OpenAI Agents SDK3分钟跑通你的第一个多智能体工作流【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 Python 的多智能体框架用Agent定义智能体指令 工具 交接由Runner自动驱动模型调用 → 工具执行 → 智能体交接的循环。如果你的 Python LLM 应用开始超出单智能体能处理的任务边界这个库值得一看。它官方支持 OpenAI 的 Responses 与 Chat Completions API装可选依赖litellm版本锁定1.83.0后可接入 100 其他模型提供商。 3分钟跑通第一个文本智能体环境要求 Python 3.10 及以上pyproject.toml中requires-python为3.10包名openai-agents当前版本 0.22.0pip install openai-agents设置好OPENAI_API_KEY后四行代码就是一个完整智能体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)Runner.run_sync异步版为Runner.run返回的RunResult里除了final_output还有完整消息历史、每次调用的用量和原始响应。你不用自己写那个循环模型响应里带工具调用就执行并回填结果带交接就换智能体继续直到产出最终输出或触及max_turns上限。 给智能体装上手函数工具与 MCP普通 Python 函数套上function_tool装饰器即可被模型调用——类型标注生成参数 schemadocstring 变成模型看到的工具说明连参数怎么传都不用额外配置。已有服务端工具则不必逐个包装agents/mcp/内置 MCP 客户端指向一个 MCP 服务stdio、SSE 或 streamable HTTP 传输均可服务端暴露的工具就并入智能体的工具集。下面的追踪截图里Filesystem Server 的read_file()、write_file()、search_files()等十几个工具就是这样被逐个调用并留痕的。 多智能体交接怎么设计分诊智能体Handoff 本质上是一种特殊的工具调用模型判断这事该交给更专业的智能体时触发一次控制权转移。典型形态是分诊智能体Triage——它只负责路由不干具体活spanish Agent(nameSpanish, instructionsOnly speak Spanish) english Agent(nameEnglish, instructionsOnly speak English) triage Agent(nameTriage, instructionsHand off by request language, handoffs[spanish, english]) result await Runner.run(triage, Hola, ¿cómo estás?)交接可以完全交给模型判断也可以写成确定性代码路由examples/agent_patterns/routing.py里两种模式都有现成示例。需要程序化判断时给路由智能体配output_type结构化输出路由决策就变成可校验的 JSON而不是只能祈祷的自然语言。更多模式见 handoffs 文档。 多轮对话记住上下文会话管理不传session时每次运行从零开始智能体对上一轮毫无记忆。传入会话对象后消息历史的读取与追加由框架接管session SQLiteSession(conversation_123) await Runner.run(agent, Golden Gate Bridge 在哪个城市, sessionsession) await Runner.run(agent, 它在哪个州, sessionsession) # 能接上上文答 CaliforniaSQLiteSession开箱即用源码还提供 Redis、MongoDB、SQLAlchemy、Dapr、OpenAI Conversations 等实现分布式部署时换后端不用改业务代码必要时自己实现Session协议即可。 智能体跑偏了去哪查追踪调试多智能体应用最难的是回答谁在哪一步说了什么、为什么。SDK 默认对每次运行全量追踪智能体间的交接、每次POST /v1/responses请求、每个工具调用的耗时都在界面上按时间轴展开点任意一个 span 能看到该步的模型、指令原文、输入输出和 token 数。输出不对时能直接定位到具体哪次调用出了问题。任务形态再往上走还有SandboxAgent容器内长时间工作支持 Unix 本地与 Docker 客户端、RealtimeAgentWebSocket 低延迟语音和VoicePipeline语音识别 智能体 语音合成管线。适合想快速搭出可控多智能体流程、且需要看清每一步轨迹的 Python 开发者跑通第一个智能体后接着读官方文档即可深入。【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 SDK3分钟跑通你的第一个多智能体工作流【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 Python 的多智能体框架用Agent定义智能体指令 工具 交接由Runner自动驱动模型调用 → 工具执行 → 智能体交接的循环。如果你的 Python LLM 应用开始超出单智能体能处理的任务边界这个库值得一看。它官方支持 OpenAI 的 Responses 与 Chat Completions API装可选依赖litellm版本锁定1.83.0后可接入 100 其他模型提供商。 3分钟跑通第一个文本智能体环境要求 Python 3.10 及以上pyproject.toml中requires-python为3.10包名openai-agents当前版本 0.22.0pip install openai-agents设置好OPENAI_API_KEY后四行代码就是一个完整智能体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)Runner.run_sync异步版为Runner.run返回的RunResult里除了final_output还有完整消息历史、每次调用的用量和原始响应。你不用自己写那个循环模型响应里带工具调用就执行并回填结果带交接就换智能体继续直到产出最终输出或触及max_turns上限。 给智能体装上手函数工具与 MCP普通 Python 函数套上function_tool装饰器即可被模型调用——类型标注生成参数 schemadocstring 变成模型看到的工具说明连参数怎么传都不用额外配置。已有服务端工具则不必逐个包装agents/mcp/内置 MCP 客户端指向一个 MCP 服务stdio、SSE 或 streamable HTTP 传输均可服务端暴露的工具就并入智能体的工具集。下面的追踪截图里Filesystem Server 的read_file()、write_file()、search_files()等十几个工具就是这样被逐个调用并留痕的。 多智能体交接怎么设计分诊智能体Handoff 本质上是一种特殊的工具调用模型判断这事该交给更专业的智能体时触发一次控制权转移。典型形态是分诊智能体Triage——它只负责路由不干具体活spanish Agent(nameSpanish, instructionsOnly speak Spanish) english Agent(nameEnglish, instructionsOnly speak English) triage Agent(nameTriage, instructionsHand off by request language, handoffs[spanish, english]) result await Runner.run(triage, Hola, ¿cómo estás?)交接可以完全交给模型判断也可以写成确定性代码路由examples/agent_patterns/routing.py里两种模式都有现成示例。需要程序化判断时给路由智能体配output_type结构化输出路由决策就变成可校验的 JSON而不是只能祈祷的自然语言。更多模式见 handoffs 文档。 多轮对话记住上下文会话管理不传session时每次运行从零开始智能体对上一轮毫无记忆。传入会话对象后消息历史的读取与追加由框架接管session SQLiteSession(conversation_123) await Runner.run(agent, Golden Gate Bridge 在哪个城市, sessionsession) await Runner.run(agent, 它在哪个州, sessionsession) # 能接上上文答 CaliforniaSQLiteSession开箱即用源码还提供 Redis、MongoDB、SQLAlchemy、Dapr、OpenAI Conversations 等实现分布式部署时换后端不用改业务代码必要时自己实现Session协议即可。 智能体跑偏了去哪查追踪调试多智能体应用最难的是回答谁在哪一步说了什么、为什么。SDK 默认对每次运行全量追踪智能体间的交接、每次POST /v1/responses请求、每个工具调用的耗时都在界面上按时间轴展开点任意一个 span 能看到该步的模型、指令原文、输入输出和 token 数。输出不对时能直接定位到具体哪次调用出了问题。任务形态再往上走还有SandboxAgent容器内长时间工作支持 Unix 本地与 Docker 客户端、RealtimeAgentWebSocket 低延迟语音和VoicePipeline语音识别 智能体 语音合成管线。适合想快速搭出可控多智能体流程、且需要看清每一步轨迹的 Python 开发者跑通第一个智能体后接着读官方文档即可深入。【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
