L’API Agents d’OpenAI : un framework Codex géré et ce que les équipes possèdent encore.
L’API Agents d’OpenAI gère pour vous l’outil Codex, avec des sessions, des outils MCP, des sous-agents et des environnements de test. Ce que votre équipe reste responsable de : la vérification, l’accès et les données.
Sources: OpenAI’s Agents API: The Code You May No Longer Need to Write
Imaginez un agent chargé d’un problème qui ne se manifeste que lorsque le client réessaie une demande échouée. Il lit le ticket, examine le code et identifie une cause probable. Puis les choses deviennent plus compliquées : il faut installer des dépendances, reproduire l’erreur, examiner un deuxième service et exécuter des tests. Au milieu de tout cela, un collègue ajoute un détail crucial : seuls les clients plus anciens sont affectés.
À ce stade, le code entourant cet agent a beaucoup de travail à effectuer : il doit conserver les résultats obtenus jusqu’alors, intégrer le nouveau détail, maintenir l’environnement de travail et suivre ce qui a réellement été vérifié. Une interruption de connexion ne devrait pas obliger l’enquête à repartir de zéro.
L’API Agents d’OpenAI vise ce type de tâches. Elle propose le Codex en tant que service géré, OpenAI s’occupant des sessions, de l’orchestration, de la compression et du récupération du contexte. L’avantage technique réside dans le fait que davantage des mécanismes qui permettent à un agent d’être productif peuvent devenir des fonctionnalités de plateforme, permettant ainsi aux équipes de ne pas avoir à les réimplémenter pour chaque application. Cela change également les points que les équipes doivent surveiller de près.
Le Codex est la partie intéressante
Un modèle peut conclure qu’il doit ouvrir un fichier ou exécuter un test. Un autre logiciel doit encore effectuer cette action, renvoyer le résultat et préparer la prochaine appel au modèle. Ce logiciel, c’est le Codex, et ses responsabilités augmentent à mesure que les tâches deviennent plus complexes : gérer la conversation, coordonner les outils, faire face aux interruptions et aider l’agent à maintenir le fil de sa réflexion.
L’API Agents permet à d’autres applications d’utiliser une version gérée du framework Codex. Les fonctionnalités documentées incluent la synthèse des travaux antérieurs pour gérer le contexte, l’application de compétences, la transmission de sous-tâches à d’autres agents et la reprise des sessions. La propre comparaison des environnements d’exécution par OpenAI distingue trois options :
- API Agents : OpenAI exécute le framework Codex et gère la session de l’agent.
- SDK Agents : le cycle de l’agent s’exécute à l’intérieur de votre application, ce qui vous permet de contrôler plus étroitement l’intégration et le déploiement.
- API Responses : votre application travaille avec les réponses brutes du modèle et conçoit le flux de travail associé.
Puisque l’API Responses dispose également de fonctionnalités de gestion d’état, les conversations enregistrées ne constituent pas une limite décisive. Ce que l’API Agents ajoute, c’est une gestion de session associée à un environnement d’exécution des agents géré. On peut interpréter cela comme un changement dans une décision de conception habituelle : avant d’écrire une nouvelle couche de coordination, une équipe peut se demander dans quelle mesure celle-ci doit réellement être développée par eux-mêmes.
Suivre une enquête
Prenons à nouveau le bug de tentative de réessai. Le flux de travail présenté ci-dessous est une proposition, et non un rapport sur un système qui a été mis en œuvre. L’application ouvre une session contenant des instructions, des outils et un environnement de travail adapté, puis demande à l’agent de reproduire l’échec et de l’expliquer, en citant le code pertinent ainsi que les résultats des tests.
