音声エージェントの構築

注意

アーキテクチャは早い段階で選んでください:

• OpenAIRealtimeWebRTC はブラウザでの最もシンプルな方法で、オーディオ入力 / 出力を自動で処理します
• OpenAIRealtimeWebSocket はより細かく制御できますが、オーディオのキャプチャと再生を自分で管理する必要があります
• 関数ツールは RealtimeSession が実行される場所で動作します。セッションがブラウザで実行される場合、ツールもブラウザで実行されます
• Realtime ハンドオフは同じライブセッションモデルを維持します。音声変更は、セッションがオーディオ出力を生成する前にのみ有効です。別のバックエンドモデルが必要な場合は、ハンドオフではなくツール経由で委譲してください

セッション設定

オーディオ処理

デフォルトの OpenAIRealtimeWebRTC のような一部のトランスポート層では、オーディオ入力と出力が自動的に処理されます。OpenAIRealtimeWebSocket のような他のトランスポート機構では、セッションオーディオを自分で処理する必要があります:

import {
  RealtimeAgent,
  RealtimeSession,
  TransportLayerAudio,
} from '@openai/agents/realtime';

const agent = new RealtimeAgent({ name: 'My agent' });
const session = new RealtimeSession(agent);
const newlyRecordedAudio = new ArrayBuffer(0);

session.on('audio', (event: TransportLayerAudio) => {
  // play your audio
});

// send new audio to the agent
session.sendAudio(newlyRecordedAudio);

基盤のトランスポートが対応している場合、session.muted は現在のミュート状態を示し、session.mute(true | false) でマイクキャプチャを切り替えます。OpenAIRealtimeWebSocket はミュートを実装していません: session.muted は null を返し、session.mute() は例外を投げます。そのため websocket 構成では、クライアント側でキャプチャを停止し、マイクを再び有効にするまで sendAudio() の呼び出しを止めてください。

セッション設定

RealtimeSession を作成するときにセッション自体を設定します。通常は model オプションと config オブジェクトを使います。connect(...) は任意のセッションフィールドではなく、資格情報、エンドポイント URL、SIP 通話アタッチなど接続時の関心事のためのものです。

import { RealtimeAgent, RealtimeSession } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Greeter',
  instructions: 'Greet the user with cheer and answer questions.',
});

const session = new RealtimeSession(agent, {
  model: 'gpt-realtime',
  config: {
    outputModalities: ['audio'],
    audio: {
      input: {
        format: 'pcm16',
        transcription: {
          model: 'gpt-4o-mini-transcribe',
        },
      },
      output: {
        format: 'pcm16',
      },
    },
  },
});

内部では、SDK はこの設定を Realtime の session.update 形式に正規化します。RealtimeSessionConfig に対応プロパティがない生のセッションフィールドが必要な場合は、providerData を使うか、session.transport.sendEvent(...) で生の session.update を送信してください。

outputModalities、audio.input、audio.output を使う新しい SDK 設定形式を推奨します。modalities、inputAudioFormat、outputAudioFormat、inputAudioTranscription、turnDetection などの旧 SDK エイリアスも後方互換のために引き続き正規化されますが、新しいコードではここで示すネストされた audio 構造を使ってください。

speech-to-speech セッションでは、一般的な選択は outputModalities: ['audio'] です。これによりオーディオ出力に加えて文字起こしが得られます。テキストのみの応答が必要な場合にだけ ['text'] に切り替えてください。

新しいパラメーターで RealtimeSessionConfig に対応するパラメーターがない場合は、providerData を使えます。providerData に渡した内容はすべて、生の session オブジェクトの一部として転送されます。

構築時に設定できる追加の RealtimeSession オプション:

