今天我们正式推出首批“积木式”组件， 助力各位开发者和企业轻松打造实用又靠谱的智能代理（agents）。 所谓智能代理，可以理解为是代表用户独立完成各种任务的智能系统。
过去一年，我们不断升级模型能力， 像是更强大的推理能力、多模态互动，还有最新的安全技术等等， 这些都为模型打下了坚实的基础， 让它们能够胜任构建智能代理所需的各种复杂任务。 不过，也有客户反映，想把这些能力真正落地，开发出能实际应用的智能代理， 还是挺有挑战的。 经常需要反复调整提示词，编写复杂的定制化流程，而且过程不够透明， 缺乏足够的技术支持。
为了解决这些难题，我们现在推出一套全新的API和工具，专门用来简化智能代理应用的开发流程：
- 新的 Responses API： 它结合了Chat Completions API的简洁性和Assistants API的工具使用能力，可以更轻松地构建智能代理。
- 内置工具： 包括网页搜索、文件搜索和电脑使用等功能，相当于给智能代理配备了“外脑”和“助手”。
- 新的 Agents SDK： 用于编排单智能代理和多智能代理的工作流程，让智能代理之间的协作更高效。
- 集成的可观测性工具： 可以追踪和检查智能代理的工作流程执行情况，方便开发者调试和优化。
总而言之，这些新工具简化了智能代理的核心逻辑、流程编排和互动方式，让开发者更容易上手。接下来几个月，我们还会陆续发布更多工具和功能，进一步简化和加速大家在我们平台上开发智能代理应用 applications)。
两个API的关系( 并存在 openai 库)：
Developers who don’t require built-in tools can confidently continue using Chat Completions. We’ll keep releasing new models to Chat Completions whenever their capabilities don’t depend on built-in tools or multiple model calls. However, the Responses API is a superset of Chat Completions with the same great performance, so for new integrations, we recommend starting with the Responses API.
python-agents SDK 库
安装
pip install openai-agents # or `uv add openai-agents`, etc
The Agents SDK has a very small set of primitives:
- Agents, which are LLMs equipped with instructions and tools
- Handoffs, which allow agents to delegate to other agents for specific tasks
- Guardrails, which enable the inputs to agents to be validated
handoffs example
可以看到，agent A 可以成为 另一个 agent B 的 tool(handoffs)，如递归一般
from agents import Agent, Runner
import asyncio
spanish_agent = Agent(
name="Spanish agent",
instructions="You only speak Spanish.",
)
english_agent = Agent(
name="English agent",
instructions="You only speak English",
)
triage_agent = Agent(
name="Triage agent",
instructions="Handoff to the appropriate agent based on the language of the request.",
handoffs=[spanish_agent, english_agent],
)
async def main():
result = await Runner.run(triage_agent, input="Hola, ¿cómo estás?")
print(result.final_output)
# ¡Hola! Estoy bien, gracias por preguntar. ¿Y tú, cómo estás?
if __name__ == "__main__":
asyncio.run(main())
Functions example
这个直接上函数 name，不需要设置 schema，这个做法 最早在gemini 的代码仓库见到，但这里似乎是更简洁的实现（连函数的参数说明都不必…）
import asyncio
from agents import Agent, Runner, function_tool
@function_tool
def get_weather(city: str) -> str:
return f"The weather in {city} is sunny."
agent = Agent(
name="Hello world",
instructions="You are a helpful agent.",
tools=[get_weather],
)
async def main():
result = await Runner.run(agent, input="What's the weather in Tokyo?")
print(result.final_output)
# The weather in Tokyo is sunny.
if __name__ == "__main__":
asyncio.run(main())
补充 另一个资料
2025年纽约AI工程师峰会，主题是 building and scaling use cases with OpenAI，
OpenAI 如何 operate
- Research ：build and deploy these foundational model (推进研究，建造模型)
- Apply： take model ，then build it into product （建造产品和app层，并持续迭代）
- Deploy: in the go-to-market sense, deploy this (将产品交付给 end 用户)
identify pathway to implement AI into your organization
- Buliding an AI-enabled workforce
- AI automated operations
- Infusing AI into products
建造 Agent 的思路
如何定义 Agent：
an agent is an AI application consisting of a model equipped with instructions that guide its behavior, access to tools that extend its capabilities , encapsulated in a runtime with a dynamic lifecycle
四个 insight:
1 Abstraction is a tool , not a crutch(拐杖)
必须说 starting with a framework is pretty enticing , 快速搭建一个概念验证系统 in no time 是非常吸引力的，但问题在于，若是刚开始就用框架，你往往不知道 how your system behaves or what primitives it uses. you’ve deferred design decisions before you’ve understood your constraints. 如果不了解约束，也就无法优化你的解决方案。
所以 我们认为，更好的方法是 first build with primitives
#这个观点，和 Anthropic 的观点是一致的，参见 Building effective agents
2 start simple
刚开始就 直接设计复杂的系统，multi-agent system, agents calling agents, coordinating tasks, dynamically reasoning over long trajectories. 这听起来很厉害，但过早去做 就会创造很多 未知。
所以我们建议，starting with a single agent , that’s purpose-built for a single task
put that into production ,with a limited set of users and observe how it performs.
(#类似 MVP，还有很多 startup 的运作思路)
3 use a network of agents for complex tasks
虽然从简单开始，但我们也知道 complexity is where true value is realized, 组装一个 agent 的网络，不同擅长的 agent 放在不同的 节点
4 keep prompts simple, use guardrails to handle edge case
guardrails 不一定要成为 main prompts 的一部分，但要并行运行
再补充一个小细节
翻看 github库之 toml 文 发现 ，openai 疑似不再使用 httpx， 而改用回 requests
（要设置proxy 操作不一样了）
依赖信息对比 openai-agents vs. openai
新的 openai-agents 库：
dependencies = [
“openai>=1.66.2”,
“pydantic>=2.10, <3”,
“griffe>=1.5.6, <2”,
“typing-extensions>=4.12.2, <5”,
“requests>=2.0, <3”,
“types-requests>=2.0, <3”,
]
openai 库的依赖：
dependencies = [
“httpx>=0.23.0, <1”,
“pydantic>=1.9.0, <3”,
“typing-extensions>=4.11, <5”,
“anyio>=3.5.0, <5”,
“distro>=1.7.0, <2”,
“sniffio”,
“tqdm > 4”,
“jiter>=0.4.0, <1”,
]