Mit CometAPI entwickelnEine API für mehrere Modelle erforderlich?Teste den Workflow im Playground und erstelle anschließend einen API-Schlüssel, sobald Modell und Kosten zu deinem Anwendungsfall passen.
OpenAI Agents API: Funktionen, Preisgestaltung und Anwendungen
Erfahren Sie, was die OpenAI Agents API ist, wie sie funktioniert, ihre Funktionen, Preisgestaltung, Codebeispiele, Praxisanwendungen und Alternativen.
Die OpenAI Agents API ist eine verwaltete Plattform zum Aufbau von KI-Agenten, die begründen, Tools nutzen, Code ausführen und mehrschrittige Aufgaben erledigen. Sie ist für Anwendungen konzipiert, die Arbeiten über mehrere Turns fortsetzen, Tools ausführen und Unterbrechungen überstehen müssen, ohne den gesamten Agentenloop selbst zu implementieren. Dieser Leitfaden hilft Entwicklern, Fähigkeiten, Integrationsmöglichkeiten und Kosten zu evaluieren.
Im Unterschied zu einer herkömmlichen LLM-API unterstützt die OpenAI Agents API persistente Sessions, verwaltete Ausführungsumgebungen, Multi-Agent-Koordination, Streaming-Events und Artefakte. Entwickler können native Endpunkte der OpenAI Agents API für verwaltete Ausführung nutzen oder unterstützte OpenAI-Modelle über CometAPI integrieren, um eigene Agenten-Workflows zu erstellen. Dies sind unterschiedliche Integrationspfade.
Zentrale Erkenntnisse
Die OpenAI Agents API verwaltet persistente Sessions und mehrschrittige Ausführung und reduziert so die von Entwicklern zu betreibende Orchestrierung.
Weiterlernen
Diesen Artikel mit der nächsten Entscheidung verknüpfen.
Auf Klarheit, Quellenangabe und aktuelle API-Terminologie geprüft.
Zu den Kernfunktionen gehören sandboxed Code-Ausführung, Tools und MCP-Verbindungen, Subagenten und gespeicherte Artefakte.
Die Kosten der OpenAI Agents API kombinieren Modelltokens, berechtigte Tools und optional gehostete Compute-Ressourcen; bewerten Sie die Kosten pro abgeschlossener Aufgabe.
Kundenberichte liefern arbeitslastspezifische Evidenz statt eines standardisierten Benchmarks für jede Anwendung.
Native verwaltete Ausführung und benutzerdefinierte Agenten über CometAPI sind separate Integrationsoptionen mit unterschiedlichen Infrastrukturverantwortlichkeiten.
Was ist die OpenAI Agents API?
Die OpenAI Agents API ist ein verwalteter Ausführungsdienst für Anwendungen, die mehrschrittige Aufgaben mit Reasoning-Modellen und externen Tools durchführen. Sie stellt das Codex-Agent-Harness als Dienst bereit. Statt Modellaufrufe, Toolausführung, Sitzungszustand und Aufgabenwiederherstellung manuell zu verwalten, können Entwickler einen Großteil dieser Koordination an die Laufzeit delegieren.
Ein herkömmlicher Chatbot generiert eine Antwort; ein Agent kann Schritte planen, Code in einer autorisierten Umgebung ausführen, Fehler inspizieren, erneut versuchen und generierte Dateien liefern. Damit eignet sich die API für operative Workflows statt nur für Chat.
OpenAI Agents API-Workflow
Ein Agenten-Workflow vereint vier Teile: Der Agent definiert Modell, Anweisungen und verfügbare Tools; die Umgebung stellt Compute und Dateizugriff bereit; die Session bewahrt Kontext und gespeicherte Arbeit über mehrere Turns; Events und Items zeigen Fortschritt und Ergebnisse. Zusammen ermöglichen diese Komponenten Ihrer Anwendung, eine Aufgabe einzureichen, deren Ausführung zu verfolgen und die Arbeit in späteren Turns fortzusetzen. Siehe die Agents API-Übersicht für die zugrunde liegenden Konzepte.
