OpenAI’s Agents SDK ontrafeld: een gids

OpenAI introduceert verschillende nieuwe aanbiedingen: de Responses API, ingebouwde tools voor web- en bestandszoekopdrachten, een tool voor computergebruik en de open-source Agents SDK. Terwijl de Responses API ontwikkelaars in staat stelt agents te bouwen bovenop zijn technologie, kan de Agents SDK hen helpen agents te koppelen aan andere webtools en processen, en zo “workflows” uit te voeren die autonoom doen wat de gebruiker of het bedrijf wil.

2025 wordt vaak bestempeld als het “Jaar van de agents” en OpenAI’s stap wordt gezien als een belangrijke mijlpaal voor de sector. De Agents SDK stelt ontwikkelaars in staat om OpenAI’s nieuwste vooruitgang (zoals verbeterde redenering, multimodale interacties en nieuwe veiligheidstechnieken) eenvoudig te benutten in realistische, meerstaps scenario’s. Voor LLM-ontwikkelaars en AI-agentbouwers biedt de Agents SDK een set “bouwstenen” om hun eigen autonome AI-systemen te creëren en te beheren.

Het belang van de Agents SDK ligt in het vermogen om de uitdagingen aan te pakken rond het inzetten van AI-agents in productieomgevingen. Traditioneel was het vertalen van krachtige LLM-capaciteiten naar meerstapsworkflows arbeidsintensief, met veel maatwerkregels, sequentieel promptontwerp en trial-and-error zonder degelijke observability-tools. Met de Agents SDK en gerelateerde nieuwe API-tools zoals de Responses API wil OpenAI dit proces aanzienlijk vereenvoudigen, zodat ontwikkelaars complexere en betrouwbaardere agents met minder moeite kunnen bouwen.

Wat is de Agents SDK

OpenAI keert groots terug naar open source met de release van de Agents SDK, een toolkit die ontwikkelaars helpt bij het beheren, coördineren en optimaliseren van agentworkflows — en zelfs bij het bouwen van agents die draaien op andere, niet-OpenAI-modellen zoals die van concurrenten Anthropic en Google, of open-sourcemodellen van DeepSeek, Qwen, Mistral en Meta’s Llama-familie.

Waarom de Agents SDK gebruiken

De SDK heeft twee leidende ontwerpprincipes:

1. Genoeg functies om de moeite waard te zijn, maar weinig genoeg primitieve bouwstenen om snel te leren.
2. Werkt uitstekend out-of-the-box, maar je kunt precies aanpassen wat er gebeurt.

Dit zijn de belangrijkste functies van de SDK:

• Agentloop: Ingebouwde agentloop die het aanroepen van tools afhandelt, resultaten naar de LLM stuurt en blijft herhalen tot de LLM klaar is.
• Python-first: Gebruik ingebouwde taalfuncties om agents te orkestreren en te ketenen, zonder nieuwe abstracties te hoeven leren.
• Handoffs: Een krachtige functie om te coördineren en delegeren tussen meerdere agents.
• Guardrails: Voer invoervalidaties en checks parallel aan je agents uit en breek vroegtijdig af als de checks falen.
• Functietools: Maak van elke Python-functie een tool, met automatische schema-generatie en Pydantic-gestuurde validatie.
• Tracing: Ingebouwde tracing waarmee je je workflows kunt visualiseren, debuggen en monitoren, en de OpenAI-suite voor evaluatie, fine-tuning en distillatie kunt gebruiken.

How to use OpenAI Agents SDK

1. Set up your Python environment

python -m venv env
source env/bin/activate

2. Install Agents SDK

pip install openai-agents

3. set the OPENAI_API_KEY environment variable

Freely set the OPENAI_API_KEY API from CometAPI

• Log in op cometapi.com. Als je nog geen gebruiker bent, registreer je dan eerst.
• Get the access credential API key van de interface. Klik op “Add Token” bij de API-token in het persoonlijke centrum, verkrijg de token-sleutel: sk-xxxxx en dien in.
• Verkrijg de url van deze site: https://api.cometapi.com/
• Selecteer het OPENAI_API_KEY-endpoint om de API-aanvraag te versturen en stel de request body in. De requestmethode en request body zijn te vinden in onze website-API-doc. Onze website biedt ook Apifox-tests voor je gemak.

4. Stel je agent in

Bepaal welke tools je AI kan gebruiken. Stel dat we websearch en bestandsterughalen willen inschakelen:

from agent_sdk import Agent, WebSearchTool, FileRetrievalTool

search_tool = WebSearchTool(api_key="your_api_key")
file_tool = FileRetrievalTool()

agent = Agent(tools=)

Nu weet je agent hoe hij het web kan doorzoeken en documenten kan ophalen.

5. uitvoeren

In tegenstelling tot traditionele chatbots bepaalt deze AI welk hulpmiddel hij gebruikt op basis van de invoer van de gebruiker:

def agent_task(query):
    result = agent.use_tool("web_search", query)
    return result

response = agent_task("Nieuwste AI-onderzoeksartikelen")
print(response)

Geen handmatige interventie — alleen autonome uitvoering.

