OpenAI Agents SDK 重大更新：原生沙盒执行与模型原生框架，开启智能体开发新纪元

引言：智能体开发的新基础设施

2026年4月15日，OpenAI 正式发布了 Agents SDK 的重大更新。这不仅仅是一次功能迭代，更是为开发者构建真正可用的智能体（Agent）提供了标准化、安全且高效的基础设施。新 SDK 的核心亮点在于：一个模型原生框架（Model-Native Harness），让智能体能够在计算机上跨文件和工具工作；以及原生沙盒执行环境（Native Sandbox Execution），确保所有操作安全可控。

对于开发者而言，拥有最好的模型只是第一步。要构建真正有用的智能体，还需要一套能够支持智能体检查文件、运行命令、编写代码，并在多步骤长周期任务中持续工作的系统。现有的解决方案往往各有取舍：模型无关框架灵活但未能充分利用前沿模型的能力；模型提供商 SDK 虽更贴近模型，但对执行框架的可见性不足；托管式智能体 API 简化了部署，却限制了智能体的运行地点和敏感数据的访问方式。

OpenAI 此次更新正是为了解决这些痛点，为行业树立新标准。

核心更新：更强大的智能体执行框架

新 SDK 的智能体执行框架（Harness）得到了显著增强，专门针对处理文档、文件和系统交互的智能体进行了优化。其主要特性包括：

• 可配置内存：智能体现在拥有更灵活的内存管理机制，能够记住对话上下文和任务状态。
• 沙盒感知编排：执行框架能够感知沙盒环境，智能调度任务，确保操作在受控范围内。
• 类似 Codex 的文件系统工具：智能体可以像 Codex 一样高效地读写、搜索和管理文件。
• 标准化原语集成：集成了前沿智能体系统中常见的原语，例如通过 MCP 进行工具调用、通过技能（Skills）实现渐进式功能揭示、通过 AGENTS.md 文件定义自定义指令、通过 Shell 工具执行代码、通过 Apply Patch 工具进行文件编辑等。

这些原语并非静态不变。OpenAI 承诺将持续将新的智能体模式和原语融入框架，让开发者能够将更多精力投入到领域特定的逻辑中，而不是反复更新核心基础设施。

更重要的是，新框架能够更好地对齐前沿模型的执行方式，从而解锁模型的更多潜力。通过保持智能体与模型自然操作模式的一致性，在复杂任务（尤其是长时间运行或需要协调多种工具和系统的任务）中，可靠性和性能都得到了显著提升。

原生沙盒执行：安全与灵活兼得

沙盒执行是新 SDK 的另一大支柱。它为智能体提供了一个受控的计算环境，其中包含了完成任务所需的文件、工具和依赖项。

许多实用的智能体都需要一个工作区，用于安全地读写文件、安装依赖、运行代码和使用工具。原生沙盒支持让开发者开箱即用地获得这一执行层，无需自行拼凑各种组件。

开发者可以选择自带沙盒，也可以使用内置支持的沙盒提供商，包括 Blaxel、Cloudflare、Daytona、E2B、Modal、Runloop 和 Vercel。

为了使这些环境在不同提供商之间可移植，SDK 引入了一个名为 Manifest 的抽象层，用于描述智能体的工作区。开发者可以挂载本地文件、定义输出目录，并从 AWS S3、Google Cloud Storage、Azure Blob Storage 和 Cloudflare R2 等存储提供商中引入数据。

这种设计为开发者提供了一种一致的方式来塑造智能体的环境，无论是本地原型验证还是生产部署。同时，它也为模型提供了一个可预测的工作区：在哪里找到输入，在哪里写入输出，以及如何在长时间运行的任务中保持工作有序。

安全、持久性与规模：分离执行框架与计算资源

智能体系统在设计之初就应假设会面临提示注入和数据泄露的尝试。将执行框架（Harness）与计算资源（Compute）分离，有助于将凭证等敏感信息隔离在沙盒环境之外，从而降低安全风险。

