OpenAI Agents SDK 快速指南5 分钟搭出你的第一个多智能体系统【免费下载链接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-pythonOpenAI Agents SDK 是一个 Python 多智能体框架与 Agent 编排库兼容 OpenAI Responses 与 Chat Completions API也支持 100 第三方 LLM把 Agent 定义、Handoffs、Guardrails、Sessions 和运行追踪装进一个 pip 包。下面讲清它的最小可用路径与生产化要点读完你能写出一个 10 行的 PoC。️ 能力与场景对照表引入前先看一眼框架值不值得引入用场景判断最快。下表把核心能力对应到它解决的问题对照你的业务先打个勾能力你什么时候需要它单 Agent 函数工具想让 LLM 调你自己的接口、数据库或业务函数Handoffs对话需要在翻译、财务、售后等专业 Agent 之间转接Guardrails输入输出要做安全检查防提示注入和越界回答Sessions对话历史要跨轮次、跨服务记住Tracing上线后工作流出错要看到底哪一步、哪个工具、哪次模型调用慢Sandbox / Redis / Temporal长任务、多实例分布式部署、人在环审批这些能力都不需要额外搭架子它们要么是传给 Agent 的参数要么是一个可选安装组。 三步跑通你的第一个 Agent环境要求只有 Python 3.10三步就能跑起来安装pip install openai-agents用 uv 的话是uv add openai-agents设置环境变量OPENAI_API_KEY定义一个带指令的 Agent交给 Runner 执行这段代码建了一个只有一句指令的 Agent让它写一首俳句from agents import Agent, Runner agent Agent(nameAssistant, instructionsYou are a helpful assistant) result Runner.run_sync(agent, Write a haiku about recursion in programming.) print(result.final_output)你会看到终端打印出一首英文俳句。整个过程就是一次 LLM 调用没有工具、没有历史这就是这个多智能体框架的最小执行循环。不想用 OpenAI 模型也行通过官方 litellm provider 接入第三方 LLMAgent 代码不用改。 让多个 Agent 互相交接Handoffs 的正确姿势Handoffs 解决的是 Agent 之间的控制权转移。它像客服转接前台坐席判断这个问题不归自己管点一下转接整段对话就交给专员。技术上 Handoffs 是一个特殊的工具调用LLM 决定转接时Runner 把控制权交给新 Agent然后在新 Agent 身上继续同一个循环。比如下面这个分诊 Agent 处理中西语用户它自己不翻译而是把对话交给对应的语言 Agentfrom agents import Agent, Runner spanish Agent(nameSpanish agent, instructionsYou only speak Spanish.) english Agent(nameEnglish agent, instructionsYou only speak English.) triage Agent( nameTriage agent, instructionsHand off to the agent matching the users language., handoffs[spanish, english], ) print(Runner.run_sync(triage, Hola, ¿cómo estás?).final_output)这段代码定义了一个分诊 Agent 和两个语言 Agent由 LLM 决定转给谁。你会看到西班牙语问候由 Spanish agent 回答全程没有任何硬编码路由转接由模型的工具调用完成。Handoffs 还有个反向玩法agents as tools——父 Agent 把子 Agent 当工具调用拿回结果后继续执行。哪种更适合你的场景可以直接看 Handoffs 示例。 智能体会话持久化对话历史往哪存Sessions 解决一件事不用你手动把历史拼给模型。创建会话后每次运行都传进去SDK 会在运行开始时自动加载历史、结束时写回新消息你不用手写消息列表的拼接逻辑。本地开发和单机部署用内置的 SQLiteSession 就够from agents import Agent, Runner, SQLiteSession agent Agent(nameAssistant, instructionsReply very concisely.) session SQLiteSession(conversation_123) r1 Runner.run_sync(agent, What city is the Golden Gate Bridge in?, sessionsession) r2 Runner.run_sync(agent, What state is it in?, sessionsession) print(r2.final_output)这段代码用同一个会话连问两轮让 Agent 记住上下文。你会看到第二轮直接回答 California它知道“it”指金门大桥。多实例部署换 Redis 会话即可安装openai-agents[redis]可选组也可以按会话接口自己实现一套把历史写进任意存储。 多 Agent 工作流调试直接读 Tracing 轨迹工作流里 Agent 一多、工具一多“错了但不知道为什么”就成了日常。Tracing 默认开启每次运行里的每个 LLM 调用、工具执行、Handoffs 转接都会记成一个 span带耗时、token 用量和输入输出快照。在追踪界面里一次运行能展开成完整时间线谁转交给了谁、哪个工具慢、每次模型调用烧了多少 token。这是多 Agent 工作流调试的第一站——先看轨迹再判断是提示词、工具还是模型的问题。Tracing 是可插拔设计span 也可以发到 Logfire、AgentOps、Braintrust 等外部目的地。生产化部署Sessions、Guardrails 与 Sandbox上生产要盯四条防线关注点做法多实例、多服务共享会话换 Redis 会话会话层与存储层解耦输入输出安全在 Agent 前后挂 Guardrails拦截或标记违规输入输出长任务与人在环审批Temporal 集成跑持久化工作流代码执行与文件操作放进 Sandbox agent隔离网络与文件系统Sandbox 把 Agent 圈进容器里Agent 循环、工具、文件系统都在沙箱内出站请求由网关统一拦截模型产生越权调用也碰不到内部真实系统。想动手的话先跑 examples/basic 里的 hello world 感受执行循环评估生产化就先看 官方文档 里 sessions 和 tracing 两章确认状态和可观测性落在哪。更完整的模式人在环、护栏、并行都在 examples 目录里照着抄最快。【免费下载链接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-python创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