Typischer Ablauf: Eine Session erstellen; ein Ziel übergeben; das Modell begründen und erlaubte Tools auswählen lassen; diese Tools ausführen; Zwischenresultate prüfen; Fortschritt und finale Artefakte streamen. Die Session kann bei Bedarf fortgesetzt werden.
Das offizielle Diagramm zeigt, wie die Anwendung Eingaben und Events mit dem verwalteten Harness und der Sandbox austauscht. Architekturdiagramm aus der OpenAI Agents API-Architekturdokumentation; Originalgrafik von OpenAI.
Was sind die wichtigsten Funktionen der OpenAI Agents API?
Die Fähigkeiten des verwalteten Harness decken Codeausführung, Kontextverwaltung, Toolverbindungen, Steuerung und Delegation ab. Die Verfügbarkeit hängt außerdem von der konfigurierten Umgebung und den Tools ab.
Funktion
Spezifikation
Praktischer Nutzen
Verwaltete Laufzeit
Codex-basiertes Harness
Reduziert Orchestrierungscode
Session-Persistenz
Mehrturn-Zustand
Unterstützt Folgearbeiten
Kontextverwaltung
Verwaltete Kompaktierung
Erweiterte Workflows
Gehostete Ausführung
Linux-Sandbox; Python und Node.js
Reale Codeausführung
Self-hosted-Umgebung
Entwicklerverwaltetes Compute
Infrastrukturskontrolle
Multi-Agent-Ausführung
Konfigurierbare Subagenten
Parallele Teilaufgaben
Toolverbindungen
Functions und MCP
Integration von Services
Computer Use
Kontrollierte UI-Interaktion
Interface-Automatisierung
Streaming und Webhooks
Fortschritts-Events
Reaktionsfähige Anwendungen
Artefakte
Gespeicherte Dateien
Auslieferbare Reports
Persistente Sessions und Kontextverwaltung
Sessions bewahren Konfiguration, Gesprächskontext und gespeicherte Arbeit über mehrere Turns. Entwickler können einer bestehenden Session eine neue Anweisung übergeben; Kontextverwaltung hilft, erweiterte Aufgaben aufrechtzuerhalten, und reduziert den Bedarf, eigene Transkript-Kompressionslogik zu schreiben.
Sandboxed Code-Ausführung
Umgebung
Infrastruktur
Bester Einsatz
none
Keine lokale Ausführung
Workflows mit Remote-Tools
openai_hosted
OpenAI-verwaltete Sandbox
Code, Analysen und Dateiverarbeitung
self_hosted
Entwicklergesteuertes Compute
Individuelle Infrastruktur
Gehostete Umgebungen können Python, Node.js und Kommandozeilenprogramme in einem isolierten Workspace ausführen. Eine self-hosted Umgebung ermöglicht dem verwalteten Agenten die Nutzung von entwicklerkontrolliertem Compute. Entwickler betreiben und sichern diese Umgebung, während die Agents API weiterhin das Agent-Harness und den Sitzungszustand verwaltet.
Multi-Agent-Zusammenarbeit
Ein koordinierender Agent kann unabhängige Aufgaben an spezialisierte Subagenten delegieren. Forschungsagenten könnten separate Quellen untersuchen, während ein Primäragent Belege zusammenführt. Parallelisierung kann den Durchsatz verbessern, jedoch zusätzliche Modellaufrufe und Koordination verteuern. Die API unterstützt konfigurierbare Parallelität und Subagenten-Einstellungen.