Option	Type	Purpose
context	TContext	セッションコンテキストにマージされる追加のローカルコンテキスト
historyStoreAudio	boolean	ローカル履歴スナップショットにオーディオデータを保存します（デフォルトは無効）
outputGuardrails	RealtimeOutputGuardrail[]	セッションの出力ガードレール（Guardrails を参照）
outputGuardrailSettings	{ debounceTextLength?: number }	ガードレール実行頻度。デフォルトは 100。全文が利用可能になってから 1 回だけ実行するには -1 を使用
tracingDisabled	boolean	セッションのトレーシングを無効化
groupId	string	セッション間またはバックエンド実行間でトレースをグループ化。workflowName が必要
traceMetadata	Record<string, any>	セッショントレースに付与するカスタムメタデータ。workflowName が必要
workflowName	string	トレースワークフローの表示名
automaticallyTriggerResponseForMcpToolCalls	boolean	MCP ツール呼び出し完了時にモデル応答を自動トリガー（デフォルト: true）
toolErrorFormatter	ToolErrorFormatter	モデルに返すツール承認拒否メッセージをカスタマイズ

connect(...) オプション:

Option	Type	Purpose
apiKey	string | (() => string | Promise<string>)	この接続で使う API キー（または遅延ローダー）
model	OpenAIRealtimeModels | string	トランスポートレベルのオプション型に存在します。RealtimeSession ではコンストラクターでモデルを設定し、生トランスポートでは接続時モデルも使用可能
url	string	任意のカスタム Realtime エンドポイント URL
callId	string	既存の SIP 開始済み通話 / セッションにアタッチ

会話ライフサイクル

RealtimeSession は長寿命の Realtime 接続の上に位置します。会話履歴のローカルコピーを保持し、トランスポートイベントを監視し、ツールと出力ガードレールを実行し、アクティブなエージェント設定をトランスポートと同期し続けます。

基盤 API の挙動も重要です:

• 接続成功時は session.created イベントで始まり、その後の設定変更で session.updated が生成されます
• ほとんどのセッションプロパティは後から変更できますが、model は会話中に変更できません。voice はセッションがオーディオ出力を生成する前にのみ変更でき、Realtime API では有効化後にトレーシングを変更できないため、トレーシングは最初に決める必要があります
• Realtime API は現在、単一セッションを 60 分に制限しています
• 入力オーディオ文字起こしは非同期なので、最新発話の文字起こしが応答生成開始後に到着することがあります

SDK レイヤーでは await session.connect() は「会話開始に十分な準備ができた」ことを意味しますが、正確なタイミングはトランスポートごとに異なります:

• デフォルトのブラウザ WebRTC トランスポートでは、SDK はデータチャネルが開いたらすぐ初期 session.update を送り、対応する session.updated イベントを待ってから connect() を解決しようとします。これは instructions、tools、modalities が適用される前にオーディオがサーバーへ届くことを避けるためです。その確認が来ない場合、connect() は短いタイムアウト後にフォールバックで解決されます
• デフォルトのサーバーサイド WebSocket トランスポートでは、ソケットが開いて初期設定送信が完了した時点で connect() が解決されます。そのため対応する session.updated イベントは connect() 解決後に到着する場合があります

生イベントモデルが必要な場合は、このページとあわせて公式の Realtime conversations guide を参照してください。

インタラクションフロー

ターン検出と音声アクティビティ検出

デフォルトで Realtime セッションは組み込みの voice activity detection (VAD) を使います。これにより API はユーザーの発話開始 / 停止や応答作成タイミングを判断できます。SDK では audio.input.turnDetection で公開されています。

import { RealtimeSession } from '@openai/agents/realtime';
import { agent } from './agent';

const session = new RealtimeSession(agent, {
  model: 'gpt-realtime',
  config: {
    audio: {
      input: {
        turnDetection: {
          type: 'semantic_vad',
          eagerness: 'medium',
          createResponse: true,
          interruptResponse: true,
        },
      },
    },
  },
});

よく使われる 2 つのモード:

• semantic_vad: より自然なターン境界を目指し、ユーザーがまだ話し終えていないように聞こえる場合は少し長く待機します
• server_vad: しきい値中心で、threshold、prefixPaddingMs、silenceDurationMs、idleTimeoutMs などの設定を公開します

ターン境界を自分で管理したい場合は、audio.input.turnDetection を null に設定してください。基盤動作の詳細は、公式の voice activity detection guide と Realtime conversations guide を参照してください。

割り込み

VAD が有効な場合、エージェントの発話にかぶせて話すと現在の応答を中断できます。WebSocket トランスポートでは、SDK は input_audio_buffer.speech_started を監視し、ユーザーが実際に聞いた分までアシスタント音声を切り詰め、audio_interrupted イベントを発行します。このイベントは、WebSocket 構成で再生を自分で管理する場合に特に有用です。

import { session } from './agent';

session.on('audio_interrupted', () => {
  // handle local playback interruption
});

