エージェント

エージェントは、アプリの中核となる構成要素です。エージェントとは、指示、ツール、およびハンドオフ、ガードレール、structured outputsなどのオプションのランタイム動作を設定した大規模言語モデル（LLM）です。

単一のシンプルな Agent を定義またはカスタマイズする場合は、このページを使用してください。複数のエージェントをどのように連携させるかを検討している場合は、エージェントオーケストレーションを参照してください。マニフェストで定義されたファイルとサンドボックスネイティブの機能を備えた分離ワークスペース内でエージェントを実行する場合は、サンドボックスエージェントの概念を参照してください。

SDK は、OpenAI モデルに対してデフォルトで Responses API を使用しますが、ここで重要なのはオーケストレーションです。Agent と Runner を組み合わせることで、SDK がターン、ツール、ガードレール、ハンドオフ、セッションを管理できます。このループを自分で管理する場合は、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。次に行う判断に対応する関連ガイドへ進んでください。

目的	次に読むガイド
モデルまたはプロバイダーの設定を選択する	モデル
エージェントに機能を追加する	ツール
実際のリポジトリ、ドキュメント一式、または分離ワークスペースでエージェントを実行する	サンドボックスエージェントのクイックスタート
マネージャー方式のオーケストレーションとハンドオフのどちらを使用するか決定する	エージェントオーケストレーション
ハンドオフの動作を設定する	ハンドオフ
ターンの実行、イベントのストリーミング、または会話状態の管理を行う	エージェントの実行
最終出力、実行項目、または再開可能な状態を確認する	実行結果
ローカルの依存関係とランタイム状態を共有する	コンテキスト管理

基本設定

エージェントで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`	いいえ	システムプロンプトまたは動的な指示のコールバックです。使用を強く推奨します。動的な指示を参照してください。
`prompt`	いいえ	OpenAI Responses API のプロンプト設定です。静的なプロンプトオブジェクトまたは関数を受け入れます。プロンプトテンプレート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に委任します。ハンドオフを参照してください。
`model`	いいえ	使用する LLM です。モデル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ツールです。ツールを参照してください。
`mcp_servers`	いいえ	エージェント用の MCP ベースのツールです。MCP ガイドを参照してください。
`mcp_config`	いいえ	厳密なスキーマ変換や MCP エラーの形式設定など、MCP ツールの準備方法を詳細に調整します。MCP ガイド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への最初のユーザー入力に対して実行されるガードレールです。ガードレール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に対して実行されるガードレールです。ガードレール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構造化された出力型です。出力型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。ライフサイクルイベント（フック）を参照してください。
`tool_use_behavior`	いいえ	ツールの実行結果をモデルへ戻してループを継続するか、実行を終了するかを制御します。ツール使用時の動作を参照してください。
`reset_tool_choice`	いいえ	ツール使用のループを回避するため、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`）。ツール使用の強制を参照してください。

from agents import Agent
from agents.decorators import tool

@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 は同じ考え方を基盤とし、ワークスペースをスコープとする実行向けに default_manifest、base_instructions、capabilities、run_as を追加します。サンドボックスエージェントの概念を参照してください。

プロンプトテンプレート

prompt を設定すると、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 モデルで機能します。

使用するには、次の手順を実行してください。

https://platform.openai.com/playground/prompts にアクセスします。
poem_style という新しいプロンプト変数を作成します。
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 フラグを指定してコード例を実行します。

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

エージェントの context 型はジェネリックです。コンテキストは依存性注入のための仕組みです。作成したオブジェクトを Runner.run() に渡すと、すべてのエージェント、ツール、ハンドオフなどに渡され、エージェント実行に必要な依存関係と状態をまとめて保持します。任意の Python オブジェクトをコンテキストとして指定できます。

RunContextWrapper の全機能、共有の使用量追跡、ネストされた tool_input、シリアライズに関する注意事項については、コンテキストガイドを参照してください。

from dataclasses import dataclass

@dataclass
class Purchase:
    id: str

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

    async def fetch_purchases(self) -> list[Purchase]:
        # implement your logic here
        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）の出力を生成します。エージェントに特定の型の出力を生成させる場合は、output_type パラメーターを使用できます。一般的には Pydantic オブジェクトを使用しますが、Pydantic の TypeAdapter でラップできる任意の型（データクラス、リスト、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レスポンスではなく、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の設計パターン

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、一般的に広く適用できる次の 2 つのパターンがよく使用されます。

