OpenAI Agents API 公开测试版：把智能体编排压成一次 API 调用

一句话结论

OpenAI Agents API 进入公开测试版后，开发者不再需要自己用 SDK 拼”会话管理 + 工具编排 + 长任务上下文”，而是用一次 API 调用就能跑起一个会自主规划、调用工具、跨步骤纠错的智能体。它把原本要写几百行编排代码的事，压成了托管运行时。

如果你已经在用 好用的 MCP 服务器推荐清单 或 OpenAI Function Calling 实战 那套手动编排，这篇文章能帮你判断：什么时候该升级到托管智能体，什么时候继续自己掌控更划算。

它到底解决了什么

自己用 SDK 搭一个”能干活”的智能体，通常要操心四件事：

• 会话状态：多轮对话、历史上下文怎么存、怎么截断；
• 工具编排：什么时候调搜索、什么时候调代码、什么时候调数据库；
• 长任务上下文：跑几小时的任务，上下文窗口不够怎么办；
• 失败恢复：某一步报错，是重试、换路径，还是上报人工。

这四块如果每做一个 Agent 都重写一遍，工作量巨大。 Agents API 的价值就是把它们做成托管运行时：你只描述”目标”和”可用工具”，编排、会话、上下文、容错由平台兜住。

核心能力一览

一个最小可用示例

下面是基于公开测试版文档形态的示意代码（最终方法名以官方文档为准），表达”把一段长任务交给托管运行时”这件事：

from openai import OpenAI

client = OpenAI()  # 使用你的 API key 或应用密码

# 把一段跨步骤的任务交给 Agents API 托管运行
run = client.agents.runs.create(
    agent="codex",                      # 选用底层模型/智能体
    input="整理 /reports 目录，生成 9 月月度汇总，并起草一封邮件",
    tools=["file_read", "shell", "send_email"],
    runtime="managed",                  # OpenAI 托管沙箱
)
print(run.status, run.output)

对比之下，如果你用 MCP Server 自己搭建教程 那种方式，上面这段要自己实现工具注册、循环调用、结果回收——代码量差一个数量级。

import OpenAI from "openai";
const client = new OpenAI();

const run = await client.agents.runs.create({
  agent: "codex",
  input: "把本周的客户反馈按紧急度分类并写入看板",
  tools: ["web_search", "ticket_write"],
  runtime: "managed",
});
console.log(run.status, run.output);

它和 MCP 、 Function Calling 是什么关系

三者不是替代，而是分层：

• Function Calling / MCP 解决”模型怎么调一个具体工具”——是能力接口层；
• Agents API 解决”一堆工具 + 一堆步骤怎么自动串起来”——是编排运行时层。

换句话说，Agents API 内部依然会用到 Function Calling 和 MCP 工具。你已经搭好的 MCP 服务器，可以作为工具直接挂进托管智能体，不必推倒重来。

什么时候该用，什么时候别用

适合用托管：

• 任务跨多步骤、要跑较长时间；
• 团队不想维护编排与容错代码；
• 能用 OpenAI 托管或合规沙箱承载数据。

继续自己搭更划算：

• 逻辑高度确定、步骤固定（直接 Function Calling 更可控）；
• 对数据保留有硬要求且无法用客户托管；
• 已经在用自建编排且跑得稳，没必要为”新”而迁移。