D’après la documentation de la session, ce qui persiste d’une interaction à l’autre, c’est la configuration de l’agent, le dialogue ainsi que tout travail déjà enregistré. Une interaction correspond à un cycle de travail. Les entrées reçues lorsque la session est inactive déclenchent une nouvelle interaction, tandis que les entrées envoyées pendant un travail en cours orientent celle-ci. Il est possible de suivre les progrès via le streaming ou des webhooks. Cela permet aux clients plus anciens d’avoir des informations précises : elles s’ajoutent à l’enquête en cours, sans nécessiter de nouvelle demande ni de réécriture de l’historique.
Viennent ensuite les éléments provenant du suivi des problèmes. Grâce au Model Context Protocol, un serveur peut fournir des outils pour rechercher des problèmes ou récupérer des données, et l’Agents API détecte ces outils et exécute des appels vers le serveur, de sorte que l’application n’a pas besoin de transmettre chaque demande individuellement. La découverte ici signifie trouver les fonctionnalités disponibles sur les serveurs configurés. Quelqu’un doit néanmoins configurer les systèmes appropriés et accorder des droits d’accès adaptés.
L’agent peut également diviser le travail, un sous-agent s’occupant du traitement des tentatives de réessai et un autre vérifiant la manière dont les clients plus anciens soumettent des demandes. La documentation sur les multi-agents décrit des contextes distincts pour les sous-agents, tandis que l’agent principal coordonne et fusionne leurs résultats. Cela fonctionne lorsque les questions sont indépendantes. Si tous deux doivent modifier une même fonction, la coordination devient à nouveau un problème, et les directives d’OpenAI soulignent explicitement la nécessité de coordonner les modifications apportées aux fichiers partagés. Ce qui rend ce fonctionnement remarquable, c’est que tout cela est lié autour d’une tâche continue.
Une session a toujours besoin d’un endroit où travailler
La lecture d’un problème et la réalisation d’un test de reproduction nécessitent des ressources différentes. Selon la documentation d’architecture, le framework qui exécute la boucle du modèle et des outils est séparé de l’environnement d’exécution, qui fournit les ressources de calcul et les fichiers en cas de besoin. Votre application soumet des tâches, reçoit des événements et gère tous les outils fonctionnels qu’elle a définis. Il existe trois options d’environnement :
- Aucun environnement : l’agent peut appeler ses outils configurés, sans shell ni fichiers de workspace.
- Hébergé par OpenAI : un environnement sandbox est créé et exécuté pour vous, où les commandes sont exécutées et où les fichiers ou les artefacts générés sont stockés.
- Auto-hébergé : vous fournissez les ressources de calcul et les fichiers, et votre application s’occupe de la configuration et du démontage.
Pour la chasse aux bugs, l’environnement doit contenir le code, ses dépendances ainsi que la configuration des tests. Une session qui se souvient de l’enquête ne peut pas compenser l’absence d’un paquet ou l’impossibilité d’accéder à un service de test. Une autre distinction est également importante. OpenAI indique qu’une session peut survivre à son environnement, et avec une exécution auto-hébergée, l’application reste responsable du calcul et des fichiers. Se souvenir qu’un fichier de test a été créé n’est pas la même chose que le conserver réellement, et les équipes doivent vérifier les deux avant d’assurer une reprise sans problème.
Préserver le travail ne prouve pas qu’il est correct
Supposons que l’exécution se termine par une explication convaincante et un test réussi. L’ingénieur doit néanmoins se demander si ce test a reproduit l’erreur initiale. Peut-être a-t-il testé une version actuelle du client alors que le bug se trouvait dans une ancienne version. Peut-être l’agent a-t-il modifié le test au point qu’il ne vérifie plus le comportement problématique.
C’est ici que se situe la ligne de responsabilité. L’environnement de exécution fournit des mécanismes pour effectuer et poursuivre le travail, tandis que l’équipe de développement définit quels éléments constituent une acceptation. Pour cette enquête, cela signifie une erreur que quelqu’un peut reproduire, la version précise du code examinée, chaque commande exécutée ainsi que son résultat, ainsi que tout doute restant. Ces exigences doivent faire partie du flux de travail, même lorsque c’est une plateforme qui exécute la boucle.