OpenAI Agents API vs Agents SDK vs Responses API vs AgentKit
Dimension
Agents API
Agents SDK
Responses API
AgentKit
Zweck
Verwaltete Ausführung
Code-first-Orchestrierung
Inferenz und Tools
Agent-Komponenten
Agent-Loop
Verwaltet
App/SDK
Entwicklerverwaltet
Komponentenabhängig
Infrastruktur
Gehostet oder extern
Entwicklerkontrolliert
App plus gehostete Tools
Variiert
Multi-Agent
Eingebaute Koordination
Handoffs
Individuell
Komponenten-spezifisch
Am besten für
Dauerhafte autonome Aufgaben
Maßgeschneiderte Agenten
Feinsteuerung
Eingebettetes Agent-Tooling
Die Agents API bietet verwaltete Ausführung; das Agents SDK eignet sich für Anwendungen, die ihren Orchestrierungs-Stack besitzen; die Responses API ist passend für Inferenz und leichtere Tool-Workflows; AgentKit liefert ergänzende Entwicklungskomponenten statt eine weitere gleichwertige gehostete Agentenlaufzeit.
Erste Schritte mit der OpenAI Agents API
Schritt 1: API-Zugriff konfigurieren
Verwenden Sie einen OpenAI Platform-Projektschlüssel mit den Agent- und Inferenzberechtigungen gemäß den Quickstart-Voraussetzungen. Die curl-Beispiele zielen auf eine Bash-kompatible Shell mit installiertem curl; das PowerShell-Beispiel setzt nur die Umgebungsvariable. Halten Sie Schlüssel aus der Versionskontrolle heraus.
Bash-Codebeispiel: Führen Sie die folgenden Befehle in einem Bash-kompatiblen Terminal aus.
export OPENAI_API_KEY="your-openai-api-key"
PowerShell-Codebeispiel: Setzen Sie den API-Schlüssel im aktuellen PowerShell-Prozess.
$env:OPENAI_API_KEY="your-openai-api-key"
Schritt 2: Erstellen Sie Ihren ersten Agenten
Bash-Codebeispiel: Führen Sie die folgenden Befehle in einem Bash-kompatiblen Terminal aus.
curl --no-buffer --fail-with-body \
https://api.openai.com/v1/agents/sessions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "OpenAI-Beta: agents=v1" \
-H "Content-Type: application/json" \
-d '{
"agent": {
"model": "gpt-6-astra",
"instructions": "Write reliable Python code, execute it, and report observed results."
},
"environment": {"type": "openai_hosted", "container_size": "small"},
"input": "Calculate the mean and standard deviation of [12,15,19,20,24] in Python.",
"stream": true
}'
Die Session beginnt ihren ersten Turn und streamt Status-Events, während der Agent Tools ausführt und eine Antwort vorbereitet.
Schritt 3: Multi-Agent-Ausführung aktivieren
Bash-Codebeispiel: Führen Sie die folgenden Befehle in einem Bash-kompatiblen Terminal aus.
curl --no-buffer --fail-with-body \
https://api.openai.com/v1/agents/sessions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "OpenAI-Beta: agents=v1" \
-H "Content-Type: application/json" \
-d '{
"agent": {
"model": "gpt-6-astra",
"instructions": "Delegate independent analyses and reconcile the results.",
"multi_agent": {"enabled": true, "max_concurrent_subagents": 2}
},
"environment": {"type": "none"},
"input": "Compare two release changes: date filtering in search and export URL behavior.",
"stream": true
}'
Schritt 4: Eine bestehende Session fortsetzen
Bash-Codebeispiel: Führen Sie die folgenden Befehle in einem Bash-kompatiblen Terminal aus.
curl --fail-with-body \
"https://api.openai.com/v1/agents/sessions/$SESSION_ID/events" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "OpenAI-Beta: agents=v1" \
-H "Content-Type: application/json" \
-d '{"events":[{"type":"agent.session.input.message","input":[{"role":"user","content":[{"type":"input_text","text":"Summarize the findings in an executive report."}]}]}]}'
Speichern Sie Sitzungskennungen, wenden Sie Wiederholungs-Schutzmaßnahmen an und unterscheiden Sie neue Anweisungen von Nachrichten, die zur Steuerung aktiver Arbeiten verwendet werden.
Schritt 5: Ergebnisse prüfen und bereinigen
Bash-Codebeispiel: Führen Sie die folgenden Befehle in einem Bash-kompatiblen Terminal aus.