手動停止ボタンを提供したい場合は、自分で interrupt() を呼び出してください:

import { session } from './agent';

session.interrupt();
// this will still trigger the `audio_interrupted` event for you
// to cut off the audio playback when using WebSockets

WebRTC と WebSocket のどちらも進行中応答を停止しますが、低レベルの仕組みはトランスポートごとに異なります。WebRTC はバッファ済み出力オーディオを自動でクリアします。WebSocket 構成ではローカル再生を自分で停止する必要があり、対応する切り詰め / 会話イベントがトランスポートから戻ってきたときにローカル履歴が更新されます。

テキスト入力

ライブ会話に入力テキストや追加の構造化ユーザーコンテンツを送るには sendMessage() を使います。

import { RealtimeSession, RealtimeAgent } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Assistant',
});

const session = new RealtimeSession(agent, {
  model: 'gpt-realtime',
});

session.sendMessage('Hello, how are you?');

これは、テキストと音声を混在させる UI、帯域外コンテキスト注入、または音声入力に明示的なテキスト補足を組み合わせる場合に有用です。

画像入力

Realtime speech-to-speech セッションには画像も含められます。SDK では addImage() を使って現在の会話に画像を添付します。

import { RealtimeAgent, RealtimeSession } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Assistant',
});

const session = new RealtimeSession(agent, {
  model: 'gpt-realtime',
});

const imageDataUrl = 'data:image/png;base64,...';

session.addImage(imageDataUrl, { triggerResponse: false });
session.sendMessage('Describe what is in this image.');

triggerResponse: false を渡すと、モデルに応答を求める前に、画像を後続のテキストまたはオーディオターンとまとめて送れます。これは公式の Realtime conversations image input guidance に沿った挙動です。

手動応答制御

上位 SDK レイヤーでは、sendMessage() と addImage() はデフォルトで応答を自動トリガーします。手動応答制御は、生トランスポートイベント、push-to-talk フロー、またはカスタム moderation / validation ステップを扱うときに重要です。

import { RealtimeAgent, RealtimeSession } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Greeter',
  instructions: 'Greet the user with cheer and answer questions.',
});

const session = new RealtimeSession(agent, {
  model: 'gpt-realtime',
});

session.transport.on('*', (event) => {
  // JSON parsed version of the event received on the connection
});

// Send any valid event as JSON. For example triggering a new response
session.transport.sendEvent({
  type: 'response.create',
  // ...
});

よくある 2 つのケース:

1. audio.input.turnDetection = null で VAD を完全に無効化する場合、オーディオターンのコミットと response.create の送信はあなたの責任です
2. VAD を有効のまま turnDetection.interruptResponse = false と turnDetection.createResponse = false にする場合、API はターン検出を続けますが応答作成はあなたに委ねられます

2 つ目のパターンは、モデルが応答する前にユーザー入力を検査または moderation したい場合に有用です。公式の Realtime conversations guidance on disabling automatic responses と一致します。

エージェント機能

ハンドオフ

通常のエージェントと同様に、ハンドオフを使って 1 つのエージェントを複数エージェントに分割し、パフォーマンス向上や問題範囲の明確化のためにエージェントオーケストレーションできます。

import { RealtimeAgent } from '@openai/agents/realtime';

const mathTutorAgent = new RealtimeAgent({
  name: 'Math Tutor',
  handoffDescription: 'Specialist agent for math questions',
  instructions:
    'You provide help with math problems. Explain your reasoning at each step and include examples',
});

const agent = new RealtimeAgent({
  name: 'Greeter',
  instructions: 'Greet the user with cheer and answer questions.',
  handoffs: [mathTutorAgent],
});

通常のエージェントと異なり、Realtime Agents のハンドオフは少し異なる挙動です。ハンドオフ実行時、進行中セッションは新しいエージェント設定で更新されます。このため、新しいエージェントは進行中会話履歴に自動でアクセスでき、現在は入力フィルターは適用されません。