マネージャー（agents as tools）: 中央のマネージャーまたはオーケストレーターが、専門のサブエージェントをツールとして呼び出し、会話の制御を維持します。
ハンドオフ: 対等なエージェントが、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。これは分散型の方式です。

詳細については、エージェント構築の実践ガイドを参照してください。

マネージャー（agents as tools）

customer_facing_agent はすべてのユーザー対応を処理し、ツールとして公開された専門のサブエージェントを呼び出します。詳しくは、ツール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

ハンドオフとは、エージェントが処理を委任できるサブエージェントです。ハンドオフが発生すると、委任先の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、単一のタスクに優れたモジュール式の専門エージェントを構築できます。詳しくは、ハンドオフ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],
)

動的な指示

ほとんどの場合、エージェントの作成時に指示を指定できます。ただし、関数を使用して動的な指示を指定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 関数の両方を使用できます。

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（フック）

エージェントのライフサイクルを監視したい場合があります。たとえば、特定のイベントが発生した際に、イベントのログ記録、データの事前取得、使用量の記録を行えます。

フックには次の 2 つのスコープがあります。

RunHooks は、他のエージェントへのハンドオフを含む Runner.run(...) の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関連付けられます。

コールバックのコンテキストもイベントによって異なります。

エージェントの開始/終了フックは、元のコンテキストをラップして共有の実行使用量状態を保持する AgentHookContext を受け取ります。
LLM、ツール、ハンドオフの各フックは RunContextWrapper を受け取ります。

一般的なフックのタイミングは次のとおりです。

on_agent_start / on_agent_end: 特定のエージェントが最終出力の生成を開始または完了するとき。
on_llm_start / on_llm_end: 各モデル呼び出しの直前と直後。
on_tool_start / on_tool_end: 各ローカルツール呼び出しの前後。関数ツールの場合、フックの context は通常 ToolContext であるため、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へ移るとき。

ワークフロー全体を 1 つのオブザーバーで監視する場合は RunHooks を使用し、1 つのエージェントに独自の副作用が必要な場合は AgentHooks を使用します。

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)

コールバックの全機能については、ライフサイクル API リファレンスを参照してください。

ガードレール

ガードレールを使用すると、エージェントの実行と並行してユーザー入力のチェック/検証を行い、エージェントの出力が生成された後にその出力をチェック/検証できます。たとえば、ユーザー入力とエージェント出力が関連性のある内容かどうかを確認できます。詳しくは、ガードレールのドキュメントを参照してください。

エージェントのクローン/コピー

エージェントの clone() メソッドを使用すると、エージェントを複製し、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-5.6-sol",
)

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

ツール使用の強制

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

auto: ツールを使用するかどうかを LLM が判断できます。
required: LLM にツールの使用を必須とします。ただし、使用するツールは LLM が適切に判断できます。
none: LLM がツールを 使用しない ことを必須とします。
my_tool などの特定の文字列を設定すると、LLM にその特定のツールの使用を必須とします。

OpenAI Responses のツール検索を使用する場合、名前を指定したツール選択にはより多くの制限があります。tool_choice では、未修飾の名前空間名や遅延専用ツールを対象にできず、tool_choice="tool_search" で ToolSearchTool を対象にすることもできません。このような場合は、auto または required を優先してください。Responses 固有の制約については、ホスト型ツール検索を参照してください。

from agents import Agent, ModelSettings
from agents.decorators import tool

@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")
)

ツール使用時の動作

Agent 設定の 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、LLM がその実行結果を処理して最終レスポンスを生成します。
"stop_on_first_tool": 最初のツール呼び出しの出力を、追加の LLM 処理を行わずに最終レスポンスとして使用します。

from agents import Agent
from agents.decorators import tool

@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、その出力を最終レスポンスとして使用します。

from agents import Agent
from agents.decorators import tool
from agents.agent import StopAtTools

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

@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: ツールの実行結果を処理し、停止するか LLM での処理を継続するかを決定するカスタム関数です。

from agents import Agent, FunctionToolResult, RunContextWrapper
from agents.decorators import tool
from agents.agent import ToolsToFinalOutputResult
from typing import List, Any

@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」へリセットします。この動作は agent.reset_tool_choice で設定できます。無限ループが発生する理由は、ツールの実行結果が LLM に送信され、tool_choice によって LLM が別のツール呼び出しを生成し、この処理が延々と繰り返されるためです。