Der Reasoning-Aufwand beeinflusst Latenz, Tokenverbrauch und Planungstiefe. Wählen Sie den Aufwand, den das gewählte Modell und die Schnittstelle unterstützen, gemäß der offiziellen GPT-6-Anleitung; modellbezogene Einstellungen sollten nicht als identisch für jeden Endpunkt vorausgesetzt werden.
Wie baut man einen KI-Agenten mit CometAPI?
CometAPI kann Modellinferenz für eine benutzerdefinierte Agentenanwendung bereitstellen. Ihre Anwendung ist weiterhin verantwortlich für den Agentenloop, die Toolausführung, den Sitzungszustand, Wiederherstellung und jegliches Routing zwischen unterstützten Modellen. Das gibt Ihnen Kontrolle über die Orchestrierung, macht diese Infrastruktur aber auch zu Ihrer Betriebsverantwortung.
Wählen Sie die native Integration der Agents API, wenn Sie möchten, dass OpenAI die Agentenausführung und den Sitzungszustand verwaltet. Wählen Sie eine CometAPI-basierte Anwendung, wenn Sie Ihre eigene Orchestrierung um unterstützte Modell-APIs herum aufbauen und betreiben möchten. Der Zugriff auf ein Modell über CometAPI begründet für sich genommen keine Unterstützung für native Agents API-Session-Endpunkte; prüfen Sie die beabsichtigte Schnittstelle. Die Kosten verlaufen ebenfalls unterschiedlich: native Nutzung wird von OpenAI abgerechnet, während eine benutzerdefinierte Anwendung CometAPI-Gebühren mit Ihren Infrastrukturkosten kombiniert.
Schritt 1: Verbindung zu CometAPI herstellen
Bash-Codebeispiel: Führen Sie die folgenden Befehle in einem Bash-kompatiblen Terminal aus.
Python-Codebeispiel: Senden Sie eine Modellinferenz-Anfrage und drucken Sie die Antwort.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["COMETAPI_KEY"],
base_url="https://api.cometapi.com/v1",
)
response = client.responses.create(
model="gpt-6-astra",
input=(
"Analyze an API latency spike after a database migration. "
"Identify possible causes and prioritize diagnostic steps."
),
)
print(response.output_text)
Entwickler können auf die GPT-6 Astra API in CometAPI zugreifen. Das obige Beispiel führt eine Modellinferenz durch; die Implementierung des unten beschriebenen Toolloops ist eine separate Anwendungsaufgabe.
Schritt 2: Eine Toolausführungsschicht hinzufügen
Ein benutzerdefinierter Controller kann das Modell prompten, Tool-Call-Anforderungen inspizieren, Aktionen autorisieren und ausführen, Ergebnisse zurückgeben und wiederholen, bis Abschluss oder ein vordefiniertes Limit erreicht ist. Setzen Sie Grenzen für Turns, Toolaufrufe, Ausführungszeit und Ausgaben; verlangen Sie unabhängige Bestätigung für destruktive Operationen.
Wofür eignet sich die OpenAI Agents API am besten?
Software-Engineering: Probleme analysieren, Codeänderungen generieren, Tests ausführen und Reviews vorbereiten, mit Freigabe vor dem Mergen oder Deployen von Änderungen.
Datenanalyse und Reporting: Hochgeladene Datensätze verarbeiten, Python-Berechnungen ausführen, Diagramme erstellen und die Ergebnisse in entscheidungsunterstützende Reports überführen.
IT-Incident-Response: Alarme prüfen, Logs korrelieren, Runbooks konsultieren und Remediation empfehlen, mit menschlicher Autorisierung für riskante Maßnahmen.
Automatisierung im Kundensupport: Relevante Datensätze abrufen, Tickets zusammenfassen, Antworten entwerfen und ungelöste Fälle über erlaubte CRM-Zugriffe routen.
Recherche und Dokumentenverarbeitung: Dokumente vergleichen, Aussagen prüfen, Fakten extrahieren und Befunde mit unterstützenden Zitaten aufbereiten.
