企业官网建设流程全解析

OpenAI Agents SDK 快速指南：5 分钟搭出你的第一个多智能体系统

【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

OpenAI Agents SDK 是一个 Python 多智能体框架与 Agent 编排库，兼容 OpenAI Responses 与 Chat Completions API，也支持 100+ 第三方 LLM，把 Agent 定义、Handoffs、Guardrails、Sessions 和运行追踪装进一个 pip 包。下面讲清它的最小可用路径与生产化要点，读完你能写出一个 10 行的 PoC。

🗺️ 能力与场景对照表：引入前先看一眼

框架值不值得引入，用场景判断最快。下表把核心能力对应到它解决的问题，对照你的业务先打个勾：

这些能力都不需要额外搭架子：它们要么是传给 Agent 的参数，要么是一个可选安装组。

🐍 三步跑通你的第一个 Agent

环境要求只有 Python 3.10+，三步就能跑起来：

1. 安装：pip install openai-agents（用 uv 的话是uv add openai-agents）
2. 设置环境变量OPENAI_API_KEY
3. 定义一个带指令的 Agent，交给 Runner 执行

这段代码建了一个只有一句指令的 Agent，让它写一首俳句：

from agents import Agent, Runner agent = Agent(name="Assistant", instructions="You are a helpful assistant") result = Runner.run_sync(agent, "Write a haiku about recursion in programming.") print(result.final_output)

你会看到：终端打印出一首英文俳句。整个过程就是一次 LLM 调用，没有工具、没有历史，这就是这个多智能体框架的最小执行循环。

不想用 OpenAI 模型也行，通过官方 litellm provider 接入第三方 LLM，Agent 代码不用改。

🤝 让多个 Agent 互相交接：Handoffs 的正确姿势

Handoffs 解决的是 Agent 之间的控制权转移。它像客服转接：前台坐席判断这个问题不归自己管，点一下转接，整段对话就交给专员。技术上 Handoffs 是一个特殊的工具调用：LLM 决定转接时，Runner 把控制权交给新 Agent，然后在新 Agent 身上继续同一个循环。

比如下面这个分诊 Agent 处理中西语用户，它自己不翻译，而是把对话交给对应的语言 Agent：

from agents import Agent, Runner spanish = Agent(name="Spanish agent", instructions="You only speak Spanish.") english = Agent(name="English agent", instructions="You only speak English.") triage = Agent( name="Triage agent", instructions="Hand off to the agent matching the user's language.", handoffs=[spanish, english], ) print(Runner.run_sync(triage, "Hola, ¿cómo estás?").final_output)

这段代码定义了一个分诊 Agent 和两个语言 Agent，由 LLM 决定转给谁。你会看到：西班牙语问候由 Spanish agent 回答，全程没有任何硬编码路由，转接由模型的工具调用完成。

Handoffs 还有个反向玩法：agents as tools——父 Agent 把子 Agent 当工具调用，拿回结果后继续执行。哪种更适合你的场景，可以直接看 Handoffs 示例。

💾 智能体会话持久化：对话历史往哪存

Sessions 解决一件事：不用你手动把历史拼给模型。创建会话后每次运行都传进去，SDK 会在运行开始时自动加载历史、结束时写回新消息，你不用手写消息列表的拼接逻辑。

本地开发和单机部署用内置的 SQLiteSession 就够：

from agents import Agent, Runner, SQLiteSession agent = Agent(name="Assistant", instructions="Reply very concisely.") session = SQLiteSession("conversation_123") r1 = Runner.run_sync(agent, "What city is the Golden Gate Bridge in?", session=session) r2 = Runner.run_sync(agent, "What state is it in?", session=session) print(r2.final_output)

这段代码用同一个会话连问两轮，让 Agent 记住上下文。你会看到：第二轮直接回答 California，它知道“it”指金门大桥。

多实例部署换 Redis 会话即可，安装openai-agents[redis]可选组；也可以按会话接口自己实现一套，把历史写进任意存储。

🔍 多 Agent 工作流调试：直接读 Tracing 轨迹

工作流里 Agent 一多、工具一多，“错了但不知道为什么”就成了日常。Tracing 默认开启：每次运行里的每个 LLM 调用、工具执行、Handoffs 转接都会记成一个 span，带耗时、token 用量和输入输出快照。

在追踪界面里，一次运行能展开成完整时间线：谁转交给了谁、哪个工具慢、每次模型调用烧了多少 token。这是多 Agent 工作流调试的第一站——先看轨迹，再判断是提示词、工具还是模型的问题。Tracing 是可插拔设计，span 也可以发到 Logfire、AgentOps、Braintrust 等外部目的地。

生产化部署：Sessions、Guardrails 与 Sandbox

上生产要盯四条防线：

Sandbox 把 Agent 圈进容器里：Agent 循环、工具、文件系统都在沙箱内，出站请求由网关统一拦截，模型产生越权调用也碰不到内部真实系统。

想动手的话，先跑 examples/basic 里的 hello world 感受执行循环；评估生产化就先看 官方文档 里 sessions 和 tracing 两章，确认状态和可观测性落在哪。更完整的模式（人在环、护栏、并行）都在 examples 目录里，照着抄最快。

【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