OpenAI Agents SDK多智能体工作流的快速上手指南【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 是一个面向智能体工作流开发的 Python 多智能体框架。它把对话记忆、任务交接、工具调用、运行追踪这四件琐事统一装进了一个执行循环你只需要传入一个智能体加一句消息框架自己转完整个循环再把最终结果交回来。它也不绑死 OpenAI 模型Responses、Chat Completions 两大接口以及 100 多家其他 LLM 都能直接跑。自己写多智能体时麻烦到底出在哪不用框架、直接调模型接口的话麻烦从第二个智能体出现的那一刻开始。模型本身没有记忆每次请求都得手动把之前完整的对话历史塞回去漏一轮智能体就忘记自己聊到哪了谁主导、谁负责细节、当前智能体干完活后该把控制权移交给谁都要靠你自己写代码安排模型说要调用某个函数时解析参数、执行函数、把结果按正确格式喂回去也得自己接住更糟的是几个智能体来回几轮之后出了问题你只能翻日志猜。SDK 的做法是把这些事收进一个统一的 Runner 循环传入智能体和初始消息后框架自己反复执行调模型 → 跑工具 → 处理交接 → 直到拿到最终输出拿到可用结果才返回。三分钟跑通第一个 Agent 官方要求 Python 3.10 以上。先建虚拟环境再装包python -m venv .venv source .venv/bin/activate pip install openai-agents设置好OPENAI_API_KEY环境变量就可以写最小示例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)运行后会得到模型写的一首关于递归的俳句。如果以后要用语音流水线或 Redis 会话还有可选的voice、redis依赖组届时一并安装即可。核心机制拆解谁干活、谁接管、谁兜底SDK 的概念可以归成三组来记。干活的是 Agent 加工具。智能体本质上是一个带着岗位说明书上岗的模型instructions 是岗位说明书tools 是它能上手的工具集工具既可以是自己用装饰器包起来的 Python 函数也可以是平台托管工具或 MCP 服务器提供的整套工具。接管的是 Handoffs。交接是一种特殊工具当前智能体判断这事不归我管时调用它下一轮开始由另一个智能体接手模型自己完成了任务路由你的代码里一行 if/else 都不用写。再配合结构化输出结果还能是固定格式的数据方便直接在代码里做程序化调度。兜底的是 护栏、Session 和追踪。护栏在输入输出两端做校验拦截不符合预期的请求和回复Session 自动保管对话历史让下一次运行自动记得上一轮追踪把全过程记下来事后可逐步回放。三个典型场景挂工具、分诊交接、多轮记忆最常见的组合是一个智能体加一个工具把get_weather函数包装成工具挂到智能体上用户问东京天气如何时模型会自己调用这个函数最终回复东京天气晴朗全程不需要你写调用逻辑。第二种是分诊式交接分别造一个只说西班牙语和只用英语的专家智能体再把它们的清单交给分诊智能体。用户用西语打招呼后分诊智能体把话头交出去此后由西语智能体直接回应——像服务台把人引到对应窗口只是分诊台本身也是个模型。官方还提供了可视化能力可以把智能体之间的连接关系导成一张图第三种是多轮会话记忆给 Runner.run 传入 session 对象比如用 SQLiteSession 把历史存在conversation_123这个键下。先问金门大桥在哪座城市再问它在哪个州第二次会直接答出加州——历史上下文由框架自动附带你不需要自己拼接。调试与观测看穿一次 Agent 运行的全过程追踪默认开启每一次 LLM 生成、工具调用、交接、护栏执行都会写进同一条记录在 Traces 面板里能看到完整时间线卡在哪一步、耗时多少一目了然如果数据需要落到自建平台SDK 留了自定义追踪处理器的扩展点官方文档中也给出了与 Logfire、AgentOps、Braintrust、Scorecard 等第三方平台对接的现成配置。踩过的坑提示词、分工与复盘最常见的坑是指令写得太含糊想让模型好好用工具就要在 instructions 里写明白有哪些工具、怎么用、参数长什么样行为不对时先迭代提示词再回头改代码。第二个坑是期望一个智能体全能——实践里拆成几个各司其职的专家各自只擅长一件事反而更稳。第三个坑是跑完不复盘多跑几次、对着追踪找它跑偏的节点再修正也可以让智能体在循环里多走一轮自我批评让它自己改进输出。下一步从本地跑通到部署扩展准备部署时第一个要决定的是会话放哪里分布式场景用 Redis 会话想接自己的存储就实现一套自定义 Session 接口工作流跑得久、又包含人工确认环节时官方建议用 Temporal 做持久化编排。想深入的话可以从本仓库的 docs/quickstart.md 和 docs/sessions.md 起步再翻一翻 examples 目录里的示例脚本。你会发现从跑通一个 hello world到让几个智能体配合干活中间的距离没有想象中那么远。【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：多智能体工作流的快速上手指南