Ihren Workflow evaluieren
Beginnen Sie mit einer repräsentativen Aufgabe aus Ihrer eigenen Arbeitslast und definieren Sie, wie erfolgreicher Abschluss aussieht. Vergleichen Sie den Agenten mit Ihrem aktuellen Prozess anhand derselben Eingaben und Akzeptanzkriterien. Beziehen Sie Folgeanfragen und Toolfehler ein, damit die Evaluation sowohl die Wiederherstellung als auch den Idealpfad testet.
Metrik
Misst
Grund
Aufgabenerfüllung
Erfolgreiche Ziele
End-to-End-Nützlichkeit
Tool-Erfolg
Korrekte Integrationen
Fehlererkennung
Wiederherstellungsrate
Abschluss nach Fehlern
Dauerhaftigkeit
Zeit bis Abschluss
Verstrichene Zeit
Latenz
Kosten pro Aufgabe
Aufwand / erfolgreiche Aufgabe
Effizienz
Menschliche Eingriffe
Manuelle Aktionen
Autonomie
Sicherheits-Compliance
Richtlinieneinhaltung
Risikokontrolle
Lesen Sie diese Kennzahlen gemeinsam. Ein Workflow, der mehr Aufgaben erledigt, kann dennoch ungeeignet sein, wenn er häufige manuelle Korrekturen erfordert oder Ihre Zeit- und Kostenlimits überschreitet. Nutzen Sie die Ergebnisse, um zu entscheiden, wo Sie automatisieren, wo Sie menschliche Prüfung beibehalten, und welche Fehler Sie beheben, bevor Sie die Nutzung ausweiten.
Was kostet die OpenAI Agents API?
Es gibt keine separate Gebühr für die Plattform des verwalteten Harness. Modelltokens, berechtigte Toolaufrufe und optional gehostetes Compute bestimmen die Gesamtnutzungskosten. Die untenstehenden Modellpreise sind USD pro eine Million Tokens für Standardverarbeitung mit kurzen Kontextprompts (bis zu 272K Eingangstokens), Stand: 21. Oktober 2026. Längere Prompts, andere Verarbeitungsebenen, Cache-Schreibvorgänge und regionale Verarbeitung können den anwendbaren Tarif ändern.
OpenAI-Modellpreise
Input / 1M
Caching-Input / 1M
Output / 1M
GPT-6 Astra
$10.00
$1.00
$50.00
GPT-6.1 Sol
$2.00
$0.10
$10.00
GPT-6 Luna
$0.10
$0.01
$0.50
Für den Modellzugriff über CometAPI können Entwickler GPT-6.1 Sol und GPT-6 Luna verwenden. Die obige Tabelle zeigt OpenAI-Tarife; die Abrechnung von CometAPI folgt den jeweils geltenden Sätzen.
Ressource oder Tool
Konfiguration / Abrechnungsbasis
Satz
Gehosteter Container — Small
1 GB Speicher; 20-Minuten-Periode
$0.03 pro Periode
Gehosteter Container — Medium
4 GB Speicher; 20-Minuten-Periode
$0.12 pro Periode
Gehosteter Container — Large
16 GB Speicher; 20-Minuten-Periode
$0.48 pro Periode
Websuche
Pro 1.000 Aufrufe; Content-Tokens separat
$10 pro 1.000 Aufrufe, zzgl. Content-Tokens
File Search Storage
Pro GB pro Tag, nach Freikontingent
$0.10 pro GB/Tag
Beispiel: Kostenschätzung für eine Aufgabe
Komponente
Veranschaulichende Berechnung
Kosten
Input-Tokens
50.000 × $10 / 1M
$0.50
Output-Tokens
10.000 × $50 / 1M
$0.50
Websuchen
2 × $0.01
$0.02
Small-Container
Eine 20-Minuten-Periode
$0.03
Summe
Ohne Nebenkosten
$1.05
Diese veranschaulichende Gesamtsumme von $1.05 setzt die angegebenen Tokenmengen, zwei Suchen, eine 20-minütige Periode eines Small-Containers und keine zusätzlichen abrechenbaren Search-Content-Tokens oder Cache-Schreibvorgänge voraus. Die tatsächlichen Kosten hängen außerdem von Retries, Subagenten-Nutzung, Cache-Verhalten und den für die Session geltenden Sandbox-Abrechnungsregeln ab. Verfolgen Sie die Kosten pro erfolgreich abgeschlossener Aufgabe über eine repräsentative Arbeitslast.
