OpenAI 升级 Agents SDK：加入原生沙箱，智能体能安全查文件跑代码

给 AI 装上手脚之后，最大的麻烦往往不是它不够聪明，而是你不敢让它在真机上随便跑。

OpenAI 升级了旗下的 Agents SDK。这次更新的重点不是底层模型又涨了多少分，而是给开发者补齐了把 Agent 跑进真实系统里最头疼的两样基础设施：一个贴合前沿模型的原生运行线控，以及一套原生沙箱执行环境。

简单说，就是把过去开发者得自己东拼西凑的沙箱隔离、代码执行和状态恢复，直接做成了开箱即用的标准件。

把杂活打包成一套标准件

写一个玩具级的 Agent 很简单，但要让它处理跨越几十步的长任务，光有提示词根本不够。

在很多团队的实际工程里，跨模型的通用框架往往压榨不出前沿模型真正的潜能，而完全托管的 Agent API 又把数据和环境管得太死，让人不放心。OpenAI 这次更新的运行框架，就是为了解决这个卡在中间的尴尬境地。

新版 SDK 把这一年里前沿 Agent 体系最常用的原语全收拢了进来。其中包括支持 Anthropic 主导的 MCP 协议来调用工具、用 AGENTS.md 规范注入自定义指令、通过 skills 做能力的渐进披露，还内置了类似 Codex 的文件系统工具、shell 命令行执行，以及专门用来编辑代码文件的 apply patch 工具。

OpenAI 产品团队的 Karan Sharma 接受 TechCrunch 采访时坦言，这次的核心目标，就是让现有的 SDK 能跟各家沙箱服务商无缝连起来，让开发者不管用什么底层设施，都能直接借用 OpenAI 的线控去跑长流程复杂任务。

摔碎了也不怕丢进度的沙箱

另一个重头戏是原生沙箱机制。

只要涉及跑代码和读写文件，防提示词注入和数据外泄就是不可逾越的红线。新版 SDK 把调度线控和计算算力完全剥离，凭据等敏感信息留在外层，生成的代码只在隔离容器里跑。

环境管理上，SDK 引入了一层 Manifest 抽象，用来统一描述工作区。开发者既可以挂载本地文件，也能直接把 AWS S3、Google Cloud Storage、Azure Blob 或者是 Cloudflare R2 里的对象存储拉进沙箱，甚至可以把任务拆给多个沙箱并行跑。

更有意思的是持久化执行设计。跑长任务最怕容器崩溃或超时，新版内置了快照和恢复机制。哪怕一个沙箱中途挂掉，系统也能在新容器里根据上次的检查点把上下文满血复活，接着往下跑。

目前支持开箱即用的沙箱服务商包括 E2B、Modal、Vercel、Cloudflare、Blaxel、Daytona 和 Runloop，当然也支持自己架设沙箱。

这套能力已经在 API 中向所有客户全面开放，计费沿用标准的 Token 和工具调用费率。目前首发只支持 Python，官方承诺 TypeScript 支持以及代码模式、子代理等特性会在后续推出。

为什么重要

我们认为，这是 OpenAI 从单纯卖模型、卖提示词接口，向企业级 Agent 操作系统底层迈出的一大步。

对开发者和中小团队来说，最大的价值是试错成本骤降。过去为了让 Agent 帮自己改代码或跑自动化运维，光是搭一套安全的隔离容器、搞定状态重试，就得耗费几个星期的脏活。现在你甚至可以今天就拿 E2B 或 Modal 现成的环境，把 Python 脚本套进去快速验证长任务，省去了自己造轮子的精力。

对行业而言，OpenAI 的聪明之处在于没有关起门来搞封闭垄断。它不仅吃下了开源界广泛认可的 MCP 协议，还主动把 E2B、Modal 等专业沙箱厂商拉进自己的生态圈。这意味着沙箱和算力提供商不用担心被模型厂商瞬间吞并，反而成了 OpenAI 体系里的首批标准配件。

不过隐患也同样摆在眼前。虽然 OpenAI 强调这是一套灵活的系统，但它对自家模型运转特性的深度绑定，本质上是在用优秀的开箱体验把开发者牢牢拴在 OpenAI 的生态里。如果你追求极致的多模型自由切换，这种贴合单一供应商脾气的官方框架，未来很可能会变成迁移时的沉重包袱。