Agents API от OpenAI: запускайте облачных агентов без лишнего кода

«Строить агентов — значит строить инфраструктуру. Agents API берёт эту ношу на себя, оставляя вам только самое важное: инструменты, знания и логику вашего продукта.»

10 сентября 2026 года OpenAI открыла Agents API в публичную бету, предоставив всем разработчикам доступ к той же управляемой инфраструктуре, которая работает за Codex и ChatGPT for Work, — теперь через единственный API-вызов.

Зачем это вообще нужно?

Любой разработчик, который хоть раз пытался построить полноценного AI-агента, знает боль: модельный вызов — это лишь верхушка айсберга. Под ней прячутся недели работы по написанию логики обработки инструментов, хранению состояния между запросами, управлению контекстным окном и обеспечению надёжности при сбоях.

Команды, создающие долгоживущие агентные пайплайны, были вынуждены самостоятельно реализовывать компрессию контекста, оркестрацию инструментов, координацию дочерних агентов и сохранение состояния. Именно эту сложность и поглощает новый API.

API спроектирован для задач, которые могут выполняться минутами, часами и даже днями — там, где одного ответа модели недостаточно и система должна сохранять контекст, выполнять инструменты, управлять файлами, восстанавливаться после сбоев, координировать параллельную работу и функционировать на протяжении нескольких этапов.

Что такое Agents API на практике

Agents API работает на открытом Codex harness, предоставляя разработчикам прозрачность в ключевой логике координации вызовов модели, инструментов и контекста. OpenAI размещает и обслуживает этот harness.

OpenAI берёт на себя управление сессиями, оркестрацию, компрессию контекста и восстановление после сбоев, тогда как ваше приложение предоставляет инструменты и выбирает среду выполнения.

Четыре ключевых примитива

API строится вокруг четырёх примитивов: агент (модель, инструкции, инструменты, MCP-серверы), среда (опциональная песочница для доступа к файлам и выполнения команд), сессия (долговременный экземпляр, сохраняющий состояние между ходами) и события и элементы (входные данные агента и его выходные результаты).

graph TD
    A[👤 Разработчик] -->|Создаёт| B[Agent\nмодель + инструкции + инструменты]
    B -->|Запускает| C[Session\nдолгоживущий экземпляр]
    C -->|Использует| D[Environment\nпесочница / своя инфра]
    C -->|Порождает| E[Subagents\nпараллельные агенты]
    C -->|Возвращает| F[Events & Items\nрезультаты и артефакты]
    D -->|Выполняет| G[Код / Файлы / MCP-серверы]

Ключевые возможности

🔁 Длинные сессии без потери контекста

Управляемый harness автоматически сжимает ранний контекст по мере приближения сессии к своему лимиту. Это позволяет агенту работать в рамках нескольких контекстных окон без необходимости писать собственную систему суммаризации.

🛠️ Эффективное использование инструментов

Разработчики могут подключать MCP-серверы (Model Context Protocol — стандарт интеграции контекста), кастомные функции и встроенные инструменты вроде веб-поиска. Поиск инструментов загружает определения только по мере необходимости, тогда как программный вызов позволяет агенту выполнять операции параллельно и возвращать в контекст только полезные результаты.

🤖 Мультиагентная оркестрация (Multi-agent support)

Поддержка мультиагентности позволяет основному агенту делегировать независимые задачи дочерним агентам (subagents), работающим параллельно. Это открывает возможность распараллеливать тяжёлые рабочие нагрузки — например, одновременно анализировать несколько репозиториев или параллельно проверять несколько гипотез.

Это ускоряет задачи исследования, анализа и написания кода, которые выигрывают от параллельной работы, без необходимости строить собственную оркестрацию.

🌍 Гибкий выбор среды выполнения

Разработчик сам выбирает вычислительную среду агента: в управляемой OpenAI песочнице, на собственной инфраструктуре или у одного из партнёров-провайдеров песочниц.

OpenAI называет в числе партнёров экосистемы: Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop и Vercel. Среды могут предоставлять различные конфигурации CPU, GPU, памяти, хранилища и сети.

