OpenAI Agents SDK Python 实用指南30 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 是一个轻量级的多智能体工作流框架核心就是 Agent 加 Runner 两个对象你负责描述每个智能体做什么、能用什么框架负责调用模型、执行工具、在多个智能体之间流转控制权。它默认对接 OpenAI 的 Responses 与 Chat Completions API也兼容 100 多家其他模型提供商适合想快速搭建客服分流、内容生产、研究助手等 AI 应用的开发者。三步完成安装环境搭建与配置验证先说结论装它只需要三条命令——建虚拟环境、装包、配密钥前提是 Python 3.10 及以上。如果你之后要做语音应用追加[voice]可选组要多端共享会话记忆追加[redis]可选组。下面这段命令可以整体复制到终端执行最后一行的密钥换成你自己的python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install openai-agents export OPENAI_API_KEYsk-...怎么算装好了在激活的虚拟环境里运行python -c import agents没有任何报错输出就代表成功。也可以直接跳进下一节把最小示例跑起来能拿到模型回复即验证通过。最小可运行示例第一个 Agent 跑起来这个框架的运行方式非常直白Agent是一个配好提示词和能力的模型Runner负责真正发起对话并跑完整个流程最后把结果装进result返回给你。下面的示例用同步方式调用写完直接能跑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)运行后终端会打印模型生成的俳句文本这个文本来自result.final_output。result里还藏着更多细节result.new_items是按时间顺序记录的本轮所有事件用户输入、模型回复、工具调用result.last_agent则是最终由哪个智能体收尾。做调试时这两个字段最常用。动手前必懂的三个名词交接、护栏与会话交接Handoff把当前对话转给某个专家智能体接管。说白了就像前台接待——总机听完你的问题判断属于哪个部门然后把电话转过去。框架把这个动作包装成一次工具调用模型自己决定何时该转、转给谁转出去之后控制权就归对方了。护栏Guardrail给输入或输出加的一道检查。典型用法是用一个便宜快速的模型先审用户的请求一旦触发绊线就直接报错拦截避免昂贵的正式模型白白烧钱。输入护栏跑在对话开始前输出护栏跑在最终答案产出后。会话Session一个按会话 ID 存取对话历史的记忆盒。每次运行时框架自动把历史读出来拼在输入前面跑完再把新消息写回去你不用自己拼上下文。这三者的完整参数可以翻 docs/handoffs.md 和 docs/sessions/index.md 对照着看。 多智能体协作用最小代码实现智能体交接多个智能体协作最简单的形态就是一个分诊 几个专家。分诊智能体只负责判断专家智能体各管一摊交接关系通过handoffs参数声明即可谁都不用手动传消息。下面这段最小示例总机根据语言把对话转给对应的专家运行完会打印最终回答和收尾智能体的名字import asyncio from agents import Agent, Runner spanish Agent(nameSpanish, instructionsYou only speak Spanish.) english Agent(nameEnglish, instructionsYou only speak English.) triage Agent( nameTriage, instructionsHand off to the matching language agent., handoffs[spanish, english], ) async def main(): result await Runner.run(triage, Hola, ¿cómo estás?) print(result.final_output, | by, result.last_agent.name) asyncio.run(main())输出会是西班牙语的问候语后面跟着| by Spanish——last_agent就是验证交接是否真正发生的最好办法。如果它显示Triage说明模型根本没转出去这时可以检查分诊智能体的提示词和专家的handoff_description给路由智能体看的一句话说明。让 Agent 有记忆长对话的会话管理没有会话时每轮对话都是失忆的你问金门大桥在哪个城市它答旧金山紧接着问在哪个州它不知道你在说哪座桥。接上会话后同样的两句话就能连贯回答了。做法很简单新建一个 SQLiteSession 并给一个会话 ID然后把session传进每次Runner.run调用。以金门大桥在哪个城市接它在哪个州为例第二轮会直接答出California因为框架在每次运行前自动读出了第一轮的完整历史。本地开发用内置的 SQLiteSession 就够它把历史存在一个本地数据库文件里零配置进阶版本 AdvancedSQLiteSession 还支持从任意一条消息分叉出对话分支、统计每轮 token 用量。走向生产追踪、调优与部署选型SDK 自带运行追踪每次运行的每一步——模型调用、工具执行、交接跳转——都会按时间线记录。用 OpenAI 平台的账号登录后在 dashboard 的 Traces 页面能看到整棵调用树右侧还能展开查看每次请求的耗时、token 数和模型配置。调优方面几条被反复验证的经验值得记住提示词的质量决定上限把工具清单、使用场景和参数要求写具体比换模型更管用多盯着追踪记录找问题出在哪一步改完再看一眼确认把智能体放进循环里让它批评自己的输出往往能发现人工没注意到的毛病最后别让一个全能智能体扛所有事按任务拆出专门负责单项的专家协作效果通常更好。部署选型上按记忆需求走单机或原型阶段用 SQLiteSession多个 worker 或微服务需要共享同一份对话历史时装上[redis]组后改用 RedisSession通过 URL 接入共享实例即可如果工作流涉及长时间运行、中途等待人工审批可以把它挂到 Temporal 这类持久化工作流引擎上执行。【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 Python 实用指南：30 分钟跑通你的第一个多智能体工作流
