一次 API 呼叫，一個代理：OpenAI 把 Codex Harness 包進全新 Agents API

過去兩年，如果你想要一個能連續工作數小時的 AI 代理——調查事故、審閱文件、重現 GitHub 上的 bug——你只有兩個不太吸引人的選擇：在 Responses API 之上自己拼一套編排迴圈，或者採用 Agents SDK 這類開源框架，然後自己扛下所有管線工程。2026 年 9 月 10 日，OpenAI 把這整疊技術壓縮成一個產品。Agents API 現以公開測試版向所有開發者開放，把驅動 OpenAI 自家編碼代理的代管 Codex harness——sessions、編排、上下文壓縮與恢復機制——全部包進一次 API 呼叫。

實際上線了什麼

Agents API 是建構在開源 Codex harness 之上的代管執行環境。OpenAI 代管並維護 harness；你的應用程式只需提供工具、選擇執行環境。官方文件以四個概念組織整個產品：

• Agent（代理）——模型、指令、可用工具與 MCP 伺服器。
• Environment（環境）——可選的沙箱，代理在其中存取檔案、載入技能、執行指令。
• Session（工作階段）——一個持久存在的代理實例，能持續處理任務並回應輸入。
• Events and items（事件與項目）——傳送給代理的輸入，以及工作階段中產生的輸出。

一個 session 的生命週期分四步：建立並設定、交付任務、透過串流或 webhooks 追蹤進度、接著指派新任務或在當前回合中途轉向。發表示範只用一次 client.beta.agents.sessions.create() 呼叫就建出一個事故調查代理——模型、MCP 工具、多代理設定與沙箱全部行內宣告，代理隨即開始根因分析某個飆升的 5xx 錯誤率。

OpenAI 對這項產品的出處毫不掩飾：規模化 Codex 與 ChatGPT for Work 的經驗，說明了長時間運行的代理真正需要什麼。它們需要一個能管理上下文、有效率使用工具、協調子代理的 harness；也需要能讓它們可靠連跑好幾天的基礎架構——而不是以秒計的請求／回應週期。

環境的選擇

代理在哪裡執行，是核心的架構決策。API 支援三種沙箱模式，也可以完全不用沙箱：

1. OpenAI 代管沙箱——使用 Codex 與 ChatGPT 背後同一套沙箱基礎架構，可設定檔案、套件、技能與外掛。
2. 自行代管（self-hosted）——你在自己的環境裡跑 codex exec-server；它以受限金鑰註冊，透過 WebSocket 連線，且所有連線均為對外發起。
3. 合作夥伴沙箱——與 Blaxel、Cloudflare、Daytona、DigitalOcean、E2B、Modal、Oracle、Runloop、Vercel 的一級整合。

這份合作夥伴名單是此案最安靜的戰略布局。OpenAI 並未強迫所有工作負載搬進自家基礎架構，而是把自己定位為代理生態系的編排層——無論代理在哪運算，控制平面都是它。這是一場要當「代理生態系控制平面」而不只是「眾多執行場所之一」的豪賭。

Harness 替你處理了什麼

OpenAI 打包進來的功能，恰恰是把玩具代理與生產級代理區分開來的那些不起眼工程：

• 自動上下文壓縮——session 接近上下文上限時，較早的回合會被自動摘要。開發者不必再自寫壓縮邏輯，而這向來是長時間運行代理中最脆弱的一環。
• 工具搜尋（tool search）——工具定義只在需要時載入，降低 token 用量與成本，同時保住模型的快取。
• 程式化工具呼叫——代理平行執行呼叫、在程式碼中串接操作，過濾合併結果後，只讓相關資料回到上下文。
• 子代理（subagents）——啟用多代理支援後，主代理把複雜任務拆成獨立片段；每個子代理有自己的上下文，協調者再彙整結果。
• Session 恢復——代理從中斷處繼續，跨回合持久保存，不必重建對話狀態。

OpenAI 讓 harness 與自家模型同步維護，每次模型發版都提供版本化存取——執行環境與它所編排的前沿模型一起演化，而不是漸行漸遠。

三種執行環境的比較

OpenAI 自己的比較表把三種執行環境放在同一光譜上。Agents SDK 在你的應用程式內執行，整合 effort 中等，狀態存在你的儲存空間。Responses API 則把執行完全留給你。Agents API 坐在低整合那一端：OpenAI 代跑 harness、保存 session 設定與所有回合和項目、管理執行——代價是把執行環境交給供應商。

早期客戶數據由廠商提供，解讀時請保持警覺：Ciridae 回報評測分數從 0.71 升至 0.85，子代理流程延遲降低 4 倍；SafetyKit 遷移案件審閱流程後，每案成本降低 60%；Hypha 宣稱把 harness 與沙箱分離後，代理失敗回應減少 86%；Nash.ai 則在全球物流網路上跑著數千個長時間運行代理。

但書與限制

對受監管的工作負載，有兩個限制必須注意：資料駐留目前僅限美國，且不支援 Zero Data Retention（ZDR）——值得留意的是，選擇自行代管沙箱並不會讓 API 符合 ZDR 資格，因為 session 狀態仍然存在 OpenAI 那裡。有歐盟資料駐留要求或嚴格保留政策的企業，只能再等等。

計價採用量制、不加收平台費：模型 token 依標準 API 費率、OpenAI 工具依標準費率、代管沙箱依標準容器費率。成本隨代理實際做多少事規模化，而不是隨席位或訂閱。

為什麼重要

Agents API 最貼切的解讀，是代理層的基礎架構整併。每個在建長時間運行代理的團隊，都在重複解決同樣的問題——上下文管理、工具路由、子代理協調、沙箱生命週期——只是品質參差。OpenAI 的賭注是：這一層是天然壟斷。經營前沿模型的公司，理應也經營模型思考時所在的 harness。

這一步也拉高了那些靠這類管線維生的框架與平台的賭注。當模型供應商直接內建附贈子代理、壓縮與九家沙箱合作夥伴的代管 harness，「我們幫你編排 OpenAI 模型」就不再是差異化，而是供應商免費奉送的功能。反方論點也真實存在——廠商鎖定、美國資料駐留、無 ZDR、以及把地基蓋在 beta 之上的風險——多雲團隊必然會衡量這些。但方向無可誤認：代理執行環境正在成為模型 API 本身的一部分，而從「點子」到「能自主工作的代理」之間的距離，剛剛縮短到一次 API 呼叫。