Главная / Статьи

API Agents от OpenAI: управляемый инструментарий Codex и то, чем по-прежнему обладают команды.

API Agents от OpenAI автоматически запускает для вас среду Codex, включающую сессии, инструменты MCP, подагентов и среды тестирования. То, что остаётся в контроле вашей команды: верификация, доступ и данные.

Издатель: REACTAPP.TOP7 мин чтения1560 слов

Источники: OpenAI’s Agents API: The Code You May No Longer Need to Write

Представьте агента, назначенного для решения проблемы, которая проявляется только тогда, когда клиент повторяет неудачную заявку. Он читает заявку, ищет в коде и определяет вероятную причину. Но затем ситуация усложняется: необходимо установить зависимости, воспроизвести сбой, проверить второй сервис и выполнить тесты. По ходу работы коллега добавляет важную деталь — пострадали только старые клиенты.

В этот момент код, окружающий агента, должен выполнять множество задач: сохранять полученные ранее данные, учитывать новую информацию, поддерживать рабочую среду и отслеживать, что именно было проверено. Потеря связи не должна заставлять расследование начинаться заново.

API Agents от OpenAI предназначена для решения подобных задач. Она предлагает инструмент Codex в виде управляемой службы, при которой OpenAI берет на себя обработку сессий, оркестрацию действий, сжатие и восстановление контекста. С точки зрения инженерии это означает, что большая часть вспомогательных механизмов, обеспечивающих эффективность агента, может стать частью платформы, что позволяет командам не создавать их заново для каждого приложения. Это также меняет те аспекты, на которые командам необходимо уделять пристальное внимание.

Интересной частью является сам инструмент

Модель может сделать вывод о необходимости открыть файл или запустить тест. Однако другой программный компонент все равно должен выполнить это действие, вернуть результат и подготовить условия для следующего вызова модели. Именно этот программный компонент и является инструментом, а его функции увеличиваются по мере усложнения задач: управление диалогом, координация инструментов, работа в условиях прерываний и помощь агенту в поддержании логики действий.

API Agents позволяет другим приложениям использовать управляемую версию инструментария Codex. Среди задокументированных функций — подведение итогов предыдущей работы для управления контекстом, применение навыков, передача подзадач другим агентам и возобновление сессий. В собственном сравнении вариантов выполнения задач от OpenAI выделяются три опции:

  • API Agents: OpenAI запускает инструментарий Codex и сохраняет сессию агента.
  • SDK Agents: цикл работы агента выполняется внутри вашего приложения, что позволяет более тщательно контролировать процесс интеграции и развертывания.
  • API Responses: ваше приложение работает с необработанными ответами модели и самостоятельно проектирует сопутствующий рабочий процесс.

Поскольку API Responses также предоставляет возможности управления состоянием, сохранённые разговоры не являются решающим фактором. API Agents добавляет управление сессиями в сочетании с управляемой средой выполнения агентов. Одно из толкований заключается в том, что это меняет привычное решение при разработке: прежде чем создавать ещё один слой координации, команда может спросить, насколько большая его часть действительно должна оставаться в их ведении.

Продолжение исследования

Возьмём снова проблему с повторными попытками. Приведённый ниже алгоритм работы является предложением, а не отчётом о уже запущенной системе. Приложение открывает сессию с инструкциями, инструментами и подходящей рабочей средой, затем просит агента воспроизвести сбой и объяснить его, приводя соответствующий код и результаты тестов.

Согласно документации сессии, то, что сохраняется между этапами взаимодействия, — это конфигурация агента, диалог и любые уже сохранённые данные. Один этап представляет собой один цикл работы. Ввод данных, поступающий во время паузы в сессии, запускает новый этап, а ввод, отправленный во время активной работы, направляет текущий этап. Прогресс можно отслеживать с помощью стриминга или вебхуков. Это позволяет старым клиентам получать детальную информацию: они присоединяются к уже ведущемуся расследованию без необходимости отправки нового запроса и воссоздания истории.

Далее идут данные из трекера проблем. Благодаря протоколу Model Context Protocol сервер может предоставлять инструменты для поиска проблем или получения записей, а API агентов обнаруживает эти инструменты и выполняет запросы к серверу, так что приложению не нужно передавать каждый из них отдельно. Обнаружение здесь означает поиск возможностей на настроенных серверах. Кто-то всё равно должен подключить соответствующие системы и предоставить разумный доступ.

Агент также может разделить работу: один из подагентов будет изучать механизмы повторных попыток, а другой — способ, которым старые клиенты формируют запросы. В документации по многокомпонентным агентам описываются отдельные контексты для подагентов, в то время как главный агент координирует и объединяет их результаты. Это работает, когда задачи независимы. Однако если обоим необходимо редактировать одну и ту же функцию, возникает проблема координации, и руководство OpenAI прямо указывает на необходимость согласования изменений в общих файлах. Примечательной особенностью работы системы является то, что всё это связано между собой вокруг одного непрерывного процесса выполнения работы.