OpenAI Agents SDK 快速指南：5 分钟搭出你的第一个多智能体系统
OpenAI Agents SDK 快速指南5 分钟搭出你的第一个多智能体系统【免费下载链接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-pythonOpenAI Agents SDK 是一个 Python 多智能体框架与 Agent 编排库兼容 OpenAI Responses 与 Chat Completions API也支持 100 第三方 LLM把 Agent 定义、Handoffs、Guardrails、Sessions 和运行追踪装进一个 pip 包。下面讲清它的最小可用路径与生产化要点读完你能写出一个 10 行的 PoC。️ 能力与场景对照表引入前先看一眼框架值不值得引入用场景判断最快。下表把核心能力对应到它解决的问题对照你的业务先打个勾能力你什么时候需要它单 Agent 函数工具想让 LLM 调你自己的接口、数据库或业务函数Handoffs对话需要在翻译、财务、售后等专业 Agent 之间转接Guardrails输入输出要做安全检查防提示注入和越界回答Sessions对话历史要跨轮次、跨服务记住Tracing上线后工作流出错要看到底哪一步、哪个工具、哪次模型调用慢Sandbox / Redis / Temporal长任务、多实例分布式部署、人在环审批这些能力都不需要额外搭架子它们要么是传给 Agent 的参数要么是一个可选安装组。 三步跑通你的第一个 Agent环境要求只有 Python 3.10三步就能跑起来安装pip install openai-agents用 uv 的话是uv add openai-agents设置环境变量OPENAI_API_KEY定义一个带指令的 Agent交给 Runner 执行这段代码建了一个只有一句指令的 Agent让它写一首俳句from agents import Agent, Runner agent Agent(nameAssistant, instructionsYou are a helpful assistant) result Runner.run_sync(agent, Write a haiku about recursion in programming.) print(result.final_output)你会看到终端打印出一首英文俳句。整个过程就是一次 LLM 调用没有工具、没有历史这就是这个多智能体框架的最小执行循环。不想用 OpenAI 模型也行通过官方 litellm provider 接入第三方 LLMAgent 代码不用改。 让多个 Agent 互相交接Handoffs 的正确姿势Handoffs 解决的是 Agent 之间的控制权转移。它像客服转接前台坐席判断这个问题不归自己管点一下转接整段对话就交给专员。技术上 Handoffs 是一个特殊的工具调用LLM 决定转接时Runner 把控制权交给新 Agent然后在新 Agent 身上继续同一个循环。比如下面这个分诊 Agent 处理中西语用户它自己不翻译而是把对话交给对应的语言 Agentfrom agents import Agent, Runner spanish Agent(nameSpanish agent, instructionsYou only speak Spanish.) english Agent(nameEnglish agent, instructionsYou only speak English.) triage Agent( nameTriage agent, instructionsHand off to the agent matching the users language., handoffs[spanish, english], ) print(Runner.run_sync(triage, Hola, ¿cómo estás?).final_output)这段代码定义了一个分诊 Agent 和两个语言 Agent由 LLM 决定转给谁。你会看到西班牙语问候由 Spanish agent 回答全程没有任何硬编码路由转接由模型的工具调用完成。Handoffs 还有个反向玩法agents as tools——父 Agent 把子 Agent 当工具调用拿回结果后继续执行。哪种更适合你的场景可以直接看 Handoffs 示例。 智能体会话持久化对话历史往哪存Sessions 解决一件事不用你手动把历史拼给模型。创建会话后每次运行都传进去SDK 会在运行开始时自动加载历史、结束时写回新消息你不用手写消息列表的拼接逻辑。本地开发和单机部署用内置的 SQLiteSession 就够from agents import Agent, Runner, SQLiteSession agent Agent(nameAssistant, instructionsReply very concisely.) session SQLiteSession(conversation_123) r1 Runner.run_sync(agent, What city is the Golden Gate Bridge in?, sessionsession) r2 Runner.run_sync(agent, What state is it in?, sessionsession) print(r2.final_output)这段代码用同一个会话连问两轮让 Agent 记住上下文。你会看到第二轮直接回答 California它知道“it”指金门大桥。多实例部署换 Redis 会话即可安装openai-agents[redis]可选组也可以按会话接口自己实现一套把历史写进任意存储。 多 Agent 工作流调试直接读 Tracing 轨迹工作流里 Agent 一多、工具一多“错了但不知道为什么”就成了日常。Tracing 默认开启每次运行里的每个 LLM 调用、工具执行、Handoffs 转接都会记成一个 span带耗时、token 用量和输入输出快照。在追踪界面里一次运行能展开成完整时间线谁转交给了谁、哪个工具慢、每次模型调用烧了多少 token。这是多 Agent 工作流调试的第一站——先看轨迹再判断是提示词、工具还是模型的问题。Tracing 是可插拔设计span 也可以发到 Logfire、AgentOps、Braintrust 等外部目的地。生产化部署Sessions、Guardrails 与 Sandbox上生产要盯四条防线关注点做法多实例、多服务共享会话换 Redis 会话会话层与存储层解耦输入输出安全在 Agent 前后挂 Guardrails拦截或标记违规输入输出长任务与人在环审批Temporal 集成跑持久化工作流代码执行与文件操作放进 Sandbox agent隔离网络与文件系统Sandbox 把 Agent 圈进容器里Agent 循环、工具、文件系统都在沙箱内出站请求由网关统一拦截模型产生越权调用也碰不到内部真实系统。想动手的话先跑 examples/basic 里的 hello world 感受执行循环评估生产化就先看 官方文档 里 sessions 和 tracing 两章确认状态和可观测性落在哪。更完整的模式人在环、护栏、并行都在 examples 目录里照着抄最快。【免费下载链接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-python创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
