5分钟跑通多智能体协作：OpenAI Agents SDK 完整指南

5分钟跑通多智能体协作OpenAI Agents SDK 完整指南【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如果你想做一个多个智能体分工协作的 LLM 应用OpenAI Agents SDK 是我会推荐的最轻起点。它是 OpenAI 出品的多智能体工作流框架把一个带指令、带工具的大模型包装成智能体其余的——任务怎么在智能体之间流转、输入输出怎么把关、对话怎么记住、过程怎么记录——它都替你兜住了。你只管定义角色和分工不用自己搭调度、拼消息、记日志。轻量级多智能体工作流框架适合什么样的活儿很多人一听到多智能体就担心是不是过度设计。其实反过来任务稍微复杂一点把所有事情压进一个 prompt 的代价会很快显现——指令又长、工具又多质量反而难保证。更稳的做法是分工一个智能体负责分诊一个负责具体业务一个负责收尾框架负责让这个分工跑起来胶水代码越少越好。它典型的用武之地客服类系统路由 专项应答 输出审查、研究或报告生成搜集 → 分析 → 成文以及一切先问模型、再跑代码、再让模型判断的流程。底层模型也没被绑死——除了 OpenAI 自家的 Responses 和 Chat Completions 两套调用接口它还能经由 LiteLLM 等接入方式可以理解为各家大模型之间的转接台连上 100 多家其他模型提供商换模型基本不用动架构。反过来如果你的需求只是跟一个模型聊几句、输出一段话那直接用 API 就够了上这套框架反而重。它的价值在流程开始分叉、循环、需要记忆的时候才真正体现。写代码之前先弄懂这五个问题真正要记的东西只有一件**智能体Agent**就是一个挂了人设说明和工具箱的大模型剩下四个概念都围绕智能体之间怎么配合、你怎么管理它们。按你自然会问的问题过一遍概念你会问的问题一句话回答Agent智能体谁来干活一个配了角色说明和技能工具的同事Handoff交接任务怎么在智能体之间传像接力赛交棒把整段对话移交给下一位Guardrail护栏怎么防止输出跑偏并行运作的审查岗独立检查输入和输出Session会话怎么记住上一轮说了什么框架替你存好历史下次请求自动带上Tracing追踪出了问题怎么查原因每次模型调用、工具执行、交接都记成时间线顺带两点护栏和主流程并行跑基本不增加延迟框架还支持结构化输出智能体可以直接返回一段能被代码校验的 JSON对分类任务或程序化编排特别顺手。 五分钟装好并跑通第一个智能体环境上只有一个要求Python 3.9 及以上。装包一条命令pip install openai-agents然后几行代码就能跑起第一个智能体。给它起个名字、写一句人设Runner 会同步执行并把最终回答交给你from agents import Agent, Runner agent Agent(nameAssistant, instructionsYou are a helpful assistant.) result Runner.run_sync(agent, Write a haiku about recursion in programming.) print(result.final_output)配置好 OpenAI 密钥后打印出来的就是一首俳句。注意final_output只是最终文字中间发生的工具调用、交接全都有记录后面排错时用得上你不需要自己处理。搭一个多语言客服分诊智能体交接与函数工具实战拼一个真实点的场景客服入口。用户进来可能说西班牙语也可能说英语分诊智能体看一眼语言把对话交给对应专家专家自己还可以挂函数工具比如查天气。import asyncio from agents import Agent, Runner spanish Agent(nameSpanish agent, instructionsOnly reply in Spanish.) english Agent(nameEnglish agent, instructionsOnly reply in English.) triage Agent(nameTriage agent, instructionsDecide which agent to hand off to based on the users language., handoffs[spanish, english]) async def main(): result await Runner.run(triage, inputHi, hows it going?) print(result.final_output) asyncio.run(main())幕后发生的事是 Runner 在跑一个循环把消息历史交给模型等回复回复里有最终答案就收工要求用工具就先执行工具、把结果塞回历史再问一次模型要求交接就换上新智能体继续。反复直到拿到最终答案——这套状态机你一行都不用写。函数工具也是同样的思路把一个普通 Python 函数用装饰器标一下模型就会自己学会按参数调用它比如客服对话里顺手把get_weather(city)的结果带出来。让智能体记住上一轮对话多轮对话最磨人的是记忆。自己写循环的话每轮都得把完整历史拼进请求漏掉一点上下文就断了。用框架做会话管理你只需创建一个会话对象跑智能体时顺手传进去第一轮问金门大桥在哪个城市答案是旧金山第二轮只问它在哪个州智能体会接着上文回答加州。会话记忆全程无感存到哪里你说了算。SQLite一个单文件的轻量数据库最省事SQLiteSession开箱即用本地和单机部署足够。 出了问题先看追踪框架默认就开着智能体追踪每次运行都会自动留一条时间线——调了哪个模型、花了多少 token、执行了什么工具、在哪个时刻交接给了谁。输出不对的时候先打开追踪看通常半分钟就能定位是指令写得不对、工具选错了还是交接交歪了。追踪层本身可扩展想把数据同步到 Logfire、AgentOps、Braintrust 这类第三方可观测平台接一个处理器即可智能体代码不用改。写给生产环境的实战清单反复调真实系统后沉淀下来的五条经验短平快提示词写具体——把有哪些工具、何时用、参数长什么样都说明白别指望模型猜。监控优先——看不见的输出没法迭代先让运行过程可见。允许自我批评——循环里让智能体先给自己的输出打分再修改质量提升很快。单一职责——每个智能体只擅长一件事别指望一个全能选手包打天下。投入评估体系——准备一组测试题给智能体打分改进才有方向。之后往哪部署下一步做什么上生产时认准两个方向应用要跨机器部署就把会话后端换成 Redis一个内存数据库会话记忆自然变成分布式共享有跑很久、中间还要人介入的任务就搭 Temporal一种持久化工作流引擎这类设施让流程可中断、可恢复。你的下一步先把上面那 5 行 Hello World 跑起来再去翻仓库里的 examples/ 目录官方文档在 docs/按场景名搜基本都有现成样例。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考