这种架构还带来了更好的持久性和可扩展性。即使某个计算实例发生故障，执行框架仍可保留任务状态，并在新的实例上继续执行。对于需要运行数小时甚至数天的复杂工作流来说，这一点至关重要。

客户实践：从临床记录到自动化工作流

新 SDK 的价值已在真实客户场景中得到验证。Oscar Health 的高级工程师兼 AI 技术负责人 Rachael Burns 表示：

“更新后的 Agents SDK 让我们能够以生产级可靠性自动化一个关键临床记录工作流，这是以往方法无法可靠处理的。对我们来说，差异不仅仅在于提取正确的元数据，更在于正确理解长而复杂的记录中每次就诊的边界。因此，我们能够更快地了解每位患者在特定就诊中的情况，帮助会员满足他们的护理需求，并改善他们的体验。”

这一案例充分展示了新 SDK 在处理复杂、长文档时的优势，尤其是在医疗健康等对准确性要求极高的领域。

快速上手：一个简单的代码示例

以下代码展示了如何使用新 SDK 创建一个“数据室分析师”智能体，它可以在受控沙盒中读取文件并回答财务问题。

# pip install "openai-agents>=0.14.0"

import asyncio
import tempfile
from pathlib import Path

from agents import Runner
from agents.run import RunConfig
from agents.sandbox import Manifest, SandboxAgent, SandboxRunConfig
from agents.sandbox.entries import LocalDir
from agents.sandbox.sandboxes import UnixLocalSandboxClient


async def main() -> None:
    with tempfile.TemporaryDirectory() as tmp:
        dataroom = Path(tmp) / "dataroom"
        dataroom.mkdir()
        (dataroom / "metrics.md").write_text(
            """# Annual metrics

| Year | Revenue | Operating income | Operating cash flow |
| --- | ---: | ---: | ---: |
| FY2025 | $124.3M | $18.6M | $24.1M |
| FY2024 | $98.7M | $12.4M | $17.9M |
""",
            encoding="utf-8",
        )

        agent = SandboxAgent(
            name="Dataroom Analyst",
            model="gpt-5.4",
            instructions="Answer using only files in data/. Cite source filenames.",
            default_manifest=Manifest(entries={"data": LocalDir(src=dataroom)}),
        )

        result = await Runner.run(
            agent,
            "Compare FY2025 revenue, operating income, and operating cash flow with FY2024.",
            run_config=RunConfig(
                sandbox=SandboxRunConfig(client=UnixLocalSandboxClient()),
            ),
        )
        print(result.final_output)


if __name__ == "__main__":
    asyncio.run(main())

在这个示例中，智能体被限制在 data/ 目录下工作，只能访问挂载的本地文件，并必须引用源文件名。这种受控环境确保了数据安全，同时让智能体能够高效地完成任务。

总结与展望

OpenAI Agents SDK 的这次更新，标志着智能体开发从“可用”迈向“好用”的关键一步。通过提供模型原生框架和原生沙盒执行，它解决了当前智能体系统在安全性、可靠性和可扩展性方面的核心挑战。

对于开发者来说，这意味着：

• 更快的开发迭代：标准化基础设施减少了重复造轮子的时间。
• 更强的模型能力释放：执行框架与模型自然对齐，提升复杂任务表现。
• 更高的安全性：沙盒隔离和框架-计算分离降低了安全风险。
• 更好的可移植性：Manifest 抽象让环境在不同提供商间轻松迁移。

随着 OpenAI 持续将新的智能体模式和原语融入框架，我们有理由相信，Agents SDK 将成为构建下一代 AI 智能体的事实标准。无论是自动化办公流程、处理复杂数据分析，还是构建智能客服系统，新 SDK 都为开发者提供了坚实的基础。

未来，智能体将不再只是对话机器人，而是能够真正理解、操作和优化我们数字世界的自主系统。OpenAI 的这次更新，正是这一愿景的重要里程碑。