セッションはライブのままなので、ハンドオフ中にそのセッションのモデルは変わりません。音声変更は基盤 Realtime API ルールに従い、セッションがオーディオ出力を生成する前のみ有効です。Realtime ハンドオフは主に同一セッション上で RealtimeAgent 設定を切り替えるためのものです。たとえば gpt-5.4 のような reasoning モデルを使うなど別モデルが必要な場合や、non-realtime バックエンドエージェントに委譲する場合は、delegation through tools を使ってください。

ツール

通常のエージェントと同様に、Realtime Agents はアクション実行のためにツールを呼び出せます。Realtime は 関数ツール（ローカル実行）と hosted MCP tools（Realtime API によりリモート実行）をサポートします。関数ツールは通常のエージェントと同じ tool() ヘルパーで定義できます。

import { tool, RealtimeAgent } from '@openai/agents/realtime';
import { z } from 'zod';

const getWeather = tool({
  name: 'get_weather',
  description: 'Return the weather for a city.',
  parameters: z.object({ city: z.string() }),
  async execute({ city }) {
    return `The weather in ${city} is sunny.`;
  },
});

const weatherAgent = new RealtimeAgent({
  name: 'Weather assistant',
  instructions: 'Answer weather questions.',
  tools: [getWeather],
});

関数ツール

関数ツールは RealtimeSession と同じ環境で実行されます。つまり、セッションをブラウザで実行しているならツールもブラウザで実行されます。機密性の高い処理が必要な場合は、ツール内からバックエンドを呼び出し、特権処理はサーバーで実行してください。

これにより、ブラウザ側ツールはサーバー側ロジックへの薄いバックチャネルとして機能できます。たとえば examples/realtime-next では、ブラウザで refundBackchannel ツールを定義し、リクエストと現在会話履歴をサーバーの handleRefundRequest(...) に転送します。そこで別の Runner が別エージェントやモデルを使って返金評価し、その結果を音声セッションに返します。

Hosted MCP tools

Hosted MCP tools は hostedMcpTool で設定でき、リモート実行されます。MCP ツールの可用性が変わると、セッションは mcp_tools_changed を発行します。MCP ツール呼び出し完了後にセッションがモデル応答を自動トリガーしないようにするには、automaticallyTriggerResponseForMcpToolCalls: false を設定します。

現在のフィルタ済み MCP ツール一覧は session.availableMcpTools としても利用できます。このプロパティと mcp_tools_changed イベントはいずれも、アクティブエージェントで有効な hosted MCP サーバーに対し、エージェント設定の allowed_tools フィルター適用後の結果のみを反映します。

Hosted MCP 設定は、安全なサーバー選択、ヘッダー、承認を接続前設定として扱うと理解しやすくなります。RealtimeSession.connect() がトランスポートを開く前に、SDK はアクティブエージェントの hosted MCP ツール定義を解決し、対応する MCP フィールドを Realtime API へ送る初期セッション設定に含めます。

このタイミングはブラウザ WebRTC アプリで特に重要です。ephemeral client secret は常にサーバーで発行されるため、秘密にすべき hosted MCP 資格情報やカスタム headers は、そのサーバーサイド POST /v1/realtime/client_secrets リクエスト内の初期 session ペイロードに含めてください。長期資格情報をブラウザコードに置き、connect() 開始後に追加する設計は避けてください。

Realtime API レベルでは、後続の session.update 呼び出しでツールや他の可変セッションフィールドを変更できますし、SDK 自体もアクティブエージェント変更時に session.update を送ります。ただしブラウザアプリでは、安全な Hosted MCP 初期化はサーバーサイドの接続前関心事として扱い、ブラウザ側 RealtimeSession 設定をサーバー発行内容と一致させてください。

バックグラウンド結果

ツール実行中、エージェントはユーザーからの新規リクエストを処理できません。体験を改善する 1 つの方法は、ツール実行前にエージェントにアナウンスさせる、または時間稼ぎの定型句を話すよう指示することです。

関数ツールが即時に別のモデル応答をトリガーせず完了すべき場合は、@openai/agents/realtime の backgroundResult(output) を返してください。これによりツール出力はセッションへ返されつつ、応答トリガー制御はあなた側に残ります。

