コンテンツにスキップ

エージェントの実行

エージェントは Runner クラスで実行できます。方法は 3 つあります:

  1. Runner.run(): 非同期で実行し、RunResult を返します。
  2. Runner.run_sync(): 同期メソッドで、内部的には .run() を実行します。
  3. Runner.run_streamed(): 非同期で実行し、RunResultStreaming を返します。LLM を ストリーミング モードで呼び出し、受信したイベントを逐次ストリーミングします。
from agents import Agent, Runner

async def main():
    agent = Agent(name="Assistant", instructions="You are a helpful assistant")

    result = await Runner.run(agent, "Write a haiku about recursion in programming.")
    print(result.final_output)
    # Code within the code,
    # Functions calling themselves,
    # Infinite loop's dance

詳しくは結果ガイドをご覧ください。

エージェントループ

Runner の run メソッドでは、開始するエージェントと入力を渡します。入力は文字列(ユーザーメッセージとみなされます)または入力アイテムのリスト(OpenAI Responses API のアイテム)を指定できます。

Runner は次のループを実行します:

  1. 現在のエージェントに対して、現在の入力で LLM を呼び出します。
  2. LLM が出力を生成します。
    1. LLM が final_output を返した場合、ループを終了し結果を返します。
    2. LLM が ハンドオフ を行った場合、現在のエージェントと入力を更新し、ループを再実行します。
    3. LLM が ツール呼び出し を生成した場合、それらを実行し、結果を追加して、ループを再実行します。
  3. 渡された max_turns を超えた場合、MaxTurnsExceeded 例外を送出します。

Note

LLM の出力が「最終出力」と見なされるルールは、目的の型でテキスト出力を生成し、ツール呼び出しが 1 つもないことです。

ストリーミング

ストリーミングを使うと、LLM 実行中のストリーミング イベントも受け取れます。ストリーム完了後、RunResultStreaming には実行に関する完全な情報(生成されたすべての新しい出力を含む)が含まれます。ストリーミング イベントは .stream_events() を呼び出して取得できます。詳しくはストリーミング ガイドをご覧ください。

実行設定

run_config パラメーターでは、エージェント実行のグローバル設定を構成できます:

  • model: 各 Agent の model 設定に関係なく、使用するグローバルな LLM モデルを設定できます。
  • model_provider: モデル名を解決するためのモデルプロバイダーで、デフォルトは OpenAI です。
  • model_settings: エージェント固有の設定を上書きします。例えば、グローバルな temperaturetop_p を設定できます。
  • input_guardrails, output_guardrails: すべての実行に含める入力または出力の ガードレール のリストです。
  • handoff_input_filter: ハンドオフに対して、既に個別設定がない場合に適用されるグローバルな入力フィルターです。入力フィルターにより、新しいエージェントへ送る入力を編集できます。詳細は Handoff.input_filter のドキュメントをご覧ください。
  • tracing_disabled: 実行全体のトレーシングを無効化できます。
  • trace_include_sensitive_data: LLM やツール呼び出しの入出力など、潜在的に機微なデータをトレースに含めるかどうかを設定します。
  • workflow_name, trace_id, group_id: 実行のトレーシング ワークフロー名、トレース ID、トレース グループ ID を設定します。最低でも workflow_name の設定を推奨します。グループ ID は任意で、複数の実行にわたるトレースを関連付けるのに役立ちます。
  • trace_metadata: すべてのトレースに含めるメタデータです。

会話/チャットスレッド

いずれかの run メソッドを呼び出すと、1 つ以上のエージェント(したがって 1 回以上の LLM 呼び出し)が実行される可能性がありますが、チャット会話における 1 回の論理的なターンを表します。例:

  1. ユーザーのターン: ユーザーがテキストを入力
  2. Runner の実行: 最初のエージェントが LLM を呼び出し、ツールを実行し、2 番目のエージェントにハンドオフ、2 番目のエージェントが更にツールを実行し、その後出力を生成。

エージェント実行の最後に、ユーザーへ何を表示するかを選べます。例えば、エージェントが生成したすべての新しいアイテムを表示するか、最終出力のみを表示します。いずれの場合も、ユーザーが追質問をするかもしれず、その場合は再度 run メソッドを呼び出します。

手動の会話管理

次のターン用の入力を取得するために、RunResultBase.to_input_list() メソッドを使って会話履歴を手動で管理できます:

async def main():
    agent = Agent(name="Assistant", instructions="Reply very concisely.")

    thread_id = "thread_123"  # Example thread ID
    with trace(workflow_name="Conversation", group_id=thread_id):
        # First turn
        result = await Runner.run(agent, "What city is the Golden Gate Bridge in?")
        print(result.final_output)
        # San Francisco

        # Second turn
        new_input = result.to_input_list() + [{"role": "user", "content": "What state is it in?"}]
        result = await Runner.run(agent, new_input)
        print(result.final_output)
        # California

Sessions による自動会話管理

より簡単な方法として、Sessions を使用すれば、.to_input_list() を手動で呼び出さずに会話履歴を自動で扱えます:

from agents import Agent, Runner, SQLiteSession

async def main():
    agent = Agent(name="Assistant", instructions="Reply very concisely.")

