何が発表されたのか
OpenAIは、本番環境において自律的かつ長時間にわたり稼働するAIエージェント（Long-running Agent）を構築するための新しい開発者向けインターフェース「Agents API」を発表しました。本発表は、既存の単純なチャット用APIの枠組みを超え、エージェントが自律的に外部ツールを操作し、複雑な業務を完結させるためのインフラを包括的に提供するものです。本機能は研究段階ではなく、開発者が実際にアプリケーションへ組み込めるプレビューおよび一般提供（GA）を見据えた段階として公開されています。
従来、実用的なAIエージェントを本番システムで運用するには、外部ツールとの接続管理、実行状態の追跡、トークン制限に対応するためのコンテキスト管理、そして安全なコード実行環境の構築といった、膨大なインフラ開発コストが障壁となっていました。今回の「Agents API」は、OpenAIが「Codex harness」と呼ばれるホスト型の実行管理システムを提供することで、これらのインフラ課題を一挙に解決します。開発者は煩雑なバックエンドの構築から解放され、エージェントの指示書（プロンプト）や固有の業務ロジックの設計に集中できるようになります。
発表された機能・アップデートの全容
1. Codex harnessによるインフラ管理とオーケストレーションの自動化
動画の冒頭において、OpenAIのDeveloper Experience EngineerであるCharlie Guo氏は、実用的なAIエージェントを本番環境で稼働させることの難しさを指摘しました。これに対応するため、Agents APIはホストされた「Codex harness」を開発者のアプリケーションに提供します。この仕組みにより、開発者のアプリケーションと安全な実行環境（Sandbox）の間をOpenAIのインフラが仲介します。具体的には、セッションの維持、実行プロセスのオーケストレーション、そしてコンテキスト管理といった複雑な処理をOpenAI側がすべて自動で制御します。これにより、予期せぬエラーによるセッションの切断や、状態の不整合を防ぐことが可能になります。
2. MCP（Model Context Protocol）と「スキル」による外部ツールの統合
デモでは、本番環境で発生したチェックアウトエラーのインシデントを調査するエージェントの構築例が示されました。エージェントが適切な調査を行うためには、監視データやソースコードの変更履歴にアクセスする必要があります。Agents APIでは、業界標準の接続規格であるMCP（Model Context Protocol）をサポートしており、DatadogやGitHubといった外部システムへシームレスに接続できます。また、チームが定義した障害対応手順書（ランブック）を「スキル（Skills）」としてエージェントに直接読み込ませることができます。これにより、エージェントは手順書に記載された「Datadogからエラー率とレイテンシのデータを取得する」「GitHubで最新のコード変更を確認する」といった具体的な指示を正確に理解し、実行に移すことができます。
3. 用途に応じて選択可能な3つの実行環境（Sandbox）
AIエージェントがコードを実行したり、ツールを操作したりする環境の安全性は極めて重要です。Agents APIでは、セキュリティ要件やインフラ構成に合わせて、以下の3つの実行環境を選択できます。
- OpenAI-hosted: OpenAIが管理する安全なクラウド上のサンドボックス環境です。開発者はインフラを自前で用意することなく、テンプレートIDを指定するだけで即座にクリーンな実行環境を利用できます。
- Third-party sandbox: 外部のサンドボックスプロバイダーが提供する環境と連携させ、特定のワークスペースディレクトリを指定して動作させます。
- Your infrastructure: セキュリティ要件が特に厳しい企業向けに、自社が保有するプライベートなインフラ環境（セルフホスト環境）にエージェントの実行空間を構築するオプションです。
4. トークン消費量を99%以上削減する「プログラマティック・ツール・コーリング」
大量のログデータをAIに解析させる際、従来の方式（Direct tool calls）では、すべての生ログデータをモデルのコンテキストウィンドウに流し込む必要がありました。これでは、数万行のログを読み込ませるだけでコンテキストが溢れ、莫大なAPIトークン費用が発生します。これを解決するのが、新機能「プログラマティック・ツール・コーリング（PTC: Programmatic Tool Calling）」です。PTCでは、エージェント自身がサンドボックス環境内で実行可能なコード（プログラム）を生成し、ログのフィルタリング処理をその場で直接実行します。デモ映像では、5,000件の未加工ログを直接読み込ませた場合に170,126トークンを消費していた処理が、PTCを適用して「エラーのみを抽出するコード」を実行した結果、最終的にモデルへ返されたデータはわずか11トークン（スキャン数5,000、一致数42という集計結果のみ）にまで圧縮されました。これにより、コスト効率と処理速度が飛躍的に向上します。
5. タスクを並行処理する「マルチエージェント・オーケストレーション」
大規模かつ複雑なタスクを迅速に解決するため、Agents APIは1つのメインエージェントが複数の「サブエージェント（Sub-agents）」を生成して並行処理させる機能を備えています。デモでは、インシデントの要因特定に向けて、メインエージェントが「コード変更の確認」を担当するサブエージェントと、「テレメトリ（測定データ）の分析」を担当する別のサブエージェントを同時に起動しました。それぞれのサブエージェントは自律的に動作し、一方は「上流のタイムアウト設定が2,000msから200msに変更されたこと」を突き止め、もう一方は「デプロイ後に42件のエラーが発生し、上流の応答速度（p95レイテンシ）が380msに達していること」を報告しました。メインエージェントはこれらの報告を統合し、「新しいタイムアウト値（200ms）が実際の応答速度（380ms）より短すぎるためエラーが発生している」という根本原因を自動的に導き出しました。
6. 長期セッションを維持する「コンパクション（文脈圧縮）」
エージェントが長時間にわたって調査や作業を続けると、会話の履歴やツールの実行結果が蓄積し、モデルが処理できる記憶容量（コンテキストウィンドウ）を圧迫します。Agents APIは、過去に完了した作業の詳細を自動的に要約し、文脈を圧縮する「コンパクション（Compaction）」機能を備えています。この機能により、エージェントは過去の重要な経緯や結論を失うことなく、コンテキストウィンドウの消費を最小限に抑えながら、長時間のセッションにわたって一貫した調査活動を継続できます。
7. 最終成果物の自動レポート出力
エージェントは調査を完了した後、オンコールエンジニア（緊急対応担当者）が即座に状況を把握し、意思決定を下せるような詳細なレポートを自動生成します。デモ画面では、Google Docs形式で出力された「Checkout Incident Deployment 1842」というタイトルのレポートが示されました。このレポートには、発生したエラー数（42件）、設定されたタイムアウト値（200ms）、上流のレイテンシ（380ms）といった具体的な数値指標が整理されているほか、Datadogのログ分析結果やGitHubのコード変更箇所などの証拠データが網羅されています。さらに、エンジニアが取るべき次のアクションとして「構成の確認」「緩和策の承認」「復旧の検証」といった具体的な提案までが美しくフォーマットされたPDFとして出力されていました。