タイムアウト

関数ツールのタイムアウトオプション（timeoutMs、timeoutBehavior、timeoutErrorFunction）は Realtime セッションでも同様に機能します。デフォルトの error_as_result では、タイムアウトメッセージがツール出力として送られます。raise_exception では、セッションは ToolTimeoutError を伴う error イベントを発行し、その呼び出しのツール出力は送信されません。

会話履歴へのアクセス

エージェントが特定ツールを呼び出した引数に加えて、Realtime Session が追跡している現在会話履歴のスナップショットにもアクセスできます。これは、会話の現在状態に基づくより複雑な処理が必要な場合や、tools for delegation を使う予定がある場合に有用です。

import {
  tool,
  RealtimeContextData,
  RealtimeItem,
} from '@openai/agents/realtime';
import { z } from 'zod';

const parameters = z.object({
  request: z.string(),
});

const refundTool = tool<typeof parameters, RealtimeContextData>({
  name: 'Refund Expert',
  description: 'Evaluate a refund',
  parameters,
  execute: async ({ request }, details) => {
    // The history might not be available
    const history: RealtimeItem[] = details?.context?.history ?? [];
    // making your call to process the refund request
  },
});

ノート

渡される履歴は、ツール呼び出し時点の履歴スナップショットです。 ユーザーが最後に話した内容の文字起こしは、まだ利用できない場合があります。

ツール実行前の承認

ツールを needsApproval: true で定義すると、ツール実行前にエージェントが tool_approval_requested イベントを発行します。

このイベントを監視すると、ツール呼び出しを承認または拒否する UI をユーザーに提示できます。

await session.approve(request.approvalItem) または await session.reject(request.approvalItem) でリクエストを解決します。関数ツールでは { alwaysApprove: true } または { alwaysReject: true } を渡して、その後のセッション中の繰り返し呼び出しに同じ判断を再利用できます。また session.reject(request.approvalItem, { message: '...' }) で、その特定呼び出し向けのカスタム拒否メッセージをモデルに返せます。Hosted MCP 承認は sticky な承認 / 拒否をサポートしないため、代わりに hosted MCP の allowedTools 設定で制限してください。

呼び出しごとの拒否 message を渡さない場合、セッションは toolErrorFormatter（設定されている場合）を使い、なければ SDK 既定の拒否テキストにフォールバックします。

import { session } from './agent';

session.on('tool_approval_requested', (_context, _agent, request) => {
  // show a UI to the user to approve or reject the tool call
  // you can use the `session.approve(...)` or `session.reject(...)` methods to approve or reject the tool call

  session.approve(request.approvalItem); // or session.reject(request.approvalItem);
});

ノート

音声エージェントがツール呼び出し承認を待っている間、エージェントは ユーザーからの新規リクエストを処理できません。

ガードレール

ガードレールは、エージェント発話がルール違反したかを監視し、応答を即時停止する仕組みです。これらのチェックはエージェント応答の文字起こしストリームに対して実行されます。オーディオセッションでは SDK は出力オーディオ文字起こしと文字起こしデルタを使うため、重要な前提は別のテキスト出力モダリティではなく文字起こし可用性です。

提供したガードレールは、モデル応答が返る間に非同期実行されるため、たとえば「特定の禁止語に言及した」などの事前定義分類トリガーに基づいて応答を停止できます。

ガードレールが発火すると、セッションは guardrail_tripped イベントを発行します。イベントは details オブジェクトも提供し、ガードレールを発火させた itemId を含みます。

import { RealtimeOutputGuardrail, RealtimeAgent, RealtimeSession } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Greeter',
  instructions: 'Greet the user with cheer and answer questions.',
});

const guardrails: RealtimeOutputGuardrail[] = [
  {
    name: 'No mention of Dom',
    async execute({ agentOutput }) {
      const domInOutput = agentOutput.includes('Dom');
      return {
        tripwireTriggered: domInOutput,
        outputInfo: { domInOutput },
      };
    },
  },
];

const guardedSession = new RealtimeSession(agent, {
  outputGuardrails: guardrails,
});

デフォルトでは、ガードレールは 100 文字ごとと、最終文字起こしが利用可能になった時点で再度実行されます。通常はテキスト生成より発話に時間がかかるため、これによりユーザーが聞く前に安全でない出力を止められる場合があります。

