OpenAI的Agents API：自定义智能体框架的托管替代方案
本文介绍了 OpenAI 的新 Agents API 如何处理上下文管理、工具协调以及执行环境，从而让团队无需自行构建定制化的智能体基础设施。
OpenAI 已推出全新 Agents API 的公开测试版，简而言之：原本用于运行 Codex 的框架现已作为托管云服务向所有人开放。无需自行构建调度层，只需描述任务、选择模型、连接工具，并指定代理的运行位置即可。通过一次 API 调用，就能生成可直接投入使用的代理，而所有复杂的处理工作——如上下文管理、工具调度、子任务协调等——都由 OpenAI 自行处理。
你可以使用自己常用的任何工具和连接器，将它们连接到选定的沙箱环境中，然后让代理继续处理后续工作。
一次调用即可替代整个框架
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."
});
传统上，要从头构建一个功能完善的智能体意味着要处理许多繁琐的工程问题：管理上下文窗口中的内容容量、调整工具调用时的令牌使用量，以及手动编写逻辑来确保子任务之间的同步。Agents API旨在承担所有这些工作：
- 自动上下文压缩：当会话的上下文容量接近上限时，系统会自动裁剪和总结之前的对话内容，因此无需自定义逻辑即可维持长时间运行的任务。
- 通过工具搜索实现按需加载的工具定义，这既能保持模型缓存的完整性，又能减少整体令牌消耗。
- 支持并行调用和链式调用的编程化工具调用方式，这样只有大型数据集中真正重要的部分才会被传回主智能体的上下文中。
该服务目前运行在 OpenAI 最新的模型 GPT-6-Astra 上。
选择适合自己的执行环境
并非所有智能体任务都有相同的基础设施需求，因此 Agents API 提供了三种不同的运行方式：
- 由 OpenAI 托管的沙箱环境，基于已用于运行 Codex 和 ChatGPT 的相同后端
- 自主管理的基础设施，智能体直接在您自己的 VPC 中运行
- 由合作伙伴提供的沙箱环境，包括 Blaxel、Cloudflare、Daytona、DigitalOcean、E2B、Modal、Oracle、Runloop 和 Vercel
选择哪种方案取决于你的优化目标。对于快速原型开发，托管沙箱能以最少的阻碍帮助你开始工作。而对于有合规要求或数据驻留限制的生产级任务，在自己的 VPC 中运行则能提供所需的控制力。每种方案在计算资源、内存使用、GPU 访问权限、冷启动时间以及成本方面都有各自的权衡，因此你可以根据任务需求选择合适的环境。
早期采用者的反馈
已尝试该测试版的少数团队已经报告了令人鼓舞的成果：
- Ciridae 的评估分数从 0.71 上升到 0.85，同时延迟时间减少了四倍
- SafetyKit 将案例审核成本降低了 60%，并且在令牌效率方面也有显著提升
Ciridae的首席技术官表示，该团队花费数月时间在内部开发了专属的子代理可观测性与编排系统，而转向托管API后无需额外调整即可立即带来可量化的改进。这些成果背后的共同点很明确：一旦不必再负责维护自定义代理基础设施，就可以将精力投入到真正能提升产品差异化的逻辑层面。
设计上透明可见，而非黑箱操作
该服务基于开源的Codex框架构建，其底层代码仍公开发布在GitHub上。OpenAI负责运行和维护相关基础设施，但核心执行逻辑完全透明——用户可随时查看。这意味着使用这项托管服务无需信任封闭系统，开源技术的透明度也延续到了该托管产品中。
考虑实际成本
有传言称此次发布已导致上百家初创公司倒闭，这并非完全无稽之谈。每当平台提供商将某部分核心基础设施整合进托管服务后，那些完全依赖该中间层技术的公司就不得不寻找新的发展路径。
开发者们已经指出了一个与定价相关的严重问题：对一项复杂的任务进行一次重试就可能会触发数十次工具调用，而每一次调用都会将其完整的追踪信息添加到上下文中。在得到可行的结果之前，费用就可能已经大幅上升。目前，在公开测试阶段，OpenAI 对 Agents API 本身并不收取额外费用——你只需为所消耗的令牌以及触发的工具执行次数付费。这意味着你可以节省构建和运行自有框架的工程成本，但可能在实际运行成本上付出更多。如何在让智能体高效地自动调用工具与控制成本之间找到恰当平衡，是每个团队都需要自行解决的课题。
实际启示
测试新的智能体概念从未如此便宜且高效。那些没有现有内部智能体框架的团队现在可以直接在 Codex 上进行开发，完全无需投入基础工程工作。如果您的组织已经拥有自研的智能体框架，那么值得问一个关键问题：构建和维护该框架真的能提升产品的独特性吗？如果不能，转而使用这类托管服务可以节省大量工程时间。
Agents API 目前仍处于公开测试阶段，在此期间可免费使用，因此完全没有理由不通过一次 API 调用创建一个测试智能体，看看它实际能实现什么功能。
这一新产品的推出符合大型语言模型不断简化开发者以往需自行构建的各层结构的整体趋势。先是出现了“模型即服务”，接着是“工具即服务”，现在则是更接近“机器人即服务”的形式。每一步都让开发者进一步远离基础设施层面的操作，转而专注于构建真正能使其产品脱颖而出的应用与体验——而且这一趋势丝毫没有放缓的迹象。
相关阅读
- 了解 OpenAI Responses API 中的 Items 与 Messages 的区别 —— 解释了 OpenAI 的 Responses API 如何将模型输出重新组织为 Items 而非 Messages，以及这一变化为何对工具调用和智能体工作流至关重要。