Apresentando a Agents API

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Introducing the Agents API · Canal: OpenAI · 02:02 · Assistir no YouTube

Tópicos: Agentes de IA, Engenharia de prompts e contexto

Resumo

A OpenAI apresenta a Agents API, que oferece uma versão hospedada do harness do Codex para aplicações e cuida da orquestração, das sessões e do gerenciamento de contexto. No exemplo de investigação de incidentes, o agente acessa ferramentas conectadas por MCP, instruções fornecidas como skill e um ambiente de execução escolhido pelo usuário. O vídeo também mostra como o tool calling programático, a orquestração multiagente e a compactação ajudam a lidar com grandes volumes de dados e tarefas longas. Ao final, o agente reúne suas descobertas em um relatório compartilhável, sem que seja necessário criar ou manter a infraestrutura do agente.

Pontos-chave

A Agents API fornece uma versão hospedada do harness do Codex para aplicações.
A OpenAI cuida da orquestração, das sessões e do gerenciamento de contexto.
Ferramentas podem ser conectadas por MCP, e instruções de investigação podem ser fornecidas como uma skill.
O usuário controla o ambiente de execução do agente e as ferramentas às quais ele tem acesso.
O tool calling programático permite processar e filtrar logs em código, reduzindo o uso de tokens com dados brutos.
A orquestração multiagente pode delegar tarefas independentes a subagents e reunir suas descobertas.
A compactação resume o trabalho anterior para que o agente continue uma investigação longa.
O agente pode apresentar os resultados em um relatório compartilhável com causa provável, evidências e próximos passos.

Capítulos

Início	Capítulo	Resumo
00:00	A Agents API e a infraestrutura de agentes	A OpenAI apresenta a Agents API como uma forma de usar um harness hospedado sem gerenciar sua infraestrutura.
00:30	Conexão de ferramentas e ambiente de execução	O exemplo de investigação de incidentes mostra como conectar ferramentas por MCP, fornecer uma skill e escolher o ambiente de execução.
01:00	Processamento de logs e delegação de tarefas	O tool calling programático filtra logs, enquanto a orquestração multiagente divide a investigação entre subagents.
01:32	Continuidade do trabalho e relatório final	A compactação ajuda o agente a retomar uma investigação longa, cujas descobertas são reunidas em um relatório compartilhável.

Citações

Hoje, estamos lançando a Agents API para cuidar dessa infraestrutura para você. — 00:00

Você controla o ambiente de execução do agente e as ferramentas às quais ele tem acesso. — 00:30

Com o tool calling programático, o agente pode processar esses logs e filtrar os resultados em código. — 01:00

Ela fornece ao modelo um resumo de todo o trabalho anterior concluído, para que o agente possa continuar sua investigação. — 01:32

Estamos animados para oferecer a você um harness em constante evolução por meio de uma única API. — 02:02

Conceitos e entidades

Agents API (ferramenta): API que oferece um harness hospedado para agentes e cuida de aspectos da infraestrutura, como orquestração, sessões e gerenciamento de contexto.
OpenAI (empresa): Empresa que apresenta a Agents API e fornece a infraestrutura hospedada descrita no vídeo.
Codex (ferramenta): Harness cuja versão hospedada é disponibilizada para aplicações por meio da Agents API.
MCP (conceito): Meio usado no exemplo para conectar as ferramentas necessárias ao agente.
skill (conceito): Recurso usado no exemplo para fornecer ao agente o runbook de investigação da equipe.
tool calling programático (conceito): Abordagem que permite ao agente processar logs e filtrar resultados em código.
multi-agent orchestration (conceito): Coordenação que delega tarefas independentes a subagents e permite que um agente principal reúna os resultados.
compaction (conceito): Processo que fornece ao modelo um resumo do trabalho anterior para que o agente continue uma sessão longa.

