以前要自己写编排逻辑、管沙箱、做上下文压缩，才能把一个 agent 跑上生产。现在 OpenAI 把这套"Codex 同款底座"包成一个 API 交出来。
2026 年 9 月 10 日，OpenAI 发布 Agents API（公开测试版，面向所有开发者）。
一句话定位：把驱动 Codex 的那套 harness（编排底座）和基础设施，通过一个简单灵活的 API 交给开发者。
开发者只需一次调用，传入 task、model、tools、environment 四个要素，就能创建一个生产就绪的云上智能体（cloud agent）。
OpenAI 负责托管并持续迭代这套开源的 Codex harness（代码已公开在 github.com/openai/codex）。
开发者自行选择运行环境：OpenAI 托管沙箱、自有基础设施，或生态伙伴沙箱。
该 API 本身不收额外费用，只为 token 和工具调用付费。
把能力拆开看，有几项对工程化最关键。
其一，多智能体编排——开启 multi_agent 后，API 会把复杂任务拆给并行工作的 subagents。
每个子代理维护自己的上下文，主代理负责协调汇总，开发者不必自建编排逻辑。
其二，自动上下文压缩——会话接近上下文上限时，API 自动压缩早期上下文、保留继续所需的信息。
这让 agent 能跑数小时，而无需自己写压缩代码。
其三，原生支持 MCP（Model Context Protocol）、自定义函数与内置工具（如 web search）。
它还提供"工具搜索"（按需加载工具定义以省 token、保缓存）与"程序化工具调用"（在代码里并行运行、链式操作、过滤组合结果）。
图片来源：Pexels
客户反馈里有一组扎实数字，值得配图之外单独记一笔。
Ciridae 评估分从 0.71 升到 0.85，子代理带来约 4 倍延迟下降。
SafetyKit 把案例审查工作流迁过来后，单案成本降 60%。
Hypha 把 harness 与沙箱分离后，失败代理响应减少 86%。
Nash.ai 用数千个长时运行代理管理全球物流，靠持久会话与编排层处理跨天任务。
对工程能力的新要求
智能体正从"演示"走向"生产基础设施"。
考试与课程应覆盖 MCP、多 agent 编排、上下文与缓存管理、沙箱隔离这些工程件，而不只是 prompt 技巧。
对 AI 大数据工程师与 AIGC 应用工程师来说，这意味着工程化能力的重要性再次上升。
技术读者若想深挖，可前往 GitHub 上的开源 Codex harness 仓库查看实现细节。
来源：OpenAI 官方博客《Introducing the Agents API》