第 8 章：OpenAI Agents SDK¶
OpenAI 官方推出的轻量级多 Agent 框架，支持 100+ LLM，适合快速原型开发。
8.1 核心特性¶
| 特性 | 说明 |
|---|---|
| 轻量级 | 代码简洁，快速上手 |
| Provider 无关 | 支持 100+ LLM 提供商 |
| 多 Agent 协作 | 原生支持多 Agent 工作流 |
| 追踪和护栏 | 内置 tracing 和 guardrails |
8.2 环境准备¶
8.3 第一个 Agent¶
# basic_agent.py
from agents import Agent, Runner
from openai import OpenAI
# 定义 Agent
agent = Agent(
name="Research Assistant",
instructions="""You are a research assistant.
Help users find information and summarize findings.""",
model="gpt-4o-mini"
)
# 运行 Agent
result = Runner.run_sync(
agent,
"总结一下 2026 年 AI Agent 的主要发展趋势"
)
print(result.final_output)
8.4 工具调用¶
推荐使用 @function_tool 装饰器——只需写普通 Python 函数，SDK 会根据类型注解自动生成工具 Schema：
# tool_usage.py
from agents import Agent, Runner, function_tool
import json
@function_tool
def get_weather(city: str) -> str:
"""查询指定城市的当前天气"""
return json.dumps({
"city": city,
"temperature": 25,
"condition": "sunny"
})
agent = Agent(
name="Weather Assistant",
instructions="你是一个天气助手，帮助用户查询天气信息。",
tools=[get_weather]
)
result = Runner.run_sync(agent, "北京今天天气怎么样？")
print(result.final_output)
如果偏好显式声明工具（如参数需要默认值或复杂描述），也可以使用 FunctionTool。注意 params_schema 必须是完整的 JSON Schema 对象（type: object + properties），而不是简化的字段字典：
from agents import Agent, Runner, FunctionTool
import json
def get_weather(city: str) -> str:
"""查询指定城市的当前天气"""
return json.dumps({"city": city, "temperature": 25, "condition": "sunny"})
weather_tool = FunctionTool(
name="get_weather",
description="获取指定城市的当前天气",
params_schema={
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"}
},
"required": ["city"]
},
fn=get_weather
)
8.5 多 Agent 协作¶
OpenAI Agents SDK 通过 handoffs（交接）实现多 Agent 协作——主管 Agent 可以把任务交接给更专业的子 Agent，子 Agent 完成后可再交回：
# multi_agent.py
from agents import Agent, Runner
# 研究 Agent
researcher = Agent(
name="Researcher",
instructions="你负责收集信息和分析数据。",
model="gpt-4o"
)
# 写作 Agent
writer = Agent(
name="Writer",
instructions="你负责撰写清晰、专业的报告。",
model="gpt-4o-mini"
)
# 主管 Agent - 通过 handoffs 将任务交接给子 Agent
manager = Agent(
name="Manager",
instructions="""你负责协调研究和写作工作。
首先将研究任务交接给 Researcher，然后将研究结果交给 Writer 撰写报告。""",
handoffs=[researcher, writer],
model="gpt-4o"
)
# 运行
result = Runner.run_sync(manager, "研究 AI Agent 市场并撰写报告")
print(result.final_output)
如果需要在交接时传递结构化数据，可以使用 handoff 工厂函数并指定输入类型，SDK 会自动生成交接输入 Schema。运行时可在 result 中通过 result.last_agent.name 查看最终由哪个 Agent 完成。
8.6 与 LangGraph 集成¶
# langgraph_integration.py
from typing import TypedDict
from agents import Agent, Runner
from langgraph.graph import StateGraph, END
class WorkflowState(TypedDict):
question: str
research: str
answer: str
research_agent = Agent(
name="Researcher",
instructions="搜索并总结相关信息",
model="gpt-4o-mini"
)
answer_agent = Agent(
name="AnswerGenerator",
instructions="基于研究结果生成最终答案",
model="gpt-4o"
)
def research_step(state):
result = Runner.run_sync(research_agent, state["question"])
return {"research": result.final_output}
def answer_step(state):
result = Runner.run_sync(answer_agent, f"根据以下研究回答问题：{state['research']}")
return {"answer": result.final_output}
workflow = StateGraph(WorkflowState)
workflow.add_node("research", research_step)
workflow.add_node("answer", answer_step)
workflow.set_entry_point("research")
workflow.add_edge("research", "answer")
workflow.add_edge("answer", END)
graph = workflow.compile()
8.7 本章小结¶
✅ 掌握了 OpenAI Agents SDK 的基本用法
✅ 学会了工具调用和多 Agent 协作
✅ 了解了与其他框架的集成方法