Agents SDK от OpenAI: sandbox и model-native harness

Следующий шаг в эволюции Agents SDK от OpenAI

В апреле 2026 года OpenAI выпустила значимое обновление своего Agents SDK (набора средств разработки для AI-агентов). Компания представила стандартизированную инфраструктуру, оптимизированную именно под модели OpenAI: model-native harness (нативный управляющий слой для моделей), позволяющий агентам работать с файлами и инструментами на компьютере, а также встроенное выполнение в sandbox-среде (изолированном окружении) для безопасного запуска задач.

Эра AI-агентов как побочных экспериментальных проектов заканчивается. Теперь строится настоящая производственная инфраструктура.

Обновление от 15 апреля 2026 года решает одну из ключевых проблем в разработке агентов: слишком многие команды строили одну и ту же инфраструктуру вручную, с нуля.

Что было не так раньше?

Разработчикам нужно больше, чем просто лучшие модели: им нужны системы, которые поддерживают инспекцию файлов, выполнение команд, написание кода и многошаговые задачи. Существовавшие до обновления решения предполагали компромиссы при переходе от прототипов к production.

До появления sandbox в Agents SDK, чтобы создать production-агента, способного безопасно выполнять код, нужно было вручную собирать: клиент к API модели, среду выполнения контейнеров, изоляцию учётных данных, хранение состояния, маршрутизацию инструментов и логику подтверждений.

По сути, каждая команда изобретала велосипед. Обновлённый SDK предоставляет разработчикам стандартизированный способ создания подобных рабочих процессов без необходимости воссоздавать цикл агента, маршрутизацию инструментов, управление состоянием и sandbox-инфраструктуру с нуля.

Три кита нового Agents SDK

Апрельское обновление Agents SDK объединяет три примитива — управляемые sandbox-среды, инспектируемый harness и настраиваемую память — в одной Python-библиотеке.

graph TD
    A[Agents SDK] --> B[Model-Native Harness\nУправляющий слой]
    A --> C[Native Sandbox Execution\nИзолированная среда выполнения]
    A --> D[Configurable Memory\nНастраиваемая память]
    B --> E[Маршрутизация инструментов]
    B --> F[Управление состоянием]
    B --> G[Подтверждения и трассировка]
    C --> H[Файловая система]
    C --> I[Shell-команды]
    C --> J[Установка зависимостей]
    D --> K[Session Memory\nПамять сессии]
    D --> L[Sandbox Memory\nПамять окружения]

1. Model-Native Harness — нативный управляющий слой

Model-native harness — это слой среды выполнения, который соответствует тому, как модели естественным образом используют инструменты и контекст.

Harness — это слой, координирующий цикл агента: он определяет, как агент получает инструкции, как инструменты становятся доступными, как переносится состояние и как модель взаимодействует с файлами или системами.

Обновлённый SDK предоставляет модели harness, включающий инструкции, инструменты, подтверждения, трассировку, передачу управления и учёт возобновления — именно такое поведение модели характерно для агентов в стиле Codex.

Harness согласовывает выполнение модели с её производительными характеристиками, держит агентов близко к естественным паттернам работы модели и повышает надёжность долгосрочных или скоординированных задач между инструментами и системами.

2. Native Sandbox Execution — изолированная среда выполнения

Обновлённый Agents SDK поддерживает выполнение в sandbox нативно, поэтому агенты могут работать в управляемых компьютерных средах с файлами, инструментами и зависимостями, необходимыми для задачи. Многим полезным агентам нужно рабочее пространство, где они могут читать и записывать файлы, устанавливать зависимости, запускать код и безопасно использовать инструменты.

Нативная поддержка sandbox даёт разработчикам этот исполнительный слой «из коробки», вместо того чтобы вынуждать их собирать его по кусочкам самостоятельно.

