接到某客戶的緊急客訴「後台登入變得很慢」，得手動 SSH 進主機、跑診斷指令、翻 log、寫修復腳本，整套流程做完常常要一兩個小時
OpenAI 最近推出了一個叫做 Agents API 的新東西，簡單說，它讓你的程式可以透過 API，直接指揮一個「會自己動手做事」的 AgentAI 助理本身的「人設」設定——包含要用哪個模型、給它什麼指令、能操作哪些工具。過去如果你想做一個「AI 自動幫我跑程式、讀寫檔案」的功能，你得自己張羅一堆基礎建設；現在 OpenAI 把這些通通接管過去。
整套系統圍繞四個核心概念運作：Agent（AI 的人設與能力設定）、EnvironmentAI 實際「動手做事」的地方，可以是 OpenAI 代管的沙盒，也可以是你自己指定的電腦（AI 實際做事的地方）、Session一個持續進行中的工作個體，像是幫你開一個「不會斷線」的工作視窗，AI 在裡面持續處理任務直到完成（工作進行的容器），以及 Events/Items（AI 做事過程中送出跟收到的一則則訊息）。
最實用的部分在於，OpenAI 把「長時間執行 AI 任務」最容易出包的幾件事都內建進去了：當對話紀錄太長塞不下時，系統會自動幫你做 Context compaction（上下文壓縮）AI 自動把之前做過的事摘要濃縮，讓它不會忘記前面的進度，也不會佔滿「記憶空間」；如果任務很複雜，主 agent 還能把工作拆成好幾塊，分別交給 Subagent（子代理）由主要 AI 助理另外派出去處理特定小任務的「小幫手」，做完後把結果彙整回來 分頭處理；而你也不用一直傳訊息問「做完了嗎」，可以用 Webhook當事情有進展或完成時，系統主動「打電話」通知你的程式，而不是你自己一直去問 被動接收通知。
如果 AI 需要碰觸你自己的系統（像是內部資料庫、Slack、GitHub），則要透過 MCP（Model Context Protocol）一種讓 AI 助理「插上」外部工具或資料來源的標準接頭，概念上很像 USB，不同工具只要符合這個規格就能被 AI 接上 這個標準接頭串接。整套下來，你要做的事只剩下「定義任務、提供工具、選好執行環境」，其餘的協調、記憶、復原都交給 OpenAI 管理的 Harness（執行骨架）這裡指幫 AI 助理張羅好環境、規則、安全機制的一整套配套系統，讓 AI 不用「裸奔」在你的系統上工作。
| 面向 | 傳統自建方式 | Agents API |
|---|---|---|
| 環境準備 | 自己找雲端主機、裝好執行環境、設安全隔離 | OpenAI 代管沙盒，建立 Session 就自動準備好 |
| 對話記憶管理 | 自己寫程式偵測 token 超出上限、手動摘要 | 內建 context compaction 自動壓縮 |
| 失敗復原 | 自己存檔進度、寫重試邏輯 | Session 本身具備從中斷處恢復的機制 |
| 外部工具串接 | 自己刻串接程式碼 | 用 MCP 標準接頭直接接上 |
這段程式碼示範怎麼開一個 Session、丟任務進去，然後即時追蹤 AI 的工作進度。
from openai import OpenAIclient = OpenAI()session = client.beta.agents.sessions.create( agent={"model": "gpt-6-astra", "instructions": "你是會寫程式的助理"}, environment={"type": "sandbox"},)run = session.turns.create(input="幫我列出資料夾樹狀結構")for event in session.turns.stream(run.id): if event.type == "tool_call": print(f"執行工具：{event.tool_name}")這是一個真實小專案：下載（或複製）檔案，照步驟在你電腦上跑起來。
openai>=1.50.0
python-dotenv>=1.0.0
OPENAI_API_KEY=你的OpenAI_API金鑰貼在這裡
import os
import time
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
def main() -> None:
api_key = os.environ.get("OPENAI_API_KEY")
if not api_key:
raise SystemExit("找不到 OPENAI_API_KEY，請先在 .env 檔案填入你的金鑰")
client = OpenAI(api_key=api_key)
session = client.beta.agents.sessions.create(
agent={
"model": "gpt-6-astra",
"instructions": (
"你是一個會寫 Python 小工具的助理。收到任務時，"
"先在沙盒裡寫好程式碼、執行它，再把結果整理成清楚的中文說明給使用者。"
),
},
environment={"type": "sandbox"},
)
task = (
"請寫一個 Python 腳本，列出目前工作目錄底下的資料夾樹狀結構"
"（忽略隱藏檔案與 .venv 資料夾），在沙盒裡執行它，再把輸出結果貼給我看。"
)
run = session.turns.create(input=task)
print("=== Agent 開始工作，以下是即時進度 ===")
try:
for event in session.turns.stream(run.id):
if event.type == "message":
print(f"[訊息] {event.content}")
elif event.type == "tool_call":
print(f"[執行工具] {event.tool_name}：{event.arguments}")
elif event.type == "completed":
print("=== 任務完成 ===")
break
except KeyboardInterrupt:
print("\n已中斷追蹤，Session 仍會在背景繼續執行這一輪任務。")
return
result = session.turns.retrieve(run.id)
print("\n最終結果：\n", result.output_text)
if __name__ == "__main__":
main()