Welche Einschränkungen hat die OpenAI Agents API?
Datenbeschränkungen. Die Agents API unterstützt derzeit Datenresidenz nur in den USA und unterstützt keine Zero Data Retention (ZDR). Eine self-hosted Sandbox ändert die ZDR-Berechtigung nicht. Bevor Sie sensibles Material senden, prüfen Sie, ob die Aufbewahrungs- und Residenzbedingungen des Dienstes Ihren Anforderungen entsprechen.
API- und Modellkompatibilität. Öffentliche Beta-Schnittstellen können sich ändern, und unterstützte Funktionen können je nach Modell variieren. Testen Sie genau das Modell, den Endpunkt, die Reasoning-Einstellungen und die Tools, die Ihre Anwendung nutzt. Wiederholen Sie Integrationsprüfungen, wenn Sie ein Modell wechseln oder ein API-Update übernehmen.
Ausführungskontrolle. Mehrschrittige Aufgaben können Tokens akkumulieren, unterschiedliche Zeit in Anspruch nehmen und auf Toolfehler stoßen. Setzen Sie Budgets und Limits für Turns und Laufzeit, gewähren Sie nur die Berechtigungen, die die Aufgabe benötigt, und überwachen Sie langlaufende Arbeiten asynchron. Planen Sie, wie Sie unterbrochene Toolaufrufe wiederherstellen, und verlangen Sie menschliche Freigabe für Aktionen mit erheblichen Konsequenzen.
FAQ
Wie sollten Clients der OpenAI Agents API Folge-Nachrichten erneut senden?
Verwenden Sie denselben Submission-Key, wenn Sie dieselbe logische Nachricht erneut senden, gemäß dem Pattern für Session-Input und Retries. Halten Sie Session-ID und Submission-Key gemeinsam im Anwendungszustand. Eine separate Benutzeranweisung sollte ihren eigenen Key verwenden; eine verlorene HTTP-Antwort sollte nicht automatisch als neue Anweisung behandelt werden.
Kann eine OpenAI Agents API-Session das Modell wechseln?
Der Session Settings-Endpunkt unterstützt das Aktualisieren von Modell, Reasoning-Aufwand und Service-Tier. Updates wirken auf spätere Turns; ein aktiver Turn behält seine bestehenden Einstellungen. Bestätigen Sie, dass die resultierende Konfiguration vom gewählten Modell unterstützt wird, und erstellen Sie eine neue Session, wenn Sie Einstellungen ändern müssen, die dieser Endpunkt nicht akzeptiert.
Wie beschränkt die OpenAI Agents API den Sandbox-Netzwerkzugriff?
OpenAI-gehostete Umgebungen unterstützen aktivierten, deaktivierten oder eingeschränkten ausgehenden Zugriff. Der eingeschränkte Modus verwendet explizite Host-Allowlists; Redirects oder Subdomains benötigen möglicherweise eigene Einträge. Konfigurieren Sie die Sandbox-Netzwerkpolicy für die Services, die eine Aufgabe benötigt; Netzwerkzugriff und Anwendungscredentials sind separate Kontrollen.
Fazit
Evaluieren Sie die Agents API anhand einer repräsentativen Aufgabe, die mehrere Toolaufrufe und mindestens einen Folge-Turn erfordert. Messen Sie Abschlussrate, Wiederherstellungsverhalten, Latenz und Kosten pro erfolgreicher Aufgabe. Diese Ergebnisse zeigen, ob verwaltete Ausführung die Anforderungen Ihrer Anwendung erfüllt.