Tradução completa (pt-BR)

00:00 Colocar em produção um agent de longa duração dá muito trabalho, mesmo com um modelo capaz. Você precisa conectar ferramentas, acompanhar o progresso, gerenciar o contexto e proteger e manter a infraestrutura ao redor dele. Hoje, estamos lançando a Agents API para cuidar dessa infraestrutura para você. A Agents API leva uma versão hospedada do harness do Codex para suas aplicações. A OpenAI cuida da orquestração, das sessões e do gerenciamento de contexto, para que você possa se concentrar na construção. Vamos ver um exemplo. Suponha que queiramos criar um agent que ajude a investigar

00:30 incidentes na nossa stack de produção. Ele precisaria acessar dados de observabilidade e mudanças recentes no código, além das instruções da nossa equipe sobre como lidar com uma interrupção. Podemos conectar todas as ferramentas necessárias por meio de MCPs e fornecer ao agent nosso manual de investigação por meio de uma skill. Você controla o ambiente de execução do agent e as ferramentas às quais ele tem acesso. Isso inclui conectar um sandbox, seja por meio da OpenAI, de um provedor terceirizado ou usando sua própria infraestrutura. Em uma situação como essa, também estaríamos

01:00 trabalhando com uma quantidade enorme de logs, provavelmente mais do que caberia na context window do modelo. Com tool calling programático, o agent pode processar esses logs e filtrar os resultados no código, o que significa gastar menos tokens passando dados brutos e mais nas informações de que o agent precisa. Para as tarefas maiores, é possível delegar trabalho independente por meio da orquestração multi-agent. Nesse caso, poderíamos pedir a um subagent que examinasse as mudanças recentes, a outro que verificasse a telemetria e, então, fazer com que o agent líder unificasse as descobertas.

01:32 Mas, mesmo em uma única sessão de agent, as context windows de longa duração continuam funcionando muito bem com a compactação. Ela fornece ao modelo um resumo de todo o trabalho realizado até então, para que o agent possa continuar a investigação. Quando o trabalho estiver concluído, as descobertas devem ser apresentadas em um relatório que a equipe de plantão possa analisar, incluindo uma provável causa raiz, as evidências que a sustentam e as próximas etapas sugeridas, reunidas em um único arquivo compartilhável. E pronto. Com a Agents API, conseguimos conduzir um workflow inteiro sem criar nem manter nenhuma

02:02 infraestrutura própria para agents. Uma infraestrutura que continuará melhorando junto com os novos modelos e as novas capacidades. Estamos animados para oferecer a você um harness que melhora continuamente, por trás de uma única API. Boas construções.

Transcrição original

[00:00] Getting a long-running agent into production takes a lot of work, even with a capable model. You need to connect tools, track progress, manage context, and secure and maintain the infrastructure around it. Today, we’re launching the Agents API to handle that infrastructure for you. The Agents API brings a hosted version of the Codex harness to your applications. OpenAI handles orchestration, sessions, and context management so that you can stay focused on building. Let’s look at an example. Suppose we want to build an agent that helps investigate

[00:30] incidents in our production stack. It would need access to observability data and recent code changes, along with our team’s instructions for how to handle an outage. We can connect all of our necessary tools through MCPs and give the agent our investigation runbook via a skill. You control the agent’s execution environment and the tools it has access to. That includes connecting a sandbox, whether it’s through OpenAI, a third-party provider, or using your own infrastructure. In a situation like this, we’d also

[01:00] be working through a ton of logs, likely more than we could fit in the model’s context window. With programmatic tool calling, the agent can process those logs and filter the results in code, meaning fewer tokens spent passing around raw data and more spent on the information the agent needs. For the largest tasks, independent work can be delegated via multi-agent orchestration. In this case, we might want one sub-agent to examine recent changes, another to check telemetry, and then have the lead agent unify their findings.

[01:32] But even in a single agent session, long-running context windows still work really well with compaction. It gives the model a summary of all prior work completed so the agent can continue its investigation. Once the work is complete, the findings should be served as a report that the on-call team can review, a likely root cause, the supporting evidence, and suggested next steps bundled into a single shareable file. And there we have it. With the Agents API, we were able to drive an entire workflow without building or maintaining any

[02:02] of our own agent infrastructure. Infrastructure that will continue to get better alongside new models and new capabilities. We’re excited to bring you an ever-improving harness behind one API. Happy building.