OpenAI Agents SDK и Responses API: новый стек для создания агентов

В марте 2025 года OpenAI провела Developer Day, на котором представила два ключевых продукта для разработчиков агентных систем: Agents SDK и Responses API. Это событие часто остаётся в тени более громких анонсов (Operator, GPT-5), но для тех, кто строит AI-приложения, оно, возможно, важнее. Agents SDK и Responses API — это не просто новые инструменты. Это признание OpenAI, что предыдущий подход (Assistants API) был ошибкой, и заявка на новую архитектурную парадигму для агентного AI.

Начнём с контекста. В ноябре 2023 года OpenAI запустила Assistants API — платформу для создания AI-ассистентов с долгосрочной памятью, поддержкой файлов и вызовом инструментов. Идея была в том, что OpenAI управляет состоянием ассистента (историей разговора, загруженными файлами, результатами работы инструментов), а разработчик просто отправляет сообщения и получает ответы. Звучало привлекательно, но на практике обернулось проблемами. Разработчики жаловались на непредсказуемые задержки (от 3 до 30 секунд на ответ), ограниченный контроль над поведением ассистента, высокую стоимость (хранение файлов и тредов оплачивалось отдельно) и vendor lock-in — перенести ассистента на другую платформу было практически невозможно.

Responses API решает эти проблемы радикально: вместо того чтобы хранить состояние на серверах OpenAI, API возвращает его разработчику. Каждый ответ содержит полный набор данных: текст, результаты вызова инструментов, метаданные — и разработчик сам решает, что сохранять и как структурировать. Это возврат к философии Chat Completions API (stateless, предсказуемый, быстрый), но с возможностями Assistants API (инструменты, веб-поиск, генерация файлов). По словам руководителя API-направления OpenAI Атиша Агравала, «мы поняли, что разработчики хотят контроль, а не удобство за счёт контроля».

Что конкретно умеет Responses API? Во-первых, встроенный веб-поиск. Вы можете отправить запрос с параметром tools: [{type: 'web_search'}], и модель самостоятельно сформирует поисковый запрос, обработает результаты и включит найденную информацию в ответ — с ссылками на источники. До этого для веб-поиска нужно было интегрировать сторонний сервис (Google Search API, Bing API) и писать кастомный код. Теперь это одна строчка конфигурации. Во-вторых, генерация файлов: модель может создавать CSV, JSON, изображения и возвращать их как часть ответа. В-третьих, computer use — интеграция с CUA (той же моделью, что стоит за Operator) через API.

Но настоящая звезда мартовского анонса — Agents SDK. Это open-source Python-фреймворк (MIT License, GitHub: openai/openai-agents-python), который предоставляет набор высокоуровневых абстракций для создания мультиагентных систем. Три ключевые концепции: Agent (обёртка вокруг LLM с набором инструментов и инструкций), Handoff (механизм передачи управления от одного агента другому) и Guardrails (валидация входов и выходов агента).

Handoffs заслуживают отдельного разговора. В мультиагентных системах критически важно уметь правильно передавать задачу от одного агента другому. Представьте клиентскую поддержку: первый агент (triage) определяет тему обращения, второй (billing specialist) решает вопросы с оплатой, третий (technical support) — технические проблемы. Handoff в Agents SDK — это декларативное описание, когда и кому агент должен передать управление. Вы определяете условия перехода, передаваемый контекст и fallback-поведение. SDK берёт на себя маршрутизацию, передачу истории разговора и обработку ошибок.

Guardrails — вторая важная инновация. Это валидаторы, которые проверяют входы и выходы агентов в реальном времени. Например, вы можете определить guardrail, который проверяет, что ответ агента не содержит персональных данных, или что финансовый совет сопровождается дисклеймером, или что код прошёл синтаксическую проверку. Guardrails могут быть реализованы как простые функции (регулярные выражения, проверки типов) или как вызовы другой LLM (classification guardrail, который определяет, является ли ответ безопасным). SDK поддерживает цепочки guardrails — если один пропустил, другой поймает.

Третий компонент — трассировка (Tracing). Каждый вызов агента, каждый handoff, каждая проверка guardrail автоматически логируется с временными метками, потреблением токенов и результатами. Трассы можно визуализировать в OpenAI Dashboard — вы буквально видите, как агенты взаимодействуют друг с другом, где происходят задержки, на каких шагах возникают ошибки. Для production-систем это бесценно: вместо отладки по логам вы получаете полную картину работы мультиагентной системы.

Мы сравнили Agents SDK с конкурентами. LangGraph (от LangChain) — более зрелый и гибкий фреймворк с поддержкой произвольных графов агентных workflows, включая циклы и условные ветвления. CrewAI — более простой в освоении, с интуитивной метафорой «команды агентов». Semantic Kernel от Microsoft — enterprise-ориентированный с глубокой интеграцией в Azure. Agents SDK от OpenAI — минималистичный и мнениевый: он навязывает определённые паттерны (handoffs вместо произвольных графов, guardrails вместо middleware), но благодаря этому код получается чистым и предсказуемым. Для 80% use cases этого достаточно; для оставшихся 20% вам понадобится что-то более гибкое.

Важный нюанс: Agents SDK model-agnostic по дизайну, но оптимизирован для моделей OpenAI. Формально вы можете подключить любую LLM через OpenAI-совместимый API endpoint, и многие разработчики используют его с Claude, Gemini, и open-source моделями через LiteLLM. Но handoffs, guardrails и tracing работают лучше всего с GPT-4o и GPT-5, потому что SDK использует специфические для OpenAI features (function calling, structured outputs). Это разумный бизнес-ход: open-source инструмент, который мягко подталкивает к использованию коммерческого API.

Реакция разработчиков была преимущественно положительной. За первую неделю Agents SDK набрал 8 000+ звёзд на GitHub. Разработчики оценили простоту (рабочий мультиагентный прототип за 50 строк кода), качество документации (OpenAI вложилась в примеры и кукбуки) и прозрачность (MIT License, никаких скрытых зависимостей). Критика касалась в основном ограниченной гибкости: нет поддержки циклических workflows, нет встроенной персистентности, нет DAG-based оркестрации. OpenAI ответила, что эти функции появятся в будущих версиях, но приоритет — стабильность и простота.

Agents SDK и Responses API вместе формируют новый стек OpenAI для агентного AI. Responses API — это транспортный уровень: как вызывать модели, инструменты и получать результаты. Agents SDK — это уровень оркестрации: как организовать несколько агентов в систему. OpenAI Playground и Dashboard — это уровень мониторинга: как наблюдать за работой агентов и отлаживать проблемы. Это цельная, продуманная архитектура — и, что важно, первая по-настоящему production-ready альтернатива разрозненному набору инструментов, который разработчики агентов собирали из библиотек и скриптов.

Какой подход к созданию агентов кажется вам более правильным: минималистичный SDK с жёсткими паттернами (как Agents SDK) или гибкий фреймворк, где можно построить любую архитектуру (как LangGraph)?