Agents API 将 Codex 执行框架交给应用调用
据文章介绍,OpenAI 的 Agents API 已进入公测,应用可调用托管的 Codex 执行框架,由平台处理会话、上下文压缩和故障恢复。Agent 可在沙箱中运行代码、编辑文件、连接 MCP 并生成产物,模型与托管沙箱分别计费。
AI 深度解读
把能执行代码、修改文件的 Codex 接进自己的应用,难点往往不只在模型,还在会话怎么持续、任务中断后怎么恢复、上下文太长怎么处理。原文介绍的 Agents API,试图把这些运行工作交给 OpenAI,应用负责提供工具、配置执行环境并下发任务。
原文称它自 9 月 10 日起进入公开测试,但没有注明年份。这篇值得读的地方,是它展示了「把 Codex 当作应用后端能力」的接入方式;局限也很明确:没有实测、完整代码或对照数据,更多是一份产品能力摘要。
接入的是模型,还是一套代理运行机制?
Agents API 提供的是对 Codex harness 的访问。这里的 harness,可以理解成让模型持续执行任务的一套运行机制,包括会话管理、任务编排、上下文压缩和故障恢复。
它要替开发者接管的,是模型调用之外的运行工作。
原文把 session 定义为一个可持续存在、能处理任务并响应输入的代理实例。与单次请求结束就返回结果的调用方式相比,应用可以向同一个 session 继续派发任务,也可以在当前任务执行过程中补充指令。
在 OpenAI 托管模式下,应用发送输入、接收事件,OpenAI 运行代理并创建、管理沙箱。代理可以在沙箱中执行代码、编辑文件、连接 MCP servers,以及生成文件等产物。
不过,托管不等于应用侧没有工作。应用仍需提供工具、选择执行环境,并处理代理返回的事件与结果。原文也展示了自托管环境的配置,因此不能把所有接入方式都理解为 OpenAI 全包。
一个任务怎样从创建走到持续执行?
原文给出的接入流程有 5 步:
- 创建 session。
- 配置代理,同时由 OpenAI 准备环境。
- 提交任务,环境就绪后启动一轮执行,也就是 turn。
- 通过流式输出跟踪进度,或使用 webhooks 接收完成、需要补充输入等通知。
- 向同一 session 发送后续任务,或者在当前 turn 中引导代理。
这里最影响应用设计的是第四步。任务可能持续执行,也可能中途等待输入,前端需要表达这些状态,后端则需要接收事件并关联到对应会话。把它做成一个提交后只等最终文本的接口,会浪费这套机制提供的交互能力。
原文提到的配置示例使用自托管环境,工作目录为 /workspace,模型为 gpt-6-astra,开启 multi-agent mode,并允许最多 4 个并发子代理。curl 请求还需要携带 OpenAI-Beta: agents=v1 请求头。
但输入没有附上实际代码,也没有端点和请求体,无法据此拼出可靠的接入示例。另外,原文虽然写了「四个核心概念」的小标题,却没有列出具体内容,这部分信息存在缺失。
我的判断
这个方向对需要持续处理代码、文件和工具调用的应用有价值。相比团队自行维护代理循环,托管方案把会话、上下文压缩和恢复集中处理,开发者可以把精力放在工具接口与业务流程上。
但原文没有证明它比自建方案更稳定、更便宜,也没说明恢复覆盖哪些故障、会话保留多久、任务状态如何持久化。「durable」是文档中的能力描述,不能直接当作任何任务都能无损续跑的保证。
原文列出的完整示例包括事故响应代理、Slack bot、通过只读 SQL 回答数仓问题的数据分析代理、GitHub issue 调查器和文档审阅器,还有用子代理比较发布说明、再合并结果的示例。这些说明了适用方向,没有提供生产效果数据。
费用也要拆开看:模型使用按所选模型的 API 费率计费,OpenAI 工具按标准费率计费,OpenAI 托管沙箱按标准容器费率计费。原文没有给出具体单价或单任务账单。开启 4 个并发子代理的示例,也不能证明并发一定更划算。
对于只需要生成一段文本的功能,普通模型 API 仍然更直接。是否引入 Agents API,应看任务是否真的需要持续会话、执行环境和中途引导。
能拿来做什么
- 如果准备做 GitHub issue 调查工具,可以用它验证「读取问题、检查代码、输出调查结果」的完整流程,并检查生成结论是否有文件依据。
- 如果用 Node 构建代理后端,可以先围绕 session、流式事件和 webhooks 设计状态管理,让前端清楚显示执行中、等待输入和已完成。
- 如果尝试子代理比较发布说明,可以先跑单代理版本,再比较并发方案的结果质量、耗时和费用,别把示例配置直接当作最佳配置。
- 如果评估接入成本,应分别记录模型、工具和托管沙箱的消耗。原文缺少账单数据,需要用自己的任务补齐。