来源：市场资讯
（来源：磐创AI）
轻量级但强大，支持 100+ LLM，内置追踪、护栏、人在回路，Python 开发者必备
如果你在用 OpenAI API 开发多 Agent 应用，一定遇到过这些麻烦：
要自己管理 Agent 之间的通信和 handedoff； 要自己实现会话历史和上下文管理； 要自己搭建追踪系统来调试 Agent 行为……
多 Agent 开发，重复造轮子太多。
现在，OpenAI 官方把这个轮子做好了。
openai/openai-agents-python——OpenAI Agents SDK 的 Python 版本，已经拿到22k Star，成为多 Agent 开发的首选框架。
01 Agents SDK 是什么：官方多 Agent 框架
用最简单的话说：
这是 OpenAI 官方出的多 Agent 工作流开发框架。
它帮你解决了： - Agent 之间的协作和任务分配 - 会话历史和上下文管理 - 工具调用和权限控制 - 运行追踪和调试 - 安全护栏和人在回路
核心价值：让你专注于业务逻辑，不用重复造轮子。
核心特性
特性
轻量级
代码简洁，易上手
供应商中立
支持 OpenAI API 和 100+ 其他 LLM
内置追踪
自动记录 Agent 运行，方便调试
人在回路
支持人工审批和干预
Sandbox Agents
在隔离环境中执行真实任务
实时语音 Agent
支持 gpt-realtime-1.5
02 核心概念：9 个关键组件
1. Agents（Agent）
定义：配置了指令、工具、护栏和交接的 LLM。
from agents import Agent agent = Agent( name="研究助手", instructions="你是一个研究助手，帮助用户查找和分析信息。", tools=[search_tool, calculator_tool], ) 2. Sandbox Agents（沙盒 Agent）
定义：预配置了容器环境的 Agent，可以执行真实任务。
用途： - 检查文件 - 运行命令 - 应用补丁 - 跨长时间任务保持状态
from agents.sandbox import SandboxAgent, Manifest, GitRepo agent = SandboxAgent( name="工作区助手", instructions="在回答前先检查沙盒工作区。", default_manifest=Manifest( entries={ "repo": GitRepo(repo="openai/openai-agents-python", ref="main"), } ), ) 3. Handoffs（交接）
定义：Agent 之间委托任务的机制。
场景： - 研究 Agent 发现需要写代码 → 交给编码 Agent - 客服 Agent 遇到复杂问题 → 交给人工客服
from agents import Agent, handoff research_agent = Agent(name="Research") coding_agent = Agent(name="Coding") # 研究 Agent 可以把任务交给编码 Agent research_agent.handoffs = [handoff(coding_agent)] 4. Tools（工具）
定义：让 Agent 采取行动的各种能力。
支持类型： - Python 函数 - MCP 工具 - Hosted 工具
from agents import Agent, function_tool @function_tool def get_weather(city: str) -> str: return f"Weather in {city}: Sunny, 25°C" agent = Agent(tools=[get_weather]) 5. Guardrails（护栏）
定义：输入输出的安全检查和验证。
用途： - 过滤敏感信息 - 验证输出格式 - 防止越权操作
from agents import Agent, input_guardrail, output_guardrail @input_guardrail def check_sensitive_data(input): # 检查是否包含敏感数据 pass agent = Agent(input_guardrails=[check_sensitive_data]) 6. Human in the Loop（人在回路）
定义：在 Agent 运行过程中引入人工审批。
场景： - 高风险操作需要人工批准 - Agent 不确定时请求人工帮助 - 关键决策需要人工确认
from agents import Runner, human_in_the_loop # 在关键步骤暂停，等待人工审批 result = Runner.run( agent, "执行敏感操作", hooks=human_in_the_loop.approval_required() ) 7. Sessions（会话）
定义：自动管理跨 Agent 运行的对话历史。
价值： - 不用手动维护上下文 - 支持长期记忆 - 可选 Redis 持久化
from agents import Session session = Session(agent_id="my-agent") session.add_message("user", "你好") session.add_message("assistant", "你好！有什么可以帮助你的？") # 下次运行时自动加载历史 8. Tracing（追踪）
定义：自动记录和追踪 Agent 运行。
功能： - 查看完整的 Agent 执行轨迹 - 调试问题 - 优化性能
from agents import trace with trace("研究工作流"): result = Runner.run(agent, "研究量子计算") # 可以在 UI 中查看完整的执行轨迹 9. Realtime Agents（实时 Agent）