SDK разделяет постоянный доверенный harness и эфемерную ненадёжную вычислительную среду. Разделение ограничивает радиус поражения при инцидентах и позволяет делать снапшоты (snapshot) с последующим восстановлением (rehydrate). Когда sandbox выходит из строя или истекает, SDK восстанавливает состояние в новом контейнере из последней контрольной точки.

Поддерживаемые провайдеры sandbox

Разработчики могут использовать собственный sandbox или встроенную поддержку для Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop и Vercel.

3. Configurable Memory — настраиваемая память

SDK предлагает две системы памяти: Session Memory (для истории разговора, с поддержкой SQLAlchemy, SQLite, Redis, с шифрованием) и Sandbox Memory (для хранения уроков, извлечённых из файловой системы между запусками).

Безопасность как архитектурный принцип

Одна из сильных сторон обновления — то, что OpenAI говорит о prompt injection (внедрении вредоносных инструкций в промпт) и утечке данных как о базовых предположениях проектирования. Это правильный подход: если агенты запускают код, работают с файлами и вызывают инструменты, безопасность должна быть архитектурной, а не косметической.

Пример: как это выглядит в коде

Предположим, нужно создать агента для анализа финансовых отчётов. Агент может загружать файлы в свой sandbox, обрабатывать их с помощью определённых навыков (skills) и возвращать результаты.

from agents import Agent, Runner
from agents.sandbox import E2BSandbox

# Определяем агента с sandbox-окружением
agent = Agent(
    name="financial-analyst",
    instructions="Анализируй финансовые отчёты и возвращай ключевые метрики.",
    sandbox=E2BSandbox(),  # Подключаем провайдер E2B
    tools=["shell", "filesystem", "apply_patch"],  # Инструменты агента
)

# Запускаем задачу
result = Runner.run(
    agent,
    input="Проанализируй отчёт Q3 в файле report_q3.xlsx",
    files=["report_q3.xlsx"],
)

print(result.output)

SDK сворачивает весь стек: определи агента через манифест, описывающий рабочее пространство, подключи возможности (shell, файловая система, навыки, память) и выбери sandbox-клиент. Harness возьмёт на себя всё, что происходит между вызовами модели.

Отраслевой контекст: от экспериментов к production

Обновление Agents SDK отражает более широкий тренд в индустрии. Предприятия уже не просто экспериментируют с агентами — они пытаются развернуть их в масштабе, в реальных средах, где ошибка имеет реальные последствия.

Важно отметить: SDK не привязан только к моделям OpenAI. Хотя он оптимизирован для них, SDK работает более чем со 100 другими LLM через Chat Completions API — архитектурное решение, которое позволяет избежать vendor lock-in при сохранении простоты разработки.

“Agents SDK от OpenAI позволил нам реализовать сложные юридические рабочие процессы благодаря унифицированному фреймворку со встроенными средствами защиты и безопасными изолированными средами для обработки данных и выполнения кода,” — рассказал Мин Чэн, директор по AI в LexisNexis.

Доступность и дорожная карта

Новые возможности harness и sandbox запускаются сначала в Python, поддержка TypeScript запланирована на будущее. Также в разработке находятся дополнительные функции, включая code mode и подагентов (subagents), для обоих языков.

Все новые возможности Agents SDK доступны всем пользователям через API по стандартным ценам — никаких отдельных тарифов не требуется.

Итог: инфраструктура, а не просто библиотека

Апрельское обновление Agents SDK — признак того, что разработка агентов взрослеет: от промптов с вызовами функций до настоящей исполнительной инфраструктуры. Нативные sandbox-среды, улучшенный harness, память, редактирование патчей и переносимость рабочих пространств — всё указывает в одном направлении: агенты, способные выполнять более длительную, надёжную и хорошо изолированную работу.

Комбинация sandbox и структурированного harness не решает всех проблем, но устраняет два значительных барьера, из-за которых корпоративные команды медлили. Теперь агенты могут работать в управляемых средах с необходимыми инструментами трассировки, подтверждений и возобновления — функциями, которые являются базовым требованием для production-программного обеспечения.