OpenAI Agents SDK Python 实用指南30 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 是一个轻量级的多智能体工作流框架核心就是 Agent 加 Runner 两个对象你负责描述每个智能体做什么、能用什么框架负责调用模型、执行工具、在多个智能体之间流转控制权。它默认对接 OpenAI 的 Responses 与 Chat Completions API也兼容 100 多家其他模型提供商适合想快速搭建客服分流、内容生产、研究助手等 AI 应用的开发者。三步完成安装环境搭建与配置验证先说结论装它只需要三条命令——建虚拟环境、装包、配密钥前提是 Python 3.10 及以上。如果你之后要做语音应用追加[voice]可选组要多端共享会话记忆追加[redis]可选组。下面这段命令可以整体复制到终端执行最后一行的密钥换成你自己的python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install openai-agents export OPENAI_API_KEYsk-...怎么算装好了在激活的虚拟环境里运行python -c import agents没有任何报错输出就代表成功。也可以直接跳进下一节把最小示例跑起来能拿到模型回复即验证通过。最小可运行示例第一个 Agent 跑起来这个框架的运行方式非常直白Agent是一个配好提示词和能力的模型Runner负责真正发起对话并跑完整个流程最后把结果装进result返回给你。下面的示例用同步方式调用写完直接能跑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)运行后终端会打印模型生成的俳句文本这个文本来自result.final_output。result里还藏着更多细节result.new_items是按时间顺序记录的本轮所有事件用户输入、模型回复、工具调用result.last_agent则是最终由哪个智能体收尾。做调试时这两个字段最常用。动手前必懂的三个名词交接、护栏与会话交接Handoff把当前对话转给某个专家智能体接管。说白了就像前台接待——总机听完你的问题判断属于哪个部门然后把电话转过去。框架把这个动作包装成一次工具调用模型自己决定何时该转、转给谁转出去之后控制权就归对方了。护栏Guardrail给输入或输出加的一道检查。典型用法是用一个便宜快速的模型先审用户的请求一旦触发绊线就直接报错拦截避免昂贵的正式模型白白烧钱。输入护栏跑在对话开始前输出护栏跑在最终答案产出后。会话Session一个按会话 ID 存取对话历史的记忆盒。每次运行时框架自动把历史读出来拼在输入前面跑完再把新消息写回去你不用自己拼上下文。这三者的完整参数可以翻 docs/handoffs.md 和 docs/sessions/index.md 对照着看。 多智能体协作用最小代码实现智能体交接多个智能体协作最简单的形态就是一个分诊 几个专家。分诊智能体只负责判断专家智能体各管一摊交接关系通过handoffs参数声明即可谁都不用手动传消息。下面这段最小示例总机根据语言把对话转给对应的专家运行完会打印最终回答和收尾智能体的名字import asyncio from agents import Agent, Runner spanish Agent(nameSpanish, instructionsYou only speak Spanish.) english Agent(nameEnglish, instructionsYou only speak English.) triage Agent( nameTriage, instructionsHand off to the matching language agent., handoffs[spanish, english], ) async def main(): result await Runner.run(triage, Hola, ¿cómo estás?) print(result.final_output, | by, result.last_agent.name) asyncio.run(main())输出会是西班牙语的问候语后面跟着| by Spanish——last_agent就是验证交接是否真正发生的最好办法。如果它显示Triage说明模型根本没转出去这时可以检查分诊智能体的提示词和专家的handoff_description给路由智能体看的一句话说明。让 Agent 有记忆长对话的会话管理没有会话时每轮对话都是失忆的你问金门大桥在哪个城市它答旧金山紧接着问在哪个州它不知道你在说哪座桥。接上会话后同样的两句话就能连贯回答了。做法很简单新建一个 SQLiteSession 并给一个会话 ID然后把session传进每次Runner.run调用。以金门大桥在哪个城市接它在哪个州为例第二轮会直接答出California因为框架在每次运行前自动读出了第一轮的完整历史。本地开发用内置的 SQLiteSession 就够它把历史存在一个本地数据库文件里零配置进阶版本 AdvancedSQLiteSession 还支持从任意一条消息分叉出对话分支、统计每轮 token 用量。走向生产追踪、调优与部署选型SDK 自带运行追踪每次运行的每一步——模型调用、工具执行、交接跳转——都会按时间线记录。用 OpenAI 平台的账号登录后在 dashboard 的 Traces 页面能看到整棵调用树右侧还能展开查看每次请求的耗时、token 数和模型配置。调优方面几条被反复验证的经验值得记住提示词的质量决定上限把工具清单、使用场景和参数要求写具体比换模型更管用多盯着追踪记录找问题出在哪一步改完再看一眼确认把智能体放进循环里让它批评自己的输出往往能发现人工没注意到的毛病最后别让一个全能智能体扛所有事按任务拆出专门负责单项的专家协作效果通常更好。部署选型上按记忆需求走单机或原型阶段用 SQLiteSession多个 worker 或微服务需要共享同一份对话历史时装上[redis]组后改用 RedisSession通过 URL 接入共享实例即可如果工作流涉及长时间运行、中途等待人工审批可以把它挂到 Temporal 这类持久化工作流引擎上执行。【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