定义：基于 gpt-realtime-1.5 的语音 Agent。
用途： - 语音对话 - 实时响应 - 低延迟交互
from agents.realtime import RealtimeAgent agent = RealtimeAgent( name="语音助手", instructions="你是一个友好的语音助手。", ) 03 安装使用：5 分钟上手
前置要求
- Python
>= 3.10
- OpenAI API Key
安装
# 使用 venv python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate pip install openai-agents # 或使用 uv（更快） uv init uv add openai-agents # 可选：语音支持 pip install 'openai-agents[voice]' # 可选：Redis 会话支持 pip install 'openai-agents[redis]' 第一个 Agent
from agents import Agent, Runner agent = Agent( name="助手", instructions="你是一个乐于助人的助手。", ) result = Runner.run_sync(agent, "你好，请介绍一下自己。") print(result.final_output) 多 Agent 协作
from agents import Agent, Runner, handoff # 研究 Agent research_agent = Agent( name="Research Agent", instructions="研究用户的问题，如果需要写代码，交给编码 Agent。", handoffs=[handoff(coding_agent)], ) # 编码 Agent coding_agent = Agent( name="Coding Agent", instructions="根据需求编写代码。", ) # 运行 result = Runner.run_sync(research_agent, "研究 Python 并发编程") 04 高级功能：深入使用
Sandbox Agent 详解
什么是 Sandbox Agent？
Sandbox Agent 是一个可以在隔离环境中执行真实任务的 Agent。
适用场景： - 需要检查和修改代码 - 需要运行命令 - 需要跨长时间任务保持状态
完整示例：
from agents import Runner, RunConfig from agents.sandbox import SandboxAgent, Manifest, GitRepo from agents.sandbox.sandboxes import UnixLocalSandboxClient # 创建 Sandbox Agent agent = SandboxAgent( name="工作区助手", instructions="检查沙盒工作区后再回答。", default_manifest=Manifest( entries={ "repo": GitRepo(repo="openai/openai-agents-python", ref="main"), } ), ) # 运行 result = Runner.run_sync( agent, "检查 repo 的 README，总结这个项目做什么的。", run_config=RunConfig(sandbox=SandboxRunConfig(client=UnixLocalSandboxClient())), ) print(result.final_output) 追踪系统
内置追踪 UI：
手动追踪：
from agents import trace, Runner with trace("复杂工作流"): result = Runner.run_sync(agent, "执行复杂任务") # 在 UI 中查看完整轨迹 追踪内容： - Agent 调用 - 工具调用 - Handoff 事件 - Guardrail 触发
护栏配置
输入护栏：
from agents import Agent, input_guardrail @input_guardrail def check_prompt_injection(input): # 检测提示词注入攻击 if "ignore previous instructions" in input.lower(): raise ValueError("检测到提示词注入") agent = Agent(input_guardrails=[check_prompt_injection]) 输出护栏：
from agents import Agent, output_guardrail @output_guardrail def check_sensitive_output(output): # 检查是否泄露敏感信息 if "API_KEY" in output: raise ValueError("检测到敏感信息泄露") agent = Agent(output_guardrails=[check_sensitive_output]) 人在回路
简单审批：
from agents import Runner, human_in_the_loop result = Runner.run( agent, "删除数据库", hooks=human_in_the_loop.approval_required(), ) 自定义审批逻辑：