De Agentloop

Wanneer je Runner.run() aanroept, voert de SDK een lus uit totdat er een einduitvoer is:

1. De LLM wordt aangeroepen met het model en de instellingen op de agent, samen met de berichtgeschiedenis.
2. De LLM geeft een antwoord terug, dat tool-calls kan bevatten.
3. Als het antwoord een einduitvoer heeft, stopt de lus en wordt deze geretourneerd.
4. Als het antwoord een handoff bevat, wordt de agent ingesteld op de nieuwe agent en gaat de lus verder vanaf stap 1.
5. Tool-calls worden verwerkt (indien aanwezig) en tool-responsberichten worden toegevoegd. Vervolgens gaat de lus verder vanaf stap 1.

Je kunt de parameter max_turns gebruiken om het aantal lusuitvoeringen te beperken.

​Einduitvoer

Einduitvoer is het laatste dat de agent produceert in de lus:

• Als je een output_type instelt op de agent, is de einduitvoer het moment waarop de LLM iets van dat type retourneert met gestructureerde outputs.
• Als er geen output_type is (d.w.z. platte tekstantwoorden), wordt de eerste LLM-respons zonder tool-calls of handoffs beschouwd als de einduitvoer.

Hello world-voorbeeld

from agents import Agent, Runner

agent = Agent(name="Assistent", instructions="Je bent een behulpzame assistent")

result = Runner.run_sync(agent, "Schrijf een haiku over recursie in programmeren.")
print(result.final_output)

# Code in de code,

# Functies die zichzelf aanroepen,
# De dans van de oneindige lus.

Technische structuur

“De OpenAI Agents SDK is bedoeld als een conceptueel raamwerk dat laat zien hoe verschillende agents, zoals een ‘Triage Agent’ of een ‘CRM Agent’, kunnen samenwerken om taken te voltooien via toolinteracties en delegatiemechanismen.”

Kerncomponenten en architectuur van de Agents SDK

De OpenAI Agents SDK is gebouwd op een beknopte maar robuuste set principes. Centraal staat het concept van de Agent, een instantie van een taalmodel met specifieke instructies en uitgerust om diverse tools te gebruiken. Agents beginnen met het ontvangen van gebruikersverzoeken — zoals vragen of taakdefinities — en splitsen deze taken vervolgens op in subtaken die het gebruik van vooraf gedefinieerde tools kunnen omvatten, om uiteindelijk een volledig antwoord te leveren. Deze Tools worden functioneel beschreven als aanroepbare functies; met de Agents SDK kan elke Python-functie naadloos dienen als tool, met automatische schemavalidatie voor invoer en uitvoer via Pydantic. Zo kunnen Python-functies die een databasequerytool of een webzoektool vertegenwoordigen direct in de toolset van een agent worden geïntegreerd.

Een ander centraal onderdeel van de Agents SDK is de Agentloop, die het iteratieve proces van taakafhandeling definieert. Beginnend met een eerste poging om een vraag te beantwoorden, beoordeelt een agent of hij voldoende informatie heeft of externe acties moet uitvoeren. Indien nodig roept de agent een relevante tool aan, verwerkt de output en herbeoordeelt de taak. Deze cyclus herhaalt zich totdat de agent de taak voltooid verklaart met een “ik ben klaar”-antwoord. De Agents SDK beheert dit proces autonoom en vereenvoudigt de ontwikkeling door terugkerende taken zoals toolaanroep, resultatenafhandeling en iteratieve herpogingen te automatiseren. Hierdoor kunnen ontwikkelaars zich meer richten op het definiëren van workflows en agentcapaciteiten zonder zich zorgen te maken over de onderliggende mechanica. OpenAI beschrijft deze aanpak als Python-first, met de nadruk op het gebruik van vertrouwde Python-constructies — zoals lussen, conditionals en functieaanroepen — in plaats van domeinspecifieke talen (DSL’s). Met deze flexibiliteit kunnen ontwikkelaars onderling verbonden agents orkestreren terwijl ze vertrouwen op native Python-syntaxis.

Handoff en multi-agent-architectuur

De mogelijkheden van de SDK gaan verder dan individuele agents. Via een functie die Handoff heet, kunnen taken tussen meerdere agents worden overgedragen, waardoor ze naadloos kunnen samenwerken. Zo kan een “Triage Agent” de aard van een binnenkomend verzoek bepalen en het delegeren aan een andere gespecialiseerde agent, of de output van de ene agent kan dienen als input voor een andere. Dit systeem ondersteunt workflows waarin gespecialiseerde agents afzonderlijke delen van een bredere taak uitvoeren, wat complexe multi-agent-architecturen mogelijk maakt. Daarnaast verhogen Guardrails de betrouwbaarheid door validatieregels op te leggen aan de invoer of uitvoer van agents. Guardrails kunnen bijvoorbeeld de naleving van parameterformaten afdwingen of de lus vroegtijdig beëindigen wanneer anomalieën worden gedetecteerd, waardoor risico’s zoals inefficiënte uitvoering of ongewenst gedrag in reële operaties worden verminderd.

