エージェント

エージェントは、アプリ内の中核的な基本コンポーネントです。エージェントは、instructions、tools、およびハンドオフ、ガードレール、structured outputs などの任意の実行時動作で構成された大規模言語モデル (LLM) です。

このページは、単一のプレーンな Agent を定義またはカスタマイズしたい場合に使用します。複数のエージェントがどのように連携すべきかを決める場合は、Agent orchestration をお読みください。エージェントを、manifest で定義されたファイルと sandbox ネイティブ機能を備えた分離ワークスペース内で実行する必要がある場合は、Sandbox agent concepts をお読みください。

SDK は、OpenAI モデルではデフォルトで Responses API を使用しますが、ここでの違いはオーケストレーションです。Agent と Runner により、SDK がターン、tools、ガードレール、ハンドオフ、セッションを管理します。このループを自分で管理したい場合は、代わりに Responses API を直接使用してください。

次のガイドの選択

このページをエージェント定義のハブとして使用してください。次に必要な判断に合う隣接ガイドへ移動できます。

次のことをしたい場合	次に読むもの
モデルまたはプロバイダー設定を選ぶ	Models
エージェントに機能を追加する	Tools
実際のリポジトリ、ドキュメントバンドル、または分離ワークスペースに対してエージェントを実行する	Sandbox agents quickstart
manager 型オーケストレーションとハンドオフのどちらにするか決める	Agent orchestration
ハンドオフの動作を設定する	Handoffs
ターンを実行する、イベントをストリーミングする、または会話状態を管理する	Running agents
最終出力、実行項目、または再開可能な状態を確認する	Results
ローカル依存関係と実行時状態を共有する	Context management

基本設定

エージェントの最も一般的なプロパティは次のとおりです。

プロパティ	必須	説明
`name`	はい	人間が読めるエージェント名です。
`instructions`	はい	システムプロンプト、または動的 instructions コールバックです。Dynamic instructions を参照してください。
`prompt`	いいえ	OpenAI Responses API の prompt 設定です。静的な prompt オブジェクトまたは関数を受け付けます。Prompt templates を参照してください。
`handoff_description`	いいえ	このエージェントがハンドオフ先として提示される際に公開される短い説明です。
`handoffs`	いいえ	会話を専門エージェントへ委譲します。handoffs を参照してください。
`model`	いいえ	使用する LLM です。Models を参照してください。
`model_settings`	いいえ	`temperature`、`top_p`、`tool_choice` などのモデル調整パラメーターです。
`tools`	いいえ	エージェントが呼び出せる tools です。Tools を参照してください。
`mcp_servers`	いいえ	エージェント用の MCP ベース tools です。MCP guide を参照してください。
`mcp_config`	いいえ	strict な schema 変換や MCP 失敗フォーマットなど、MCP tools の準備方法を微調整します。MCP guide を参照してください。
`input_guardrails`	いいえ	このエージェントチェーンの最初のユーザー入力で実行されるガードレールです。Guardrails を参照してください。
`output_guardrails`	いいえ	このエージェントの最終出力で実行されるガードレールです。Guardrails を参照してください。
`output_type`	いいえ	プレーンテキストの代わりに使用する structured output 型です。Output types を参照してください。
`hooks`	いいえ	エージェントスコープのライフサイクルコールバックです。Lifecycle events (hooks) を参照してください。
`tool_use_behavior`	いいえ	ツール結果をモデルに戻すか、実行を終了するかを制御します。Tool use behavior を参照してください。
`reset_tool_choice`	いいえ	ツール使用ループを避けるため、ツール呼び出し後に `tool_choice` をリセットします (デフォルト: `True`)。Forcing tool use を参照してください。

from agents import Agent, ModelSettings, function_tool

@function_tool
def get_weather(city: str) -> str:
    """returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Haiku agent",
    instructions="Always respond in haiku form",
    model="gpt-5-nano",
    tools=[get_weather],
)

このセクションの内容はすべて Agent に適用されます。SandboxAgent は同じ考え方に基づき、さらにワークスペーススコープ実行向けに default_manifest、base_instructions、capabilities、run_as を追加します。Sandbox agent concepts を参照してください。

プロンプトテンプレート

prompt を設定することで、OpenAI プラットフォームで作成したプロンプトテンプレートを参照できます。これは Responses API を使用する OpenAI モデルで動作します。

使用するには、次を行ってください。

https://platform.openai.com/playground/prompts に移動します
新しい prompt 変数 poem_style を作成します。
次の内容でシステムプロンプトを作成します。
```
Write a poem in {{poem_style}}
```
--prompt-id フラグを付けて例を実行します。

from agents import Agent

agent = Agent(
    name="Prompted assistant",
    prompt={
        "id": "pmpt_123",
        "version": "1",
        "variables": {"poem_style": "haiku"},
    },
)

