OpenAI 推出 Agents API：将 Codex 封装为服务，托管会话与沙箱现已开放
2025年，OpenAI 在其开发者生态中再落关键一子——正式发布 **Agents API**。该接口将此前广受关注的代码生成模型 **Codex** 重新封装为可调用的“智能代理服务”，同时配套推出托管会话（Managed Sessions）与隔离沙箱（Sandbox）环境。这标志着 OpenAI 从“模型能力输出”向“完整执行链路交付”的战略转型迈出了实质性一步。
从 Codex API 到 Agents API：能力单元的跃迁
此前，开发者通过 Codex API 仅能获取单次代码生成或补全的文本输出，所有执行逻辑、上下文管理、安全防护均需由应用层自行实现。而 **Agents API** 将 Codex 的核心推理能力与**会话状态管理**、**工具调用框架**深度融合，构建了一个可独立运行、持续交互的“代码代理”：
– **持久化会话**：通过托管会话，代理可以维持长达数分钟的连续上下文，执行多步骤任务（如先理解需求、再生成代码、随后运行测试并迭代修正）。
– **沙箱化执行**：每个代理实例运行在隔离的容器化环境中，不仅支持代码生成，还**允许实际执行生成的代码**（包括安装依赖、调用外部 API、操作文件系统），并将结果实时反馈给调用方。
– **工具编排**：Agent 内置了对文件系统、Shell 命令、HTTP 请求等常见工具的访问策略，开发者可通过 JSON 描述自定义工具接口，使代理具备“行动能力”而非仅“思考能力”。
技术架构的深层意义：从“问答引擎”到“执行引擎”
这一改变的本质是 OpenAI 将 **LLM 作为操作系统内核**的尝试：传统 API 是“问-答”交互，而 Agents API 是“指令-执行-反馈”闭环。托管会话与沙箱的结合，解决了长期困扰代码 LLM 的两个核心问题：
1. **上下文溢出与碎片化**：长任务中模型需反复注入历史信息，Agents API 的托管会话在服务端维护完整状态，开发者只需发送增量指令，大幅降低 Token 消耗与延迟。
2. **安全问题**：直接执行模型生成的代码充满风险。沙箱提供网络隔离、资源配额限制、敏感操作审计等功能，使代理可安全地操作真实文件、数据库甚至生产环境（需开发者显式授权）。
对开发者生态的影响：低门槛构建自动化工作流
Agents API 的开放降低了构建“AI 软件工程师”类应用的门槛。开发者不再需要自行搭建调度框架、状态存储或安全沙箱，只需用少量代码即可创建能自主完成代码编写、调试、部署的智能代理。例如：
“`python
client = OpenAI(api_key=”…”)
agent = client.agents.create(
model=”codex-agents-v1″,
session_policy=”managed”,
tools=[“file_system”, “code_interpreter”, “github_api”]
)
agent.run(“克隆最新仓库，运行测试并修复所有失败测试”)
“`
这套抽象层让个人开发者也能获得此前只有 DeepMind 等团队才能实现的“代码代理”能力，预计将催生一批新一代的开发工具（如自动 Bug 修复代理、持续集成的智能检查员、甚至竞品代码分析助手）。
展望：竞争与边界
Agents API 直接对标 Anthropic 的 Tool Use 模式以及 Meta 的 Code Agent 研究，但 OpenAI 凭借托管沙箱与 Codex 在代码理解上的先发优势，可能在**闭环执行场景**（如自动化运维、数据管道构建）中建立壁垒。然而，沙箱执行的延迟与成本（尤其是长会话）仍会限制其在实时交互场景的普及。总体而言，这是 LLM 从“语言模型”走向“计算机 Agent”的关键里程碑，后续看点在于 OpenAI 是否会开放沙箱的自定义镜像能力，以及如何平衡开放性与滥用风险。
