API de Agents de OpenAI: Una alternativa gestionada a los frameworks de agentes personalizados
Este artículo explica cómo la nueva API Agents de OpenAI gestiona la administración del contexto, la orquestación de herramientas y los entornos de ejecución, para que los equipos puedan evitar crear una infraestructura de agentes personalizada.
OpenAI ha lanzado la beta pública de una nueva Agents API; en resumen: el mismo sistema que ejecuta Codex ahora está disponible como un servicio en la nube gestionado para que cualquiera lo utilice. En lugar de crear tu propio nivel de orquestación, simplemente describes la tarea, eliges un modelo, conectas tus herramientas y decides dónde debe ejecutarse el agente. Una sola llamada a la API crea un agente listo para producción, con todo el complejo funcionamiento —manejo de contexto, programación de herramientas, coordinación de subtareas— gestionado y alojado por OpenAI mismo.
Puedes utilizar las herramientas y conectores en los que ya confías, adjuntarlos al entorno de pruebas que elijas y dejar que el agente continúe desde allí.
Una sola llamada reemplaza todo tu 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."
});
Construir un agente sólido desde cero tradicionalmente ha implicado mucha ingeniería poco atractiva: gestionar cuánto cabe en la ventana de contexto, ajustar el uso de tokens alrededor de las llamadas a herramientas y desarrollar lógica manual para mantener sincronizadas las subtareas. La API de Agents está diseñada para asumir toda esa capa de trabajo:
- Compresión automática del contexto: a medida que una sesión se acerca a su límite de contexto, el sistema elimina y resume automáticamente los mensajes anteriores, por lo que no es necesario utilizar lógica personalizada para mantener activas las tareas de larga duración.
- Definiciones de herramientas cargadas de forma perezosa a través de búsquedas, lo que mantiene intacto el caché del modelo y reduce el consumo total de tokens.
- Llamadas a herramientas de forma programática, con soporte para llamadas paralelas y en cadena, de modo que solo las partes de un gran conjunto de datos que realmente son importantes se pasan al contexto del agente principal.
El servicio actualmente funciona con el modelo más reciente de OpenAI, GPT-6-Astra.
Elija su propio entorno de ejecución
No todas las cargas de trabajo de los agentes requieren la misma infraestructura, por lo que la API de Agents ofrece tres formas distintas de ejecutar sus agentes:
- Un entorno aislado alojado en OpenAI, basado en el mismo backend que ya utiliza Codex y ChatGPT
- Infraestructura autogestionada, donde el agente se ejecuta directamente dentro de su propia VPC
- Entornos aislados gestionados por proveedores asociados, como Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop y Vercel
La ruta más adecuada depende de lo que esté optimizando. Para prototipado rápido, el entorno sandbox alojado le permite avanzar con la menor fricción posible. Para cargas de trabajo en producción con requisitos de cumplimiento o restricciones de residencia de datos, ejecutarlo dentro de su propia VPC le brinda el control necesario. Cada opción conlleva sus propios compromisos en términos de recursos informáticos, memoria, acceso a GPU, tiempos de inicio y precios, por lo que puede adaptar el entorno al trabajo específico.
Señales de los primeros usuarios
Un pequeño grupo de equipos que probaron la versión beta ya ha reportado resultados alentadores:
- Ciridae logró elevar sus puntuaciones de evaluación de 0.71 a 0.85, al mismo tiempo que redujo la latencia en cuatro veces
- SafetyKit disminuyó los costos de revisión de casos en un 60 por ciento, además de mostrar mejoras significativas en la eficiencia de los tokens
El CTO de Ciridae mencionó que el equipo había pasado meses desarrollando internamente su propia capacidad de observabilidad y orquestación para subagentes, y que el cambio a la API gestionada generó mejoras inmediatas y medibles sin necesidad de ajustes adicionales. El factor común en estos resultados es sencillo: una vez que ya no se es responsable del mantenimiento de la infraestructura de agentes personalizados, se puede dirigir ese esfuerzo hacia la lógica que realmente diferencia al producto.
Transparente por diseño, no una caja negra
El servicio se basa en el framework de código abierto Codex, y el código subyacente permanece disponible públicamente en GitHub. OpenAI gestiona y mantiene la infraestructura, pero nada de la lógica central de ejecución está oculto: se puede inspeccionar cuando se desee. Eso significa que adoptar este servicio gestionado no requiere confiar en un sistema cerrado; la transparencia de la base de código abierto se traslada al producto alojado.
Pensando en los costos reales
Hay un chiste que circula según el cual este lanzamiento ha dejado sin negocio a más de cien startups, y no es del todo una broma. Cada vez que un proveedor de plataformas integra parte de la infraestructura central en una oferta gestionada, las empresas cuyo producto completo dependía de esa capa intermedia deben buscar rápidamente una nueva estrategia.
Los desarrolladores ya han señalado una preocupación real relacionada con los precios: un solo intento de repetir una tarea complicada puede generar una docena de llamadas a herramientas, y cada una añade su rastro completo al contexto. Es posible generar una factura significativamente más alta antes incluso de obtener un resultado funcional. Por ahora, OpenAI no cobra nada adicional por la API de Agents durante la beta pública; solo se paga por los tokens que se consumen y por las ejecuciones de herramientas que se activan. Eso significa que se ahorra en los costos de ingeniería para crear y ejecutar un propio framework, pero se podría terminar pagando más por el uso bruto del tiempo de ejecución. Encontrar el equilibrio adecuado entre el grado en que el agente automatiza las llamadas a herramientas y el costo que eso implica es algo que cada equipo debe resolver por sí mismo.
La conclusión práctica
Probar un nuevo concepto de agente nunca ha sido más económico ni rápido. Los equipos que no cuentan con una solución interna de agentes ya existente ahora pueden desarrollar directamente sobre Codex, omitiendo por completo la fase de ingeniería básica. Si su organización ya dispone de un marco propio para agentes, vale la pena hacerse una pregunta clave: ¿el desarrollo y mantenimiento de dicho marco realmente forma parte de lo que hace especial a su producto? Si no es así, pasar a un servicio gestionado como este podría liberar una cantidad considerable de tiempo de ingeniería.
La API de Agents sigue en versión beta pública y actualmente es gratuita para su uso durante esta fase, por lo que hay pocos motivos para no crear un agente de prueba con una sola llamada a la API y ver qué es capaz de hacer realmente.
Este lanzamiento encaja en un patrón más amplio de cómo los modelos de lenguaje grandes siguen comprimiendo las capas que antes los desarrolladores tenían que crear por sí mismos. Primero llegaron los Models-as-a-Service, luego los Harness-as-a-Service, y ahora algo similar a los Bot-as-a-Service. Cada paso lleva a los desarrolladores más arriba en la cadena de desarrollo, lejos de las tareas relacionadas con la infraestructura y hacia la creación de aplicaciones y experiencias que realmente diferencian sus productos; y esa tendencia no muestra signos de ralentizarse.
Lecturas relacionadas
- Comprendiendo Items vs Mensajes en la API de Respuestas de OpenAI — Explica cómo la API de Respuestas de OpenAI reorganiza las salidas del modelo en items en lugar de mensajes, y por qué ese cambio es importante para la llamada a herramientas y los flujos de trabajo basados en agentes.