実行時にプロンプトを動的に生成することもできます。

from dataclasses import dataclass

from agents import Agent, GenerateDynamicPromptData, Runner

@dataclass
class PromptContext:
    prompt_id: str
    poem_style: str


async def build_prompt(data: GenerateDynamicPromptData):
    ctx: PromptContext = data.context.context
    return {
        "id": ctx.prompt_id,
        "version": "1",
        "variables": {"poem_style": ctx.poem_style},
    }


agent = Agent(name="Prompted assistant", prompt=build_prompt)
result = await Runner.run(
    agent,
    "Say hello",
    context=PromptContext(prompt_id="pmpt_123", poem_style="limerick"),
)

コンテキスト

エージェントは context 型に対してジェネリックです。コンテキストは依存性注入ツールです。これは、作成して Runner.run() に渡すオブジェクトで、すべてのエージェント、ツール、ハンドオフなどに渡され、エージェント実行の依存関係と状態をまとめる入れ物として機能します。コンテキストには任意の Python オブジェクトを提供できます。

RunContextWrapper の完全な機能、共有使用量トラッキング、ネストされた tool_input、シリアライズ時の注意点については、context guide をお読みください。

@dataclass
class UserContext:
    name: str
    uid: str
    is_pro_user: bool

    async def fetch_purchases() -> list[Purchase]:
        return ...

agent = Agent[UserContext](
    ...,
)

出力型

デフォルトでは、エージェントはプレーンテキスト (つまり str) 出力を生成します。エージェントに特定の型の出力を生成させたい場合は、output_type パラメーターを使用できます。一般的な選択肢は Pydantic オブジェクトですが、Pydantic の TypeAdapter でラップできる任意の型 (dataclasses、lists、TypedDict など) をサポートしています。

from pydantic import BaseModel
from agents import Agent


class CalendarEvent(BaseModel):
    name: str
    date: str
    participants: list[str]

agent = Agent(
    name="Calendar extractor",
    instructions="Extract calendar events from text",
    output_type=CalendarEvent,
)

Note

output_type を渡すと、通常のプレーンテキスト応答ではなく structured outputs を使用するようモデルに指示します。

マルチエージェントシステム設計パターン

マルチエージェントシステムの設計方法は多数ありますが、広く適用可能なパターンとしては主に次の 2 つがよく見られます。

Manager (Agents as tools): 中央の manager / orchestrator が、専門化されたサブエージェントを tools として呼び出し、会話の制御を保持します。
ハンドオフ: ピアエージェントが、会話を引き継ぐ専門エージェントへ制御をハンドオフします。これは分散型です。

詳細は our practical guide to building agents を参照してください。

Manager (Agents as tools)

customer_facing_agent はすべてのユーザー対話を処理し、tools として公開された専門サブエージェントを呼び出します。詳細は tools のドキュメントを参照してください。

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

customer_facing_agent = Agent(
    name="Customer-facing agent",
    instructions=(
        "Handle all direct user communication. "
        "Call the relevant tools when specialized expertise is needed."
    ),
    tools=[
        booking_agent.as_tool(
            tool_name="booking_expert",
            tool_description="Handles booking questions and requests.",
        ),
        refund_agent.as_tool(
            tool_name="refund_expert",
            tool_description="Handles refund questions and requests.",
        )
    ],
)

ハンドオフ

ハンドオフは、エージェントが委譲できるサブエージェントです。ハンドオフが発生すると、委譲先エージェントが会話履歴を受け取り、会話を引き継ぎます。このパターンにより、単一タスクに特化して優れたモジュール型の専門エージェントを実現できます。詳細は handoffs のドキュメントを参照してください。

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

triage_agent = Agent(
    name="Triage agent",
    instructions=(
        "Help the user with their questions. "
        "If they ask about booking, hand off to the booking agent. "
        "If they ask about refunds, hand off to the refund agent."
    ),
    handoffs=[booking_agent, refund_agent],
)

動的 instructions

ほとんどの場合、エージェント作成時に instructions を提供できます。ただし、関数を介して動的 instructions を提供することもできます。この関数はエージェントとコンテキストを受け取り、プロンプトを返す必要があります。通常の関数と async 関数の両方を受け付けます。

def dynamic_instructions(
    context: RunContextWrapper[UserContext], agent: Agent[UserContext]
) -> str:
    return f"The user's name is {context.context.name}. Help them with their questions."


agent = Agent[UserContext](
    name="Triage agent",
    instructions=dynamic_instructions,
)

ライフサイクルイベント (hooks)

場合によっては、エージェントのライフサイクルを監視したいことがあります。たとえば、イベントをログに記録したり、データを事前取得したり、特定イベント発生時の使用状況を記録したりしたい場合です。

hook のスコープは 2 つあります。

RunHooks は、他エージェントへのハンドオフを含む Runner.run(...) 呼び出し全体を監視します。
AgentHooks は agent.hooks を介して特定のエージェントインスタンスにアタッチされます。

コールバックコンテキストもイベントによって変わります。

エージェント開始 / 終了 hook は、元のコンテキストをラップし、共有実行使用量状態を保持する AgentHookContext を受け取ります。
LLM、ツール、ハンドオフ hook は RunContextWrapper を受け取ります。

