에이전트

에이전트는 앱의 핵심 구성 요소입니다. 에이전트는 instructions, tools, 그리고 handoffs, 가드레일, structured outputs 같은 선택적 런타임 동작으로 구성된 대규모 언어 모델(LLM)입니다

이 페이지는 단일 일반 Agent를 정의하거나 커스터마이즈하려는 경우에 사용합니다. 여러 에이전트가 어떻게 협업해야 하는지 결정하려면 에이전트 오케스트레이션을 읽어보세요. 에이전트가 manifest로 정의된 파일과 샌드박스 네이티브 기능을 갖춘 격리된 워크스페이스 내부에서 실행되어야 한다면 Sandbox agent concepts를 읽어보세요

SDK는 OpenAI 모델에 기본적으로 Responses API를 사용하지만, 여기서의 차이는 오케스트레이션입니다: Agent와 Runner를 함께 사용하면 SDK가 턴, 도구, 가드레일, 핸드오프, 세션을 대신 관리합니다. 이 루프를 직접 제어하고 싶다면 Responses API를 직접 사용하세요

다음 가이드 선택

이 페이지를 에이전트 정의의 허브로 사용하세요. 다음에 내려야 할 결정에 맞는 인접 가이드로 이동하세요

다음을 원한다면...	다음 읽기
모델 또는 provider 설정 선택	모델
에이전트에 기능 추가	도구
실제 repo, 문서 번들 또는 격리된 워크스페이스에 대해 에이전트 실행	Sandbox agents quickstart
관리자 스타일 오케스트레이션과 핸드오프 중 선택	에이전트 오케스트레이션
핸드오프 동작 구성	핸드오프
턴 실행, 이벤트 스트리밍, 대화 상태 관리	에이전트 실행
최종 출력, 실행 항목, 재개 가능한 상태 점검	결과
로컬 의존성 및 런타임 상태 공유	컨텍스트 관리

기본 구성

에이전트의 가장 일반적인 속성은 다음과 같습니다

속성	필수	설명
name	예	사람이 읽기 쉬운 에이전트 이름
instructions	예	시스템 프롬프트 또는 동적 instructions 콜백. 동적 instructions 참고
prompt	아니요	OpenAI Responses API 프롬프트 구성. 정적 프롬프트 객체 또는 함수를 허용합니다. 프롬프트 템플릿 참고
handoff_description	아니요	이 에이전트가 핸드오프 대상으로 제공될 때 노출되는 짧은 설명
handoffs	아니요	대화를 전문 에이전트에 위임합니다. handoffs 참고
model	아니요	사용할 LLM. 모델 참고
model_settings	아니요	temperature, top_p, tool_choice 같은 모델 튜닝 매개변수
tools	아니요	에이전트가 호출할 수 있는 도구. 도구 참고
mcp_servers	아니요	에이전트를 위한 MCP 기반 도구. MCP 가이드 참고
mcp_config	아니요	strict schema conversion, MCP failure formatting 등 MCP 도구 준비 방식을 세부 조정합니다. MCP 가이드 참고
input_guardrails	아니요	이 에이전트 체인의 첫 사용자 입력에서 실행되는 가드레일. 가드레일 참고
output_guardrails	아니요	이 에이전트의 최종 출력에서 실행되는 가드레일. 가드레일 참고
output_type	아니요	일반 텍스트 대신 structured output 타입. 출력 타입 참고
hooks	아니요	에이전트 범위의 lifecycle 콜백. 라이프사이클 이벤트(hooks) 참고
tool_use_behavior	아니요	도구 결과를 모델로 다시 보낼지 실행을 종료할지 제어합니다. 도구 사용 동작 참고
reset_tool_choice	아니요	도구 호출 후 tool_choice를 재설정(기본값: True)하여 도구 사용 루프를 방지합니다. 도구 사용 강제 참고

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],
)

이 섹션의 모든 내용은 Agent에 적용됩니다. SandboxAgent는 같은 개념을 기반으로 하고, 워크스페이스 범위 실행을 위해 default_manifest, base_instructions, capabilities, run_as를 추가합니다. Sandbox agent concepts 참고