from agents import human_in_the_loop @human_in_the_loop.custom_approval def custom_approval(action): # 自定义审批逻辑 if action == "delete": return input("确定要删除吗？(y/n)") == "y" return True 05 典型用例：真实场景
用例一：客服机器人
需求：自动回答常见问题，复杂问题转人工。
方案：
from agents import Agent, Runner, handoff # 客服 Agent support_agent = Agent( name="客服助手", instructions="回答用户问题，无法回答时转人工。", handoffs=[handoff(human_agent)], tools=[faq_search, order_lookup], ) # 人工客服 human_agent = Agent( name="人工客服", instructions="处理复杂问题。", ) 用例二：代码审查助手
需求：自动审查代码，发现问题后建议修改。
方案：
from agents import Agent, Runner from agents.sandbox import SandboxAgent, GitRepo # 代码审查 Agent reviewer = SandboxAgent( name="代码审查员", instructions="检查代码质量问题，给出修改建议。", tools=[lint_tool, security_scan], ) result = Runner.run_sync( reviewer, "审查这个 PR 的代码。", ) 用例三：数据分析工作流
需求：多 Agent 协作完成数据分析。
方案：
from agents import Agent, Runner, handoff # 数据获取 Agent fetch_agent = Agent( name="数据获取", instructions="从数据源获取数据。", tools=[database_query, api_fetch], handoffs=[handoff(analysis_agent)], ) # 分析 Agent analysis_agent = Agent( name="数据分析", instructions="分析数据，生成报告。", tools=[statistical_analysis, visualization], ) # 运行 result = Runner.run_sync(fetch_agent, "分析上个月的销售数据") 06 与竞品对比
vs LangChain
维度
LangChain
OpenAI Agents SDK
复杂度
学习曲线
陡峭
平缓
官方支持
社区维护
OpenAI 官方
追踪系统
需额外配置
内置
多 Agent
支持
原生支持
结论：LangChain 功能更全面，Agents SDK 更轻量、易上手。
vs AutoGen
维度
AutoGen
OpenAI Agents SDK
定位
研究导向
生产导向
复杂度
文档
一般
完善
生产就绪
中等
结论：AutoGen 适合研究，Agents SDK 适合生产。
vs CrewAI
维度
CrewAI
OpenAI Agents SDK
多 Agent
核心功能
供应商中立
支持多模型
支持 100+ LLM
追踪系统
基础
完善
官方支持
社区
OpenAI 官方
结论：功能相近，Agents SDK 有官方背书。
07 依赖生态：灵活的选择
核心依赖
用途
Pydantic
数据验证
Requests
HTTP 请求
MCP Python SDK
工具协议
Griffe
文档生成
可选依赖
用途
websockets
实时通信
SQLAlchemy
数据库
any-LLM / LiteLLM
多模型支持
开发工具
工具
用途
uv
包管理
ruff
代码格式化
mypy / Pyright
类型检查
pytest
测试框架
08 我的看法：这是官方在统一多 Agent 标准
Agents SDK 的发布，我看作是一个信号。
信号一：多 Agent 是未来
OpenAI 之前 focus 在单模型能力，现在推出多 Agent 框架，说明：
多 Agent 工作流是 AI 应用的下一个战场。
单个 Agent 能力再强，也有局限。
多个 Agent 协作，可以： - 分工合作 - 互相校验 - 处理复杂任务
信号二：标准化是趋势
之前的多 Agent 框架，各有各的标准。
Agents SDK 的发布，意味着： - OpenAI 在推动标准化 - Handoff、Guardrail、Tracing 都有标准定义 - 开发者可以复用最佳实践
信号三：生产就绪是重点
与研究导向的框架不同，Agents SDK 明显更关注生产：
内置追踪（方便调试）
人在回路（方便审批）
Sandbox（方便执行真实任务）
完善文档（方便上手）
这些都是生产环境需要的。
局限性
当然，Agents SDK 也有局限：
- Python only
：其他语言需要等 JS/TS 版本
- 较新
：社区生态还在建设中
- 最佳实践
：还在探索中
但这些会随时间完善。
2024 年，我们用单 Agent 完成简单任务。
2025 年，我们用多 Agent 协作处理复杂工作。
2026 年，多 Agent 开发变得像写普通代码一样简单。
这个变化看似微小，实则深远：
多 Agent 开发正在从"实验"变成"工程"。
Agents SDK 可能不是最终形态，但它代表了一个方向：
多 Agent 应用的开发门槛会越来越低，每个开发者都能构建复杂的多 Agent 系统。
如果你也在开发 AI 应用，不妨试试这个 SDK。
说不定，下一个爆款应用就从这里开始。
参考资料： - openai/openai-agents-python GitHub 仓库 - 官方文档 - JavaScript/TypeScript 版本 - 示例代码
热门跟贴