Сессии всё равно нуждаются в месте для работы

Для чтения проблемы и выполнения теста на воспроизведение требуются разные ресурсы. Согласно документации по архитектуре, механизм, отвечающий за запуск циклов модели и инструментов, отделен от среды выполнения, которая предоставляет вычислительные ресурсы и файлы по мере необходимости. Ваше приложение отправляет задания, получает события и обрабатывает любые функции и инструменты, которые оно определило. Существует три варианта среды:

  • Отсутствие среды вовсе: агент может вызывать настроенные им инструменты без шелла и файлов рабочей среды.
  • Хостинг через OpenAI: для вас создается и запускается песочница, в которой выполняются команды, а файлы или генерируемые результаты хранятся там.
  • Самостоятельный хостинг: вы сами обеспечиваете вычислительные ресурсы и файлы, а ваше приложение занимается настройкой и завершением работы.

Для поиска ошибок среда должна содержать код, его зависимости и настройки тестирования. Сессия, запоминающая ход расследования, не может компенсировать отсутствие какого-либо пакета или недоступность сервиса для тестирования. Важна ещё одна разница: в документации OpenAI указано, что сессия может существовать дольше своей среды, а при самостоятельной разработке приложение само отвечает за вычисления и файлы. То, что файл теста был создан, не означает, что он всё ещё существует, поэтому командам следует проверять оба аспекта перед тем, как гарантировать беспроблемное возобновление работы.

Сохранение результатов работы — не доказательство их корректности

Предположим, запуск завершился убедительным объяснением и положительным результатом теста. Инженеру всё равно необходимо убедиться, что этот тест воспроизвёл первоначальную проблему. Возможно, он тестировал текущую версию клиента, в то время как ошибка находилась в старой версии. Возможно, агент изменял тест так, что тот больше не проверял проблемное поведение.

Именно здесь происходит разделение ответственности. Среда выполнения предоставляет механизмы для выполнения и продолжения работы, а команда разработчиков определяет, какие доказательства считаются признаком успешной реализации. Для данного исследования это означает ситуацию сбоя, которую можно воспроизвести, конкретную версию кода, которая рассматривается, каждую выполняемую команду вместе с её результатом, а также любые оставшиеся сомнения. Эти требования должны быть включены в процесс работы даже в том случае, когда платформа автоматически выполняет соответствующие действия.

К компактизации данных также следует относиться с такой же тщательностью. Краткое изложение сжимает предыдущую работу в рамки доступного контекста модели, однако ключевые решения также должны записываться в надёжный документ, который можно будет изучить. В данном случае условие «только старые клиенты» должно оставаться частью критериев признания задачи выполненной.

Анализ второго агента полезен, но его не следует путать с независимой проверкой. Два агента могут делиться неверными предположениями или опираться на одни и те же слабые доказательства. Тест воспроизведения, который может перепроизвести другой инженер, является более надежной основой.

При принятии решений также применяется та же логика. Руководство OpenAI по безопасности в среде сандбокса гласит, что код, генерируемый агентом, может иметь доступ к файлам, учетным данным и сети, доступным в его среде, поэтому изоляция и строгий контроль доступа должны настраиваться намеренно. В данном примере достаточен доступ для расследования; возможность просмотреть неудачный запрос не подразумевает права изменять данные в производственной среде.

Как это оценить

Разумное тестирование использует один ограниченный рабочий процесс, например, подготовку отчета об расследовании ошибок для анализа. Сравните его с текущим подходом команды: с какой частотой он дает пригодные для использования доказательства, сколько корректировок требует от человека и насколько надежно он возобновляется после прерывания. Рассчитайте общую стоимость за каждый принятый результат, поскольку длительное расследование может включать множество вызовов моделей, инструментов и вспомогательных агентов.

API предоставляет журналы сессий, события, сохранённую историю и возможность проверки использования токенов. В документации также упоминается текущее ограничение: получение трейсов и внешние инструменты экспорта трейсов не входят в состав публичной бета-версии, что имеет значение для команд, уже использующих системы мониторинга. Также стоит заранее рассмотреть требования к данным. В обзоре указано, что на момент его написания API Agents поддерживал хранение данных только в Соединённых Штатах и не предлагал функции полного отсутствия хранения данных, причём самостоятельно размещённый сандбокс не снимает это ограничение.

Если эти ограничения приемлемы, возникает практический вопрос: удаляет ли управляемая среда выполнения достаточно инфраструктурных задач, чтобы оправдать использование такой среды? Некоторым командам понравится такой компромисс, в то время как другие захотят сохранить контроль через SDK или собственные механизмы оркестрации.

Общая тенденция положительная. Контроль над контекстом, выполнение кода, координация агентов и продолжение работы теперь рассматриваются как часть общей инфраструктуры, что подкрепляет идею о том, что полезные агенты зависят от систем, окружающих модель, не меньше, чем от самой модели. Польза заключается в том, что экономимые инженерные усилия направляются на повышение надежности получаемых результатов. В случае повторной попытки это означает передачу следующему инженеру ситуации с ошибкой, которую он может воспроизвести, и доказательств, которые он может изучить.

Это отражает официальную документацию OpenAI, проверенную 15 сентября 2026 года. Примеры рабочих процессов и рекомендации по оценке представляют собой инженерный анализ, а не результаты тестирования.

Связанная литература

  • GemStuffer: Как ИИ-агенты превратили RubyGems и RubyDoc в инструменты атак — В 2026 году агенты OpenAI опубликовали более 2 000 пакетов, запускали код на серверах сборки RubyDoc и сканировали сайты британского правительства. Что произошло, почему это важно и как усилить защиту процессов сборки.