프롬프트 템플릿

prompt를 설정하여 OpenAI 플랫폼에서 생성한 프롬프트 템플릿을 참조할 수 있습니다. 이는 Responses API를 사용하는 OpenAI 모델에서 동작합니다

사용 방법은 다음과 같습니다:

1. https://platform.openai.com/playground/prompts 로 이동합니다
2. 새 프롬프트 변수 poem_style를 생성합니다

3. 다음 내용으로 시스템 프롬프트를 생성합니다:

   Write a poem in {{poem_style}}
   

4. --prompt-id 플래그로 예제를 실행합니다

from agents import Agent

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

실행 시점에 프롬프트를 동적으로 생성할 수도 있습니다:

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"),
)

컨텍스트

에이전트는 context 타입에 대해 제네릭입니다. 컨텍스트는 의존성 주입 도구입니다: 사용자가 생성해 Runner.run()에 전달하는 객체로, 모든 에이전트, 도구, 핸드오프 등에 전달되며 에이전트 실행에 필요한 의존성과 상태를 담는 바구니 역할을 합니다. 컨텍스트로는 어떤 Python 객체든 제공할 수 있습니다

전체 RunContextWrapper 표면, 공유 사용량 추적, 중첩 tool_input, 직렬화 관련 주의사항은 컨텍스트 가이드를 읽어보세요

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

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

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

출력 타입

기본적으로 에이전트는 일반 텍스트(즉 str) 출력을 생성합니다. 에이전트가 특정 타입의 출력을 생성하게 하려면 output_type 매개변수를 사용할 수 있습니다. 일반적인 선택지는 Pydantic 객체지만, Pydantic TypeAdapter로 래핑할 수 있는 타입이라면 모두 지원합니다 - dataclasses, lists, TypedDict 등

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_type를 전달하면, 모델은 일반 일반 텍스트 응답 대신 structured outputs를 사용합니다

멀티 에이전트 시스템 설계 패턴

멀티 에이전트 시스템을 설계하는 방법은 많지만, 일반적으로 널리 적용 가능한 두 가지 패턴이 자주 사용됩니다:

1. 매니저(Agents as tools): 중앙 매니저/오케스트레이터가 전문 하위 에이전트를 도구로 호출하고 대화 제어를 유지합니다
2. 핸드오프: 동등한 에이전트가 대화를 인계받아 처리할 전문 에이전트로 제어를 넘깁니다. 이는 분산형 패턴입니다

자세한 내용은 our practical guide to building agents를 참고하세요

매니저(Agents as tools)

customer_facing_agent는 모든 사용자 상호작용을 처리하고, 도구로 노출된 전문 하위 에이전트를 호출합니다. 자세한 내용은 tools 문서를 참고하세요

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.",
        )
    ],
)

핸드오프

핸드오프는 에이전트가 위임할 수 있는 하위 에이전트입니다. 핸드오프가 발생하면 위임된 에이전트가 대화 기록을 전달받아 대화를 이어받습니다. 이 패턴은 단일 작업에 뛰어난 모듈형 전문 에이전트를 가능하게 합니다. 자세한 내용은 handoffs 문서를 참고하세요

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],
)

동적 instructions

대부분의 경우 에이전트를 생성할 때 instructions를 제공하면 됩니다. 하지만 함수를 통해 동적 instructions를 제공할 수도 있습니다. 함수는 에이전트와 컨텍스트를 전달받고 프롬프트를 반환해야 합니다. 일반 함수와 async 함수 모두 허용됩니다

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,
)

라이프사이클 이벤트(hooks)

때로는 에이전트의 라이프사이클을 관찰하고 싶을 수 있습니다. 예를 들어 이벤트를 로깅하거나, 데이터를 사전 로드하거나, 특정 이벤트 발생 시 사용량을 기록할 수 있습니다

hook 범위는 두 가지입니다:

• RunHooks는 다른 에이전트로의 핸드오프를 포함해 전체 Runner.run(...) 호출을 관찰합니다
• AgentHooks는 agent.hooks를 통해 특정 에이전트 인스턴스에 연결됩니다

