erhebt OpenAI während des öffentlichen Betas keine zusätzlichen Gebühren für die Agents-API selbst – man zahlt nur für die genutzten Tokens sowie die ausgelösten Tool-Aufrufe. Das bedeutet, man spart an den Entwicklungskosten für den Aufbau und Betrieb eines eigenen Frameworks, könnte aber letztendlich mehr für die reine Laufzeitkosten ausgeben. Die richtige Balance zwischen dem Grad, in dem das eigene Agent Tool-Aufrufe automatisiert, und den damit verbundenen Kosten muss jedes Team für sich selbst finden.
Die praktische Erkenntnis
Das Testen eines neuen Agent-Konzepts war noch nie günstiger oder schneller. Teams ohne eine vorhandene interne Agent-Infrastruktur können nun direkt auf Codex aufbauen und den gesamten grundlegenden Entwicklungsprozess überspringen. Wenn Ihre Organisation bereits ein eigenentwickeltes Agent-Framework besitzt, lohnt es sich, eine präzise Frage zu stellen: Ist die Entwicklung und Wartung dieses Frameworks tatsächlich ein Bestandteil dessen, was Ihr Produkt besonders macht? Wenn nicht, könnte der Wechsel zu einem verwalteten Service wie diesem erhebliche Mengen an Entwicklungszeit freisetzen.
Die Agents API befindet sich weiterhin in der öffentlichen Beta-Phase und ist in dieser Phase kostenlos nutzbar – es gibt also kaum einen Grund, nicht mit einem einzigen API-Aufruf einen Testagent zu erstellen und herauszufinden, was er tatsächlich leisten kann.
Diese Einführung passt in ein umfassenderes Muster darin, wie große Sprachmodelle die Schichten weiter komprimieren, die Entwickler früher selbst erstellen mussten. Zuerst kamen Modelle als Service, dann Harness als Service – und nun etwas, das Bot als Service näherkommt. Jeder Schritt bringt Entwickler weiter nach oben in der Technologiearchitektur, weg von der Infrastrukturverwaltung hin zur Entwicklung der Anwendungen und Erlebnisse, die ihre Produkte wirklich unterscheiden – und dieser Trend zeigt keinerlei Anzeichen einer Verlangsamung.
Verwandte Artikel
- Items und Messages in OpenAI’s Responses API verstehen – Erklärt, wie OpenAI’s Responses API die Modellausgaben in Items statt in Messages neu organisiert und warum dieser Wandel für Tool-Aufrufe sowie agierende Arbeitsabläufe wichtig ist.