OpenAI 10 сентября 2026 года представила Agents API в публичной beta. Это не новая чат-модель и не очередная обёртка над одним ответом модели, а управляемый слой для запуска облачных AI-агентов: сессии, инструменты, среда выполнения, память рабочего процесса, параллельные субагенты и инфраструктура, близкая к той, на которой работает Codex.
Если совсем коротко: раньше разработчик часто сам собирал агентный контур из модели, очереди задач, вызова инструментов, хранения файлов, ретраев, лимитов контекста и песочницы. Agents API переносит большую часть этого слоя в управляемый сервис OpenAI. Модель по-прежнему важна, но главный релиз здесь — именно harness: то, что держит агента в рабочем состоянии, помогает ему пользоваться инструментами и доводить длинную задачу до результата.
Что именно выпустила OpenAI
Agents API позволяет создать сессию агента одним API-вызовом: в запросе задаются модель, задача, инструменты, настройки многоагентного режима и среда, где агент будет работать. В примере OpenAI используется gpt-6-astra, MCP-инструмент для observability, включённые субагенты и OpenAI-hosted environment.
Важная деталь: OpenAI называет релиз публичной beta. То есть это уже доступно разработчикам, но компания прямо говорит, что будет быстро менять продукт по обратной связи до general availability. Для production-проектов это означает привычный компромисс: можно начинать пилоты и внутренние инструменты, но контракт API и поведение harness стоит отслеживать внимательнее, чем у зрелого stable-сервиса.
По смыслу Agents API закрывает три уровня задачи:
- запуск агента как управляемой сессии, а не одиночного запроса;
- подключение инструментов, файлов, пакетов, skills и plugins к рабочей среде;
- координация длинной работы, включая context management и параллельных субагентов.
Это отличается от классического «вызвал модель, получил ответ». Агенту можно дать задание вроде расследования ошибки, анализа репозитория или подготовки артефактов, а не только попросить сформулировать текстовый ответ.
Почему это отдельный инфоповод, а не просто новый endpoint
У OpenAI уже были Responses API, function calling, built-in tools и Codex. Поэтому легко решить, что Agents API — ещё один слой названий поверх тех же кирпичей. Но первоисточник описывает другой акцент: OpenAI отдаёт разработчикам managed-версию агентного harness, который сама использует для Codex.
В обычной интеграции с LLM разработчик отвечает почти за всё вокруг модели. Нужно решить, где исполняется код, как хранить промежуточные файлы, как агент продолжит работу после длинного диалога, как не перегружать контекст схемами всех инструментов, как распараллелить независимые части задачи, как собрать результаты обратно и как не потерять состояние при сбое.
Agents API пытается сделать это сервисной возможностью. OpenAI берёт на себя поддержку harness и инфраструктуры, а разработчик выбирает среду, инструменты и прикладную логику. На практике это может сократить путь от прототипа агента до внутреннего рабочего инструмента: меньше самописной обвязки, меньше очередей и glue-кода, больше внимания к тому, какие действия агент вообще имеет право выполнять.
Среды выполнения: OpenAI sandbox, своя инфраструктура и партнёры
Один из центральных элементов релиза — выбор среды выполнения. OpenAI пишет, что агент может работать в OpenAI-managed sandbox, на собственной инфраструктуре разработчика или через sandbox-партнёров. Среди партнёров в анонсе перечислены Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop и Vercel.
Это важно не ради списка компаний. У агентных задач очень разные требования к среде. Одному проекту нужен быстрый ephemeral sandbox, чтобы агент мог прочитать файлы, запустить тесты и отдать отчёт. Другому нужна среда внутри VPC, потому что данные и секреты нельзя выносить наружу. Третьему нужны GPU, специфичные пакеты, долгий cold start или, наоборот, дешёвое масштабирование коротких задач.
OpenAI-hosted sandbox — вариант для быстрого старта. Компания описывает его как среду, где агент может запускать код, работать с файлами и создавать артефакты. При этом sandbox можно конфигурировать файлами, пакетами, skills и plugins. Для разработчика это похоже на управляемое рабочее место агента: не просто prompt, а маленькая среда, где задача реально исполняется.
Длинные сессии и управление контекстом
Сильная часть анонса — работа с длительными задачами. OpenAI прямо пишет, что полезным агентам нужна инфраструктура, которая может надёжно держать их работу часами или днями. Для этого Agents API включает context management: когда сессия подходит к лимиту контекста, предыдущая история компактируется так, чтобы сохранить информацию, нужную для продолжения.
Это звучит скучно, но в реальной агентной разработке именно здесь часто ломается магия. Агент может хорошо стартовать, найти файлы, построить план, сделать половину работы, а потом потерять важные решения в длинном контексте. Или разработчик вынужден вручную писать слой summarization: какие факты оставить, какие файлы упомянуть, как не потерять ограничения пользователя и что делать после перезапуска.