이벤트에 따라 콜백 컨텍스트도 달라집니다:

• 에이전트 시작/종료 hook은 AgentHookContext를 받으며, 이는 원래 컨텍스트를 래핑하고 공유 실행 사용량 상태를 포함합니다
• LLM, 도구, 핸드오프 hook은 RunContextWrapper를 받습니다

일반적인 hook 타이밍:

• on_agent_start / on_agent_end: 특정 에이전트가 최종 출력을 생성하기 시작하거나 끝낼 때
• on_llm_start / on_llm_end: 각 모델 호출 직전/직후
• on_tool_start / on_tool_end: 각 로컬 도구 호출 전후 함수 도구의 경우 hook context는 보통 ToolContext이므로 tool_call_id 같은 도구 호출 메타데이터를 확인할 수 있습니다
• on_handoff: 제어가 한 에이전트에서 다른 에이전트로 이동할 때

전체 워크플로에 대해 단일 관찰자가 필요하면 RunHooks를, 하나의 에이전트에 맞춤 부수 효과가 필요하면 AgentHooks를 사용하세요

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)

전체 콜백 표면은 Lifecycle API reference를 참고하세요

가드레일

가드레일을 사용하면 에이전트 실행과 병렬로 사용자 입력에 대한 검사/검증을 수행하고, 에이전트 출력이 생성된 뒤 해당 출력에 대해서도 검사/검증을 수행할 수 있습니다. 예를 들어 사용자 입력과 에이전트 출력의 관련성을 점검할 수 있습니다. 자세한 내용은 guardrails 문서를 참고하세요

에이전트 복제/복사

에이전트에서 clone() 메서드를 사용하면 Agent를 복제하고, 원하면 어떤 속성이든 변경할 수 있습니다

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",
)

도구 사용 강제

도구 목록을 제공한다고 해서 항상 LLM이 도구를 사용하는 것은 아닙니다. ModelSettings.tool_choice를 설정해 도구 사용을 강제할 수 있습니다. 유효한 값은 다음과 같습니다:

1. auto: LLM이 도구 사용 여부를 결정하도록 허용
2. required: LLM이 도구를 반드시 사용(단, 어떤 도구를 쓸지는 지능적으로 결정 가능)
3. none: LLM이 도구를 사용하지 않도록 강제
4. 특정 문자열(예: my_tool) 설정: LLM이 해당 특정 도구를 사용하도록 강제

OpenAI Responses 도구 검색을 사용할 때는 이름 기반 도구 선택이 더 제한됩니다: tool_choice로는 네임스페이스 이름만 있는 도구나 deferred-only 도구를 지정할 수 없고, tool_choice="tool_search"는 ToolSearchTool을 대상으로 하지 않습니다. 이런 경우 auto 또는 required를 권장합니다. Responses 전용 제약 사항은 Hosted tool search를 참고하세요

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")
)

도구 사용 동작

Agent 구성의 tool_use_behavior 매개변수는 도구 출력 처리 방식을 제어합니다:

• "run_llm_again": 기본값입니다. 도구를 실행하고 LLM이 결과를 처리해 최종 응답을 생성합니다
• "stop_on_first_tool": 추가 LLM 처리 없이 첫 번째 도구 호출의 출력을 최종 응답으로 사용합니다

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=[...]): 지정된 도구 중 하나라도 호출되면 중지하고 해당 출력을 최종 응답으로 사용합니다

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: 도구 결과를 처리하고 LLM으로 계속할지 중지할지 결정하는 사용자 정의 함수입니다

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

무한 루프를 방지하기 위해 프레임워크는 도구 호출 후 tool_choice를 자동으로 "auto"로 재설정합니다. 이 동작은 agent.reset_tool_choice로 구성할 수 있습니다. 무한 루프가 생기는 이유는 도구 결과가 LLM으로 전달되고, LLM이 tool_choice 때문에 또 다른 도구 호출을 생성하는 과정이 무한 반복되기 때문입니다