OpenAI Agents SDK多智能体工作流的快速上手指南【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 是一个面向智能体工作流开发的 Python 多智能体框架。它把对话记忆、任务交接、工具调用、运行追踪这四件琐事统一装进了一个执行循环你只需要传入一个智能体加一句消息框架自己转完整个循环再把最终结果交回来。它也不绑死 OpenAI 模型Responses、Chat Completions 两大接口以及 100 多家其他 LLM 都能直接跑。自己写多智能体时麻烦到底出在哪不用框架、直接调模型接口的话麻烦从第二个智能体出现的那一刻开始。模型本身没有记忆每次请求都得手动把之前完整的对话历史塞回去漏一轮智能体就忘记自己聊到哪了谁主导、谁负责细节、当前智能体干完活后该把控制权移交给谁都要靠你自己写代码安排模型说要调用某个函数时解析参数、执行函数、把结果按正确格式喂回去也得自己接住更糟的是几个智能体来回几轮之后出了问题你只能翻日志猜。SDK 的做法是把这些事收进一个统一的 Runner 循环传入智能体和初始消息后框架自己反复执行调模型 → 跑工具 → 处理交接 → 直到拿到最终输出拿到可用结果才返回。三分钟跑通第一个 Agent 官方要求 Python 3.10 以上。先建虚拟环境再装包python -m venv .venv source .venv/bin/activate pip install openai-agents设置好OPENAI_API_KEY环境变量就可以写最小示例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)运行后会得到模型写的一首关于递归的俳句。如果以后要用语音流水线或 Redis 会话还有可选的voice、redis依赖组届时一并安装即可。核心机制拆解谁干活、谁接管、谁兜底SDK 的概念可以归成三组来记。干活的是 Agent 加工具。智能体本质上是一个带着岗位说明书上岗的模型instructions 是岗位说明书tools 是它能上手的工具集工具既可以是自己用装饰器包起来的 Python 函数也可以是平台托管工具或 MCP 服务器提供的整套工具。接管的是 Handoffs。交接是一种特殊工具当前智能体判断这事不归我管时调用它下一轮开始由另一个智能体接手模型自己完成了任务路由你的代码里一行 if/else 都不用写。再配合结构化输出结果还能是固定格式的数据方便直接在代码里做程序化调度。兜底的是 护栏、Session 和追踪。护栏在输入输出两端做校验拦截不符合预期的请求和回复Session 自动保管对话历史让下一次运行自动记得上一轮追踪把全过程记下来事后可逐步回放。三个典型场景挂工具、分诊交接、多轮记忆最常见的组合是一个智能体加一个工具把get_weather函数包装成工具挂到智能体上用户问东京天气如何时模型会自己调用这个函数最终回复东京天气晴朗全程不需要你写调用逻辑。第二种是分诊式交接分别造一个只说西班牙语和只用英语的专家智能体再把它们的清单交给分诊智能体。用户用西语打招呼后分诊智能体把话头交出去此后由西语智能体直接回应——像服务台把人引到对应窗口只是分诊台本身也是个模型。官方还提供了可视化能力可以把智能体之间的连接关系导成一张图第三种是多轮会话记忆给 Runner.run 传入 session 对象比如用 SQLiteSession 把历史存在conversation_123这个键下。先问金门大桥在哪座城市再问它在哪个州第二次会直接答出加州——历史上下文由框架自动附带你不需要自己拼接。调试与观测看穿一次 Agent 运行的全过程追踪默认开启每一次 LLM 生成、工具调用、交接、护栏执行都会写进同一条记录在 Traces 面板里能看到完整时间线卡在哪一步、耗时多少一目了然如果数据需要落到自建平台SDK 留了自定义追踪处理器的扩展点官方文档中也给出了与 Logfire、AgentOps、Braintrust、Scorecard 等第三方平台对接的现成配置。踩过的坑提示词、分工与复盘最常见的坑是指令写得太含糊想让模型好好用工具就要在 instructions 里写明白有哪些工具、怎么用、参数长什么样行为不对时先迭代提示词再回头改代码。第二个坑是期望一个智能体全能——实践里拆成几个各司其职的专家各自只擅长一件事反而更稳。第三个坑是跑完不复盘多跑几次、对着追踪找它跑偏的节点再修正也可以让智能体在循环里多走一轮自我批评让它自己改进输出。下一步从本地跑通到部署扩展准备部署时第一个要决定的是会话放哪里分布式场景用 Redis 会话想接自己的存储就实现一套自定义 Session 接口工作流跑得久、又包含人工确认环节时官方建议用 Temporal 做持久化编排。想深入的话可以从本仓库的 docs/quickstart.md 和 docs/sessions.md 起步再翻一翻 examples 目录里的示例脚本。你会发现从跑通一个 hello world到让几个智能体配合干活中间的距离没有想象中那么远。【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