    # Create session instance
    session = SQLiteSession("conversation_123")

    thread_id = "thread_123"  # Example thread ID
    with trace(workflow_name="Conversation", group_id=thread_id):
        # First turn
        result = await Runner.run(agent, "What city is the Golden Gate Bridge in?", session=session)
        print(result.final_output)
        # San Francisco

        # Second turn - agent automatically remembers previous context
        result = await Runner.run(agent, "What state is it in?", session=session)
        print(result.final_output)
        # California

Sessions は自動的に次を行います:

  • 各実行の前に会話履歴を取得
  • 各実行の後に新しいメッセージを保存
  • セッション ID ごとに別々の会話を維持

詳しくは Sessions のドキュメントをご覧ください。

サーバー管理の会話

to_input_list()Sessions を使ってローカルで管理する代わりに、OpenAI の conversation state 機能に サーバー 側で会話状態を管理させることもできます。これにより、過去のすべてのメッセージを手動で再送せずに会話履歴を保持できます。詳しくは OpenAI Conversation state ガイドをご覧ください。

OpenAI はターン間の状態を追跡する 2 つの方法を提供します:

1. conversation_id の使用

まず OpenAI Conversations API を使用して会話を作成し、その ID を後続のすべての呼び出しで再利用します:

from agents import Agent, Runner
from openai import AsyncOpenAI

client = AsyncOpenAI()

async def main():
    # Create a server-managed conversation
    conversation = await client.conversations.create()
    conv_id = conversation.id    

    agent = Agent(name="Assistant", instructions="Reply very concisely.")

    # First turn
    result1 = await Runner.run(agent, "What city is the Golden Gate Bridge in?", conversation_id=conv_id)
    print(result1.final_output)
    # San Francisco

    # Second turn reuses the same conversation_id
    result2 = await Runner.run(
        agent,
        "What state is it in?",
        conversation_id=conv_id,
    )
    print(result2.final_output)
    # California

2. previous_response_id の使用

もう 1 つの方法は、各ターンを直前のターンのレスポンス ID に明示的にリンクする レスポンス チェイニング(response chaining) です。

from agents import Agent, Runner

async def main():
    agent = Agent(name="Assistant", instructions="Reply very concisely.")

    # First turn
    result1 = await Runner.run(agent, "What city is the Golden Gate Bridge in?")
    print(result1.final_output)
    # San Francisco

    # Second turn, chained to the previous response
    result2 = await Runner.run(
        agent,
        "What state is it in?",
        previous_response_id=result1.last_response_id,
    )
    print(result2.final_output)
    # California

長時間実行エージェントとヒューマン・イン・ザ・ループ

Agents SDK の Temporal 統合を使用すると、ヒューマン・イン・ザ・ループのタスクを含む永続的で長時間実行のワークフローを実行できます。長時間タスクを完了するために Temporal と Agents SDK が連携するデモはこの動画で、ドキュメントはこちらをご覧ください。

例外

SDK は特定の場合に例外を送出します。完全な一覧は agents.exceptions にあります。概要は次のとおりです:

  • AgentsException: SDK 内で送出されるすべての例外の基底クラスです。他の特定の例外はすべてこの汎用タイプから派生します。
  • MaxTurnsExceeded: エージェントの実行が Runner.runRunner.run_sync、または Runner.run_streamed メソッドに渡された max_turns 制限を超えた場合に送出されます。指定された対話ターン数内にタスクを完了できなかったことを示します。
  • ModelBehaviorError: 基盤となるモデル(LLM)が予期しないまたは無効な出力を生成した際に発生します。これには次が含まれます:
    • 不正な JSON: 特定の output_type が定義されている場合に特に、ツール呼び出しや直接出力で不正な JSON 構造を返す。
    • 予期しないツール関連の失敗: モデルが想定どおりの方法でツールを使用できない場合。
  • UserError: SDK を使用する(SDK を使ってコードを書く)あなたが誤りを行った場合に送出されます。これは一般に、誤ったコード実装、無効な設定、または SDK の API の誤用に起因します。
  • InputGuardrailTripwireTriggered, OutputGuardrailTripwireTriggered: それぞれ、入力ガードレールまたは出力ガードレールの条件が満たされた場合に送出されます。入力ガードレールは処理前に受信メッセージをチェックし、出力ガードレールは配信前にエージェントの最終応答をチェックします。