La compression mérite la même attention. Un résumé condense le travail antérieur dans le contexte disponible du modèle, mais les décisions clés doivent également être consignées dans un enregistrement durable que les gens puissent consulter. Ici, « uniquement les clients plus anciens » doit rester associé aux critères d’acceptation de la tâche.
L’analyse d’un deuxième agent est utile, mais elle ne doit pas être confondue avec une vérification indépendante. Deux agents peuvent partager une hypothèse erronée ou s’appuyer sur les mêmes preuves insuffisantes. Un test de reproduction que un autre ingénieur peut réexécuter constitue une base plus solide.
L’autorité suit la même logique. Les directives de sécurité de la sandbox d’OpenAI indiquent que le code généré par un agent peut accéder aux fichiers, aux identifiants et au réseau exposés par son environnement ; par conséquent, l’isolation et des contrôles d’accès stricts doivent être configurés intentionnellement. Dans cet exemple, un accès aux fins d’enquête est amplement suffisant. Le fait d’être autorisé à examiner une demande échouée ne nécessite pas l’autorisation de modifier des données en production.
Comment l’évaluer
Un essai judicieux utilise un flux de travail défini, comme l’établissement d’un rapport d’enquête sur les bogues à des fins d’examen. Comparez-le à la méthode actuelle de l’équipe : avec quelle fréquence elle produit des preuves utilisables, combien de corrections manuelles elle nécessite et dans quelle mesure elle peut reprendre son fonctionnement après une interruption. Calculez le coût total par résultat accepté, car une enquête prolongée peut impliquer de nombreuses appels de modèles, des outils et des sous-agents.
L’API propose des journaux de session, des événements, un historique enregistré ainsi que la possibilité d’inspecter l’utilisation des tokens. La documentation mentionne également une limitation actuelle : la récupération des traces et les exportateurs de traces externes ne font pas partie de la beta publique, ce qui est important pour les équipes disposant déjà d’un système de surveillance. Les exigences en matière de données méritent également une attention précoce. L’aperçu indique qu’à l’époque où il a été rédigé, l’API Agents ne prenait en charge la résidence des données que aux États-Unis et ne proposait pas de politique de non-rétention de données, et un environnement de test auto-hébergé ne levait pas cette restriction.
Si ces limites sont acceptables, la question devient pratique : le runtime géré élimine-t-il suffisamment de tâches d’infrastructure pour justifier de s’y fier ? Certaines équipes apprécieront cet équilibre, tandis que d’autres préféreront le contrôle offert par un SDK ou leur propre système d’orchestration.
La tendance générale est positive. Gérer le contexte, exécuter du code, coordonner des agents et faire avancer les tâches sont désormais présentés comme des infrastructures partagées, ce qui confirme l’idée que des agents utiles dépendent autant des systèmes entourant le modèle que du modèle lui-même. L’avantage réside dans le temps d’ingénierie économisé, qui permet de rendre les résultats plus fiables. Dans le cas de nouvelles tentatives, cela signifie transmettre au prochain ingénieur une erreur qu’il peut reproduire ainsi que des preuves qu’il peut examiner.
Ceci reflète la documentation officielle d’OpenAI telle qu’examinée le 15 septembre 2026. Les exemples de flux de travail et les conseils d’évaluation constituent une analyse technique, et non des résultats de benchmarks.
Lectures complémentaires
- Pourquoi les agents de codage ont encore du mal avec le code des entreprises privées — Real-SWE teste huit agents de codage sur des bases de code privées licenciées. Le meilleur résout 38,8 pour cent des cas, et les cinq catégories d’échec montrent où les agents se trompent.
- Utiliser Codex dans VS Code : portée, points de récupération et solutions aux pannes fréquentes — Un guide pratique pour utiliser l’extension Codex de VS Code : installation, connexion, première tâche pour un agent délimité, utilisation en cloud versus en CLI, configuration partagée, ainsi que solutions pour WSL, approbations et authentification à distance.