Если managed compaction будет работать стабильно, Agents API даст разработчикам более практичный режим: агент может переходить через несколько контекстных окон без того, чтобы приложение вручную пересобирало всю память задачи.
Инструменты: MCP, custom functions и built-in tools
OpenAI отдельно подчёркивает инструментальный слой. Agents API поддерживает MCP, пользовательские функции и built-in tools, включая web search. В анонсе также описан tool search: агенту не нужно заранее держать в контексте все определения инструментов, он может подгружать релевантные по мере необходимости.
Это полезно по двум причинам. Во-первых, большие каталоги инструментов съедают контекст и деньги. Если агенту доступно несколько десятков внутренних MCP-серверов, схемы всех команд нельзя постоянно держать перед моделью без потерь. Во-вторых, чем больше инструментов видно модели одновременно, тем выше шанс лишнего или неправильного вызова. Tool search должен помогать агенту находить нужный инструмент точнее и дешевле.
Другой элемент — programmatic tool calling. OpenAI описывает сценарии, где агент может запускать вызовы параллельно, связывать операции цепочкой, фильтровать и объединять результаты в коде, а в контекст возвращать только существенное. Это ближе к нормальной инженерной обработке данных, чем к наивному циклу «модель решила вызвать одну функцию, потом прочитала весь ответ».
Субагенты: параллельная работа без собственного оркестратора
Agents API включает multi-agent support. Основной агент может разбивать задачу на независимые части и делегировать их субагентам, которые работают параллельно. У каждого субагента свой контекст, а основной агент собирает результаты и координирует общий вывод.
Для каких задач это имеет смысл? Например, расследование инцидента можно разделить на логи, деплой, зависимости и изменения конфигурации. Анализ репозитория — на backend, frontend, тесты и инфраструктуру. Исследовательскую задачу — на первоисточники, конкурентов, ограничения и варианты реализации.
Главная польза здесь не в красивом слове «мультиагентность», а в снижении цены самописной оркестрации. До такого релиза команде приходилось самой решать, как создать несколько рабочих контекстов, как ограничить их полномочия, как собрать отчёты, как избежать гонок и как показать пользователю доказательства. OpenAI предлагает встроенный слой, где это становится настройкой API.
Открытая основа: Codex harness
OpenAI пишет, что Agents API работает на open-source Codex harness. Это любопытный ход: компания продаёт managed-сервис, но оставляет разработчикам видимость логики, которая координирует model calls, tools и context. Для команд это снижает ощущение чёрного ящика.
Конечно, open-source foundation не означает, что весь hosted-сервис прозрачен до последней детали. Инфраструктура, sandboxing, лимиты и внутренние оптимизации остаются сервисной частью. Но возможность посмотреть на базовую логику harness полезна: можно понять модель исполнения, оценить риски, повторить часть подходов у себя или хотя бы не строить агентную архитектуру только на маркетинговых схемах.
Сколько это стоит и как попробовать
В анонсе OpenAI пишет, что Agents API доступен всем разработчикам в публичной beta. Отдельной платы за сам Agents API нет: разработчик платит за токены и инструменты, которые использует агент, согласно обычной pricing-странице.
Попробовать релиз можно через обзор Agents API и quickstart в документации OpenAI. Практически я бы начинал не с боевого автономного агента, а с ограниченного сценария: например, агент читает логи, запускает безопасные проверки, пишет отчёт в файл и не имеет права сам деплоить изменения. Так быстрее видно, где harness помогает, а где всё равно нужны собственные права, лимиты и human review.
Для российских пользователей и команд с ограниченным доступом к зарубежным сервисам остаётся обычный организационный вопрос: как оплачивать доступ и какие данные можно отправлять во внешнюю инфраструктуру. Но это уже не особенность Agents API, а общая реальность работы с западными AI-платформами.
Что это значит для разработчиков
Agents API показывает, куда движется рынок AI-инструментов: ценность постепенно смещается от одиночной модели к управляемой системе исполнения. Модель отвечает за интеллект, но рабочий результат рождается в связке с файлами, инструментами, sandbox, памятью сессии, политиками доступа и проверками.
Для разработчиков это хорошая новость, если нужно быстро собрать агента для внутренней автоматизации: расследование инцидентов, анализ кода, подготовка отчётов, обработка документов, сбор артефактов, интеграция с внутренними MCP-сервисами. Но это не отменяет инженерной дисциплины. Агент с доступом к инструментам — это уже не чат, а исполнитель в системе. Ему нужны границы, журнал действий, понятные права, тестовый контур и способ остановки.
Самый здравый подход к Agents API сейчас — смотреть на него как на managed runtime для задач, где агент реально должен действовать. Если задача решается одним ответом модели, достаточно обычного API. Если нужно несколько шагов, файлы, инструменты, параллельные проверки и сохранение результата, новый API становится намного интереснее.
Источник
Оригинальный анонс OpenAI: Introducing the Agents API. Дата публикации в первоисточнике — 10 сентября 2026 года.