この挙動を変更したい場合は、セッションに outputGuardrailSettings オブジェクトを渡せます。

応答末尾で完全生成された文字起こしを 1 回だけ評価したい場合は、debounceTextLength: -1 を設定してください。

import { RealtimeAgent, RealtimeSession } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Greeter',
  instructions: 'Greet the user with cheer and answer questions.',
});

const guardedSession = new RealtimeSession(agent, {
  outputGuardrails: [
    /*...*/
  ],
  outputGuardrailSettings: {
    debounceTextLength: 500, // run guardrail every 500 characters or set it to -1 to run it only at the end
  },
});

会話状態と委譲

会話履歴管理

RealtimeSession は、ユーザーメッセージ、アシスタント出力、ツール呼び出し、切り詰め状態を追跡するローカル history スナップショットを自動維持します。これを UI に表示したり、ツール内で参照したり、項目修正 / 削除が必要なときに更新したりできます。

会話が変化するとセッションは history_updated を発行します。履歴変更を要求するには updateHistory() を使います。これはトランスポートに現在履歴との差分計算と必要な delete / create イベント送信を依頼し、対応する会話イベントが戻るとローカル session.history ビューが更新されます。

import { RealtimeSession, RealtimeAgent } from '@openai/agents/realtime';

const agent = new RealtimeAgent({
  name: 'Assistant',
});

const session = new RealtimeSession(agent, {
  model: 'gpt-realtime',
});

await session.connect({ apiKey: '<client-api-key>' });

// listening to the history_updated event
session.on('history_updated', (history) => {
  // returns the full history of the session
  console.log(history);
});

// Option 1: explicit setting
session.updateHistory([
  /* specific history */
]);

// Option 2: override based on current state like removing all agent messages
session.updateHistory((currentHistory) => {
  return currentHistory.filter(
    (item) => !(item.type === 'message' && item.role === 'assistant'),
  );
});

制限事項

1. 現在、関数ツール呼び出しは事後編集できません
2. 履歴内のアシスタントテキストは output_audio.transcript を含む利用可能な文字起こしに依存します
3. 割り込みで切り詰められた応答には最終文字起こしが保持されません
4. 入力オーディオ文字起こしは、モデルが音声をどう解釈したかの正確な複製ではなく、ユーザー発話の概略として扱うのが適切です

ツール経由の委譲

会話履歴とツール呼び出しを組み合わせると、より複雑なアクション実行のために別のバックエンドエージェントへ会話を委譲し、その結果をユーザーへ返せます。

import {
  RealtimeAgent,
  RealtimeContextData,
  tool,
} from '@openai/agents/realtime';
import { handleRefundRequest } from './serverAgent';
import z from 'zod';

const refundSupervisorParameters = z.object({
  request: z.string(),
});

const refundSupervisor = tool<
  typeof refundSupervisorParameters,
  RealtimeContextData
>({
  name: 'escalateToRefundSupervisor',
  description: 'Escalate a refund request to the refund supervisor',
  parameters: refundSupervisorParameters,
  execute: async ({ request }, details) => {
    // This will execute on the server
    return handleRefundRequest(request, details?.context?.history ?? []);
  },
});

const agent = new RealtimeAgent({
  name: 'Customer Support',
  instructions:
    'You are a customer support agent. If you receive any requests for refunds, you need to delegate to your supervisor.',
  tools: [refundSupervisor],
});

次のコードはサーバーで実行されます。この例では Next.js Server Action 経由です。

// This runs on the server
import 'server-only';

import { Agent, run } from '@openai/agents';
import type { RealtimeItem } from '@openai/agents/realtime';
import z from 'zod';

const agent = new Agent({
  name: 'Refund Expert',
  instructions:
    'You are a refund expert. You are given a request to process a refund and you need to determine if the request is valid.',
  model: 'gpt-5.4',
  outputType: z.object({
    reasong: z.string(),
    refundApproved: z.boolean(),
  }),
});

export async function handleRefundRequest(
  request: string,
  history: RealtimeItem[],
) {
  const input = `
The user has requested a refund.

The request is: ${request}

Current conversation history:
${JSON.stringify(history, null, 2)}
`.trim();

  const result = await run(agent, input);

  return JSON.stringify(result.finalOutput, null, 2);
}