作者对 OpenAI 发布的 Agents API 公测版进行了端到端实测，通过两次 POST /v1/agents/sessions 调用，体验了托管沙箱中的文件读写和 Skill 任务执行。文章介绍了 Agents API 开放的 Codex 背后托管 Agent Harness 的能力，以及 Agent 的三个层次（模型与 Harness、沙箱执行环境、工具与工作流），并详细记录了 Session 创建、SSE 事件流、Agent 在沙箱中的真实执行过程，包括命令失败后的自主恢复、CSV 数据校验与 JSON 输出，以及通过 Artifacts API 取回任务产物的完整流程。
文章深入探讨了 Agent Sandboxes 的实际应用，通过隔离性、状态管理、发布等维度的对比研究，详细分析了 Agent 运行时的两种放置模式及其架构差异。
文章探讨了 AI Agent 架构的演变。作者认为传统的单体 Agent 因 Token 成本过高和缺乏专业化而失效，基本单元应从“Agent”转变为更小的“Worker”。文章介绍了由 Worker、Function 和 Trigger 组成的全新编排模型，实现了更高效的模块化开发、灵活的架构模式以及安全运行时。
OpenAI 于 2026 年 4 月 15 日升级 Agents SDK，核心是将 Harness 和 Sandbox 做进 SDK 并实现架构分离。新架构将 Agent Loop 托管化，解耦计算与控制逻辑，支持 100+ 模型及多云 Sandbox 环境。对比 Anthropic 的工具箱路线，OpenAI 选择了全托管方案，降低开发门槛。
文章介绍了 OpenAI 在 Agents SDK 中新增的一体化沙盒支持功能。作者通过对比早期的 Structured Outputs 和自定义 Shell 工具，阐述了内置原生工具在模型分布和性能上的优势。新功能通过分离编排层与计算层，利用隔离环境安全地处理代码执行、文件操作和浏览器自动化等任务，确保 Agent 能够交付可追踪、可恢复且安全的工作成果，如 PR、迁移和数据分析报告。
