# OpenAI представила обновление Agents SDK: глубокая интеграция с Codex и облачными песочницами Источник: https://www.youtube.com/watch?v=tK32trvj_b4 Канал: OpenAI Опубликовано: 28.05.2026 --- OpenAI провела очередной выпуск Build Hour, полностью посвященный развитию Agents SDK — инструментария для создания автономных ИИ-агентов. Ведущие Кристина и Стив, инженер команды API в OpenAI, обсудили переход от простых чат-ботов к сложным системам, способным выполнять задачи на протяжении дней и даже недель, а также представили технические обновления, упрощающие деплой таких решений в продакшен. ## 🤖 Эволюция агентов: от коротких сессий к долгосрочным задачам [[JUMP:01:44]] По словам Стива, современные модели становятся все более эффективными при выполнении работы на длинных траекториях [01:57]. В качестве примера он привел внутренние инструменты OpenAI: * **Codex:** Инструмент для написания кода, который может работать над задачей от нескольких минут до часа. Внутренние тесты показывают, что при определенных условиях Codex способен выполнять автономные задачи в течение недели [02:22]. * **Security Agent:** Агент на базе Codex, специализирующийся на поиске уязвимостей в legacy-коде и критически важных репозиториях OpenAI [02:36]. * **Data Agent:** Внутренний инструмент, подключенный к озерам данных (data lakes), который переводит сложные запросы на естественном языке в SQL и выдает ответы за минуты вместо часов ручного написания кода [03:02]. Несмотря на эти успехи, Стив подчеркивает, что создание агентов промышленного уровня остается сложной задачей. Разработчикам приходится балансировать между производительностью и гибкостью платформы, а также решать проблемы изоляции среды (sandbox), управления секретами и восстановления состояния после сбоев [03:29]. ## 🏗 Архитектура Agents SDK: разделение логики и вычислений [[JUMP:04:47]] Главным обновлением Agents SDK стало внедрение "harness" (обвязки) в стиле Codex, которая отделяет оркестрацию агента от среды вычислений (compute) [07:12]. Стив выделил несколько проблем старого подхода, когда логика агента и его рабочая среда (файловая система) были неразрывно связаны: 1. **Нагрузка на песочницу:** Если контейнер с агентом «умирает», все состояние (state) теряется без возможности восстановления [07:49]. 2. **Безопасность:** Хранение секретов внутри песочницы делает систему уязвимой для атак через инъекции промптов (prompt injection) [08:02]. Новая архитектура позволяет рассматривать песочницу как эфемерный объект. Вся логика и управление секретами остаются в надежной инфраструктуре разработчика (например, в AWS или Temporal), а песочница используется только для выполнения конкретных команд. SDK берет на себя автоматическое создание снимков (snapshots) файловой системы и их «регидратацию» (восстановление) при перезапуске задачи [08:15]. Ключевые возможности обновленного SDK: * **Интеграция с провайдерами песочниц:** Поддержка Docker, Modal, E2B, Cloudflare, Vercell и других [05:13]. * **Асинхронный шелл:** Агент может запустить команду, заняться другими делами и вернуться за результатом позже [09:52]. * **Управление памятью:** Агенты могут обучаться на прошлых ошибках и улучшать выполнение задач со временем [08:54]. ## 💻 Новые возможности API и Skills [[JUMP:11:30]] Помимо SDK, OpenAI обновила основной API, добавив инструменты для упрощения работы с агентами: * **Hosted Shell Tool:** Легковесная версия песочницы внутри Responses API. Позволяет загрузить файлы, выполнить код в изолированном контейнере и получить результат одним вызовом API [11:43]. * **Контроль сети:** Возможность ограничивать доступ контейнеров в интернет или задавать «белые списки» доменов для повышения безопасности [12:24]. * **Skills API:** Централизованное хранилище «навыков» (skills) — наборов инструкций и скриптов для специфических задач (например, подготовка налоговой отчетности). Поддерживается версионность и интеграция с GitHub [12:49]. Стив также анонсировал долгожданный релиз версии Sandbox Agent на **TypeScript**, которая теперь доступна наряду с версией на Python [13:55]. ## 🛠 Практический демо-кейс: Создание агентского трекера задач [[JUMP:14:08]] В ходе живой демонстрации Стив показал процесс автоматизации планирования конференции с помощью агентов. ### Шаг 1: Определение агента и Docker-песочницы [[JUMP:16:14]] Разработка началась с создания `SandboxAgent` — подкласса стандартного агента, которому были переданы инструкции по редактированию программных ассетов. В качестве базовой среды использовался локальный Docker-контейнер с образом Python 3.12 [17:30]. Агент автоматически получил доступ к загруженным файлам и начал их анализ через выполнение консольных команд [17:55]. ### Шаг 2: Использование навыков (Skills) из Git [[JUMP:18:22]] Стив продемонстрировал, как подключить к агенту репозиторий GitHub в качестве источника навыков. Это позволяет использовать Git для ревью изменений в инструкциях агента и управления версиями. Благодаря "capability" (способностям) SDK, агент может не только читать файлы навыков, но и использовать специализированные инструменты, такие как `apply_patch` для точечного редактирования кода [19:39]. ### Шаг 3: Перенос в облако и снапшоты [[JUMP:23:08]] Для промышленного использования агент был переведен из Docker в облачную среду **Modal**. Стив показал, как снимки файловой системы автоматически сохраняются в хранилище **Cloudflare R2** [26:55]. При возобновлении задачи SDK скачивает архив (tarball), разворачивает его в новом контейнере, и агент продолжает работу с того же места, «не замечая» смены инфраструктуры [22:02]. ### Шаг 4: Инструменты и подтверждение действий (Human-in-the-loop) [[JUMP:27:32]] Были добавлены функции (function tools) для обновления статуса задач и назначения исполнителей. Для критических действий, таких как перевод задачи в статус "Done", был настроен хук одобрения [30:15]. Агент приостанавливает выполнение и ждет подтверждения от человека в интерфейсе, прежде чем вызвать функцию [31:08]. ### Шаг 5: Монтирование внешних данных (R2/S3 Mount) [[JUMP:33:08]] Для работы с большими объемами данных или часто меняющимися файлами SDK поддерживает прямое монтирование бакетов (R2/S3). По мнению Стива, это критично для соблюдения условий актуальности данных (freshness constraint) [33:47]. Агент видит внешнее хранилище как локальную папку, что избавляет от необходимости долгого копирования файлов при каждом запуске контейнера [36:36]. ## ❓ Ответы на вопросы: Ответственность и масштабирование [[JUMP:37:56]] В сессии ответов на вопросы к дискуссии присоединился Ниш, менеджер по продукту в области агентов. **Когда использовать SDK вместо обычного API?** Стив считает, что API Responses лучше подходит для быстрых разовых задач (перевод, структурирование данных). SDK же раскрывает свой потенциал в задачах с длинным горизонтом планирования, где важна тесная интеграция с инструментами Codex и средой выполнения [39:13]. **Как управлять состоянием долгоживущих агентов?** Ниш пояснил, что SDK уникален тем, что сохраняет не только историю сообщений, но и состояние всей файловой системы. Это позволяет «замораживать» агентов на дни и возобновлять их работу без потери контекста [41:10]. **Может ли один «супервизор» управлять сотнями агентов?** По мнению Стива, это вполне возможно уже сейчас через механизмы передачи задач (handoffs) или использование общих файловых систем и баз данных для коммуникации [46:07]. Он ожидает, что массово-параллельная работа агентов станет стандартом в ближайшем будущем [46:34].