Варианты среды выполнения

Как устроен сеанс работы агента

Сессия выполняется в 4 шага: вы создаёте её и ставите задачу, затем отслеживаете прогресс через стриминг или вебхуки, и наконец продолжаете новой задачей или корректируете текущий ход.

Вот минимальный пример создания агента-инспектора инцидентов через Python SDK:

from openai import OpenAI

client = OpenAI()

# Создаём агента
agent = client.agents.create(
    model="gpt-5.2-codex",
    instructions=(
        "Ты — агент расследования инцидентов. "
        "Проанализируй входящий алерт, делегируй "
        "анализ зависимостей и ошибок дочерним агентам. "
        "Сохрани выводы и рекомендации в /workspace/outputs."
    ),
    tools=[{"type": "file_search"}, {"type": "code_interpreter"}],
)

# Запускаем сессию
session = client.agents.sessions.create(
    agent_id=agent.id,
    environment={"type": "openai_hosted"},
)

# Отправляем задачу
response = client.agents.sessions.submit(
    session_id=session.id,
    input="Проверь алерт #4521: высокая задержка на сервисе payments-api",
)

print(response.output)

Реальные результаты: что говорят первые пользователи

Ранние пользователи API уже делятся конкретными результатами: у компании Ciridae оценка качества выросла с 0,71 до 0,85 при 4-кратном снижении задержки в сценариях с дочерними агентами; SafetyKit снизила стоимость на обращение на 60% после миграции рабочего процесса проверки кейсов; Hypha зафиксировала 86% снижение числа ошибочных ответов агентов после разделения harness и песочницы; Nash.ai эксплуатирует тысячи долгоживущих агентов в глобальных логистических сетях.

Модели, доступные для агентов

В API уже доступна модель GPT-5.2-Codex — версия GPT-5.2, оптимизированная для агентных задач в среде Codex и аналогичных окружениях. Выбор модели остаётся за разработчиком и влияет на стоимость и качество результата.

Ценообразование: что нужно знать

За использование harness отдельная плата не взимается — вы платите за токены модели, использование инструментов и минуты работы песочницы.

Отсутствие отдельной надбавки за API означает, что слой оркестрации сам по себе не добавляет новую фиксированную статью расходов в период беты, тогда как токены модели, платные инструменты, поиск и инфраструктура выполнения остаются основными драйверами затрат.

Для каких задач подходит Agents API

В официальной документации приводятся примеры готовых сценариев: агент реагирования на инциденты — расследует алерты и запрашивает подтверждение на действия по восстановлению; Slack-бот — исследует запросы с помощью подключённых рабочих инструментов; аналитик данных — отвечает на вопросы к хранилищу через SQL в режиме только чтения; исследователь задач GitHub — воспроизводит сообщённые баги и публикует выводы.

Сравнение: Agents API vs самостоятельная оркестрация

Архитектурный сдвиг: почему это важно

Архитектурное значение Agents API — не в новой модели. Это сдвиг в том, где живёт инфраструктура выполнения.

В 2025 году Codex эволюционировал от просто «модели для кода» к полноценному инженерному напарнику: он соединяет модели, локальный инструментарий и облако для решения длинных и сложных задач. Большой сдвиг — это нативные для агентов API в сочетании с моделями, способными выполнять сложные задачи, требующие рассуждений и использования инструментов.

Agents API даёт прочную основу для построения агентов на оптимизированном harness и инфраструктуре — чтобы вы могли сосредоточиться на инструментах, знаниях и рабочих процессах, которые делают вашего агента уникальным.

Итог

Agents API — это не просто новый эндпоинт. Это управляемая платформа, которая берёт на себя весь инфраструктурный боilerplate агентной разработки: сессии, контекст, инструменты, субагенты и отказоустойчивость. При этом harness открыт — вы можете изучить его код в репозитории Codex на GitHub.

Если вы строите что-то, что должно работать часами, обращаться к внешним системам и координировать параллельные задачи, — Agents API стоит попробовать прямо сейчас, пока он в публичной бете и без дополнительных сборов за оркестрацию.

Ссылки для старта:

• Документация Agents API
• Репозиторий Codex на GitHub
• Официальный анонс OpenAI