典型的な hook のタイミング:

on_agent_start / on_agent_end: 特定エージェントが最終出力の生成を開始または終了したとき。
on_llm_start / on_llm_end: 各モデル呼び出しの直前 / 直後。
on_tool_start / on_tool_end: 各ローカルツール呼び出しの前後。関数ツールでは、hook の context は通常 ToolContext なので、tool_call_id などのツール呼び出しメタデータを確認できます。
on_handoff: 制御があるエージェントから別のエージェントに移るとき。

ワークフロー全体に対して単一の監視者が必要な場合は RunHooks を使用し、1 つのエージェントでカスタムな副作用が必要な場合は AgentHooks を使用してください。

from agents import Agent, RunHooks, Runner


class LoggingHooks(RunHooks):
    async def on_agent_start(self, context, agent):
        print(f"Starting {agent.name}")

    async def on_llm_end(self, context, agent, response):
        print(f"{agent.name} produced {len(response.output)} output items")

    async def on_agent_end(self, context, agent, output):
        print(f"{agent.name} finished with usage: {context.usage}")


agent = Agent(name="Assistant", instructions="Be concise.")
result = await Runner.run(agent, "Explain quines", hooks=LoggingHooks())
print(result.final_output)

コールバックの完全な仕様は、Lifecycle API reference を参照してください。

ガードレール

ガードレールを使うと、エージェント実行と並行してユーザー入力に対するチェック / 検証を実行し、さらに出力生成後にエージェントの出力に対するチェック / 検証も実行できます。たとえば、ユーザー入力とエージェント出力の関連性をスクリーニングできます。詳細は guardrails のドキュメントを参照してください。

エージェントの複製 / コピー

エージェントで clone() メソッドを使用すると、Agent を複製し、必要に応じて任意のプロパティを変更できます。

pirate_agent = Agent(
    name="Pirate",
    instructions="Write like a pirate",
    model="gpt-5.4",
)

robot_agent = pirate_agent.clone(
    name="Robot",
    instructions="Write like a robot",
)

ツール使用の強制

ツールのリストを提供しても、LLM が必ずツールを使用するとは限りません。ModelSettings.tool_choice を設定することでツール使用を強制できます。有効な値は次のとおりです。

auto: LLM がツールを使用するかどうかを判断します。
required: LLM にツール使用を必須化します (ただし、どのツールを使うかは賢く判断できます)。
none: LLM にツールを 使用しない ことを必須化します。
具体的な文字列 (例: my_tool) を設定: LLM にその特定ツールの使用を必須化します。

OpenAI Responses の tool search を使用している場合、名前付き tool choice にはより多くの制限があります。tool_choice では素の namespace 名や deferred 専用ツールを指定できず、tool_choice="tool_search" は ToolSearchTool を対象にしません。これらの場合は auto または required を推奨します。Responses 固有の制約は Hosted tool search を参照してください。

from agents import Agent, Runner, function_tool, ModelSettings

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    model_settings=ModelSettings(tool_choice="get_weather")
)

ツール使用動作

Agent 設定内の tool_use_behavior パラメーターは、ツール出力の処理方法を制御します。

"run_llm_again": デフォルトです。ツールを実行し、その結果を LLM が処理して最終応答を生成します。
"stop_on_first_tool": 最初のツール呼び出しの出力を、追加の LLM 処理なしで最終応答として使用します。

from agents import Agent, Runner, function_tool, ModelSettings

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    tool_use_behavior="stop_on_first_tool"
)

StopAtTools(stop_at_tool_names=[...]): 指定したツールのいずれかが呼び出された場合に停止し、その出力を最終応答として使用します。

from agents import Agent, Runner, function_tool
from agents.agent import StopAtTools

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

@function_tool
def sum_numbers(a: int, b: int) -> int:
    """Adds two numbers."""
    return a + b

agent = Agent(
    name="Stop At Stock Agent",
    instructions="Get weather or sum numbers.",
    tools=[get_weather, sum_numbers],
    tool_use_behavior=StopAtTools(stop_at_tool_names=["get_weather"])
)

ToolsToFinalOutputFunction: ツール結果を処理し、停止するか LLM で継続するかを決定するカスタム関数です。

from agents import Agent, Runner, function_tool, FunctionToolResult, RunContextWrapper
from agents.agent import ToolsToFinalOutputResult
from typing import List, Any

@function_tool
def get_weather(city: str) -> str:
    """Returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

def custom_tool_handler(
    context: RunContextWrapper[Any],
    tool_results: List[FunctionToolResult]
) -> ToolsToFinalOutputResult:
    """Processes tool results to decide final output."""
    for result in tool_results:
        if result.output and "sunny" in result.output:
            return ToolsToFinalOutputResult(
                is_final_output=True,
                final_output=f"Final weather: {result.output}"
            )
    return ToolsToFinalOutputResult(
        is_final_output=False,
        final_output=None
    )

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    tool_use_behavior=custom_tool_handler
)

Note

無限ループを防ぐため、フレームワークはツール呼び出し後に tool_choice を自動的に "auto" にリセットします。この動作は agent.reset_tool_choice で設定可能です。無限ループが起きる理由は、ツール結果が LLM に送信され、その後 tool_choice のために LLM が再びツール呼び出しを生成し、これが際限なく続くためです。