Orchestratie en monitoring

Naast taakuitvoering bevat de Agents SDK robuuste functies voor orchestratie, die de uitvoering van tools, gegevensstromen en lusbeheer op zich nemen. Ondanks het hoge automatiseringsniveau geeft OpenAI prioriteit aan transparantie en rust ontwikkelaars uit met tools om de agentactiviteit in realtime te monitoren. Via de ingebouwde Tracing-functie, toegankelijk in het OpenAI-dashboard, kunnen ontwikkelaars workflows stap voor stap visualiseren, zien wanneer tools worden aangeroepen, welke invoer ze gebruiken en welke output ze teruggeven. Het platform gebruikt de monitoringinfrastructuur van OpenAI om de uitvoering van agentlogica op te splitsen in traces en spans, wat gedetailleerd inzicht in het gedrag van agents biedt. Hierdoor kunnen ontwikkelaars knelpunten diagnosticeren, problemen debuggen, workflows optimaliseren en prestaties volgen. Bovendien ondersteunt de tracing-architectuur geavanceerde evaluaties, waardoor fine-tuning en verbetering van de agentprestaties in de loop van de tijd mogelijk worden.

Voordelen

De OpenAI Agents SDK is niet alleen voor individuele ontwikkelaars, maar biedt ook aanzienlijke voordelen voor bedrijven die AI-agentgebaseerde producten bouwen. Laten we beginnen met de voordelen:

Snelle prototypering en productie: De Agents SDK implementeert complexe agentgedragingen met minimale code en configuratie, waardoor de cyclus van idee naar product wordt verkort. Zo gebruikt het toonaangevende cryptoplatform Coinbase de SDK om snel multi-agent-ondersteuningssystemen te prototypen en te implementeren. Evenzo kunnen bedrijven op gebieden zoals enterprise-zoekassistenten de web- en bestandstools van de SDK integreren om snel waarde te leveren. Door orkestratiedetails uit te besteden kunnen ontwikkelaars zich richten op productspecifieke functies.

Lagere ontwikkelkosten: Het bouwen van een agentsysteem vanaf nul vergt een aanzienlijke engineeringinvestering. De Agents SDK verlaagt de kosten door kant-en-klare oplossingen te bieden voor veelvoorkomende behoeften — lusbeheer, synchronisatie van API-calls, foutafhandeling en geformatteerde tooloutput voor LLM. Omdat het open source is, is maatwerk mogelijk om aan de behoeften van het bedrijf te voldoen. Dit is een zegen voor startups, die krachtige agentgedreven producten kunnen creëren met beperkte middelen.

Traceerbaarheid en debugging: Het geïntegreerde trackingdashboard van de SDK transformeert zakelijke toepassingen. Waar de sector zich zorgen maakte dat AI een “black box” is, kan nu elke agentstap worden gelogd en geaudit. Als een klantenserviceagent een fout antwoord geeft, laat de trace zien welke tool-call of stap mislukte. Het log-/tracescherm van het OpenAI-platform verbetert de auditability van agents — cruciaal in sectoren die aan regelgeving of interne audits onderhevig zijn. Dit stelt bedrijven in staat AI met meer vertrouwen te integreren, in de wetenschap dat ze de resultaten kunnen verklaren wanneer dat nodig is.

Toegang tot de nieuwste modellen en tools van OpenAI: Het gebruik van de Agents SDK betekent profiteren van de topmodellen van OpenAI (bijv. GPT-4) en actuele tools (websearch, code-uitvoering). Dit biedt een kwaliteitsvoordeel ten opzichte van alternatieven die mogelijk op zwakkere modellen vertrouwen. Voor toepassingen die hoge nauwkeurigheid of actuele informatie vereisen (bijv. onderzoeksassistenten, financiële analyse-agents) is de prestatie van OpenAI’s modellen een groot voordeel. Naarmate OpenAI tools toevoegt (met hints op meer integraties), kunnen SDK-gebruikers deze eenvoudig adopteren.

CometAPI is volledig compatibel met het interfaceprotocol van OpenAI om naadloze integratie te garanderen. Je kunt model- en servicedependency’s (lock-in-risico) vermijden, zorgen rond gegevensprivacy en -beveiliging verminderen en kosten verlagen. Het benutten van de krachtige modellen en tools van OpenAI kan duur zijn en soms prestaties beperken. CometAPI biedt lagere prijzen.

Conclusie

OpenAI zet zich in voor het verbeteren van AI-capaciteiten met innovatieve aanbiedingen zoals de Responses API. Door deze tools te introduceren, krijgen bedrijven en ontwikkelaars de kans om slimmere, adaptievere en zeer betrouwbare AI-oplossingen te bouwen. Deze ontwikkelingen wijzen op een toekomst waarin kunstmatige intelligentie impactvolle veranderingen blijft stimuleren en nieuwe mogelijkheden ontsluit in diverse sectoren.