OpenAI Agents API: kiedy użyć harnessu Codexa

Agent, który odpowiada na jedno pytanie, jest łatwy do zbudowania. Kłopoty zaczynają się, gdy ma działać godzinami: przerwać, wznowić pracę, znaleźć właściwe narzędzie, nie zgubić kontekstu i oddać wynik po kilku równoległych analizach.

10 września 2026 OpenAI ogłosiło Agents API w publicznej becie. Udostępnia w API harness używany przez Codexa. Zamiast składać własną pętlę wywołań modelu, narzędzi i zarządzania długą sesją, podajesz zadanie, model, narzędzia i środowisko wykonania. Platforma zajmuje się uruchomieniem agenta oraz częścią mechaniki pracy. To ciekawa opcja dla zespołu, który już buduje workflow agentowy, ale nie chce utrzymywać kolejnego własnego systemu orkiestracji.

Co dostajesz, a co nadal musisz zaprojektować?

Agents API pomaga w	Zespół nadal odpowiada za
utrzymanie sesji i zarządzanie kontekstem	wybór zadania i kryteria poprawnego wyniku
wyszukiwanie narzędzi i wykonywanie ich wywołań	zakres uprawnień narzędzi i danych
uruchamianie subagentów równolegle	podział pracy i review rezultatów
sandbox zarządzany przez OpenAI lub wybór własnego środowiska	bezpieczeństwo integracji, koszty i obserwowalność procesu

OpenAI opisuje automatyczną kompakcję kontekstu, wyszukiwanie definicji narzędzi dopiero wtedy, gdy są potrzebne, oraz możliwość równoległych i sekwencyjnych wywołań narzędzi. API obsługuje między innymi MCP, własne funkcje i narzędzia wbudowane. Agent może pracować w sandboxie OpenAI, we własnej infrastrukturze lub u partnera dostarczającego środowisko wykonania.

To nadal public beta. Interfejs może się zmieniać. OpenAI podaje, że nie pobiera osobnej opłaty za samo Agents API; płacisz za tokeny i użyte narzędzia. Rzeczywisty koszt zadania zależy jednak także od liczby prób, czasu pracy, infrastruktury poza OpenAI i kosztu sprawdzenia wyniku.

Przykład: analiza awarii zamiast kolejnego chatbota

Wyobraź sobie usługę .NET, której liczba odpowiedzi 5xx wzrosła po wdrożeniu. Agent ma zebrać trzy rodzaje danych: błędy z monitoringu, ostatnie zmiany w repozytorium i stan zależności. Każdą analizę można delegować osobnemu subagentowi, a na końcu zebrać ustalenia w jeden raport z dowodami i możliwą przyczyną.

Technicznie to dobry kandydat do dłuższej sesji. Operacyjnie wymaga trzech granic:

Dostęp do obserwowalności jest tylko do odczytu; agent nie zmienia alertów ani produkcyjnych ustawień.
Wnioski zawierają link do logu, PR-a lub metryki. „Wygląda na problem z bazą” bez dowodu nie jest wynikiem.
Wdrożenie poprawki i decyzja o rollbacku pozostają osobnymi krokami z akceptacją człowieka.

Własny serwer MCP może udostępnić potrzebne dane. Agents API nie zdecyduje za Ciebie, czy serwer powinien widzieć cały klaster, czy tylko metryki jednej usługi. Harness wykonuje pracę w wyznaczonych granicach; granice trzeba ustawić wcześniej.

Kiedy API ma sens?

Użyj go, gdy zadanie trwa długo, korzysta z wielu narzędzi, wymaga wznowienia pracy albo równoległych analiz, a utrzymanie własnej pętli agenta zaczyna kosztować więcej niż logika domenowa.

Zostań przy prostym kodzie, gdy workflow to jeden model, jedna funkcja i krótka odpowiedź. Kilkanaście linii wywołania API jest łatwiejsze do zrozumienia niż agent z sesjami, sandboxem i subagentami. Nie każdy proces potrzebuje autonomii.

Przed wdrożeniem weź pięć prawdziwych zadań z historii zespołu. Zdefiniuj wynik, uprawnienia, limit kosztu i moment zatrzymania. Porównaj Agents API z obecnym rozwiązaniem według odsetka poprawnych wyników po review, całkowitego czasu oraz kosztu na zadanie. Bez takiej próby łatwo kupić wygodniejszy harness i nadal nie wiedzieć, czy poprawił proces.

Reguła decyzyjna: oddaj platformie mechanikę sesji, jeśli naprawdę jest Twoim wąskim gardłem. Definicja poprawnego wyniku, dostęp do danych i odpowiedzialność za zmianę zostają po stronie zespołu.

Źródła: ogłoszenie Agents API, OpenAI, 10.09.2026, dokumentacja Agents API. Stan: 23 września 2026.