ツール

ツールを使うと、データの取得、コードの実行、外部 API の呼び出し、さらにはコンピュータ操作などをエージェントに実行させることができます。SDK は、次の 5 つのカテゴリーをサポートしています。

• OpenAI がホストするツール: OpenAI のサーバー上でモデルのために実行されます。
• ローカル／ランタイム実行ツール: ComputerTool と ApplyPatchTool は常にお使いの環境で実行され、ShellTool はローカルまたはホストされたコンテナで実行できます。
• FunctionTool インスタンス: 任意の Python 関数をツールとしてラップします。
• Agents as tools: 完全なハンドオフを行わずに、エージェントを呼び出し可能なツールとして公開します。
• 実験的機能: Codex ツール: ツール呼び出しからワークスペーススコープの Codex タスクを実行します。

ツールタイプの選択

このページをカタログとして使用し、管理するランタイムに対応するセクションに進んでください。

目的	参照先
OpenAI が管理するツール（Web 検索、ファイル検索、Code Interpreter、ホストされた MCP、画像生成）の使用	ホストされたツール
ツール検索を使用して、大規模なツールセットの読み込みをランタイムまで遅延	ホストされたツール検索
生成された JavaScript から複数のツール呼び出しを調整	プログラムによるツール呼び出し
独自のプロセスまたは環境でツールを実行	ローカルランタイムツール
Python 関数をツールとしてラップ	関数ツール
ハンドオフせずに、あるエージェントから別のエージェントを呼び出し	Agents as tools
エージェントからワークスペーススコープの Codex タスクを実行	実験的機能: Codex ツール

ホストされたツール

OpenAIResponsesModel を使用する場合、OpenAI はいくつかの組み込みツールを提供します。

• WebSearchTool を使用すると、エージェントが Web を検索できます。
• FileSearchTool を使用すると、OpenAI ベクトルストアから情報を取得できます。
• CodeInterpreterTool を使用すると、LLM がサンドボックス環境でコードを実行できます。
• HostedMCPTool は、リモート MCP サーバーのツールをモデルに公開します。
• ImageGenerationTool は、プロンプトから画像を生成します。
• ToolSearchTool を使用すると、モデルが必要に応じて遅延ツール、名前空間、またはホストされた MCP サーバーを読み込めます。
• ProgrammaticToolCallingTool を使用すると、モデルが生成した JavaScript から対象ツールを調整できます。

ホストされた検索の高度なオプション:

• FileSearchTool は、vector_store_ids と max_num_results に加えて、filters、ranking_options、include_search_results をサポートします。max_num_results には 1 から 50 までの整数を設定してください。None または 0 を指定すると、プロバイダーのデフォルト値が使用されます。
• WebSearchTool は、filters、user_location、search_context_size をサポートします。

from agents import Agent, FileSearchTool, Runner, WebSearchTool

agent = Agent(
    name="Assistant",
    tools=[
        WebSearchTool(),
        FileSearchTool(
            max_num_results=3,
            vector_store_ids=["VECTOR_STORE_ID"],
        ),
    ],
)

async def main():
    result = await Runner.run(agent, "Which coffee shop should I go to, taking into account my preferences and the weather today in SF?")
    print(result.final_output)

ホストされたツール検索

ツール検索を使用すると、OpenAI Responses モデルは大規模なツールセットの読み込みをランタイムまで遅延できるため、モデルは現在のターンに必要なサブセットのみを読み込みます。多数の関数ツール、名前空間グループ、またはホストされた MCP サーバーがあり、すべてのツールを事前に公開せずにツールスキーマのトークン数を削減したい場合に役立ちます。

エージェントを構築する時点で候補ツールがすでに判明している場合は、ホストされたツール検索から始めてください。アプリケーションで読み込む内容を動的に決定する必要がある場合、Responses API はクライアント実行型のツール検索もサポートしますが、標準の Runner では、このモードは自動実行されません。

from typing import Annotated

from agents import Agent, Runner, ToolSearchTool, tool_namespace
from agents.decorators import tool


@tool(defer_loading=True)
def get_customer_profile(
    customer_id: Annotated[str, "The customer ID to look up."],
) -> str:
    """Fetch a CRM customer profile."""
    return f"profile for {customer_id}"


@tool(defer_loading=True)
def list_open_orders(
    customer_id: Annotated[str, "The customer ID to look up."],
) -> str:
    """List open orders for a customer."""
    return f"open orders for {customer_id}"


crm_tools = tool_namespace(
    name="crm",
    description="CRM tools for customer lookups.",
    tools=[get_customer_profile, list_open_orders],
)


agent = Agent(
    name="Operations assistant",
    model="gpt-5.6-sol",
    instructions="Load the crm namespace before using CRM tools.",
    tools=[*crm_tools, ToolSearchTool()],
)

result = await Runner.run(agent, "Look up customer_42 and list their open orders.")
print(result.final_output)

留意事項:

• ホストされたツール検索は、OpenAI Responses モデルでのみ利用できます。現在の Python SDK のサポートは openai>=2.25.0 に依存します。
• エージェントに遅延読み込み対象を設定する場合は、ToolSearchTool() を 1 つだけ追加してください。
• 検索可能な対象には、@function_tool(defer_loading=True)、tool_namespace(name=..., description=..., tools=[...])、HostedMCPTool(tool_config={..., "defer_loading": True}) が含まれます。
• 遅延読み込みする関数ツールは、ToolSearchTool() と組み合わせる必要があります。名前空間のみの構成では、モデルが必要に応じて適切なグループを読み込めるように、ToolSearchTool() も使用できます。
• tool_namespace() は、FunctionTool インスタンスを共通の名前空間名と説明の下にグループ化します。通常、crm、billing、shipping など、関連するツールが多数ある場合に最適です。
• OpenAI の公式ベストプラクティスは、可能な場合は名前空間を使用することです。
• 可能な場合は、個別に遅延される多数の関数よりも、名前空間またはホストされた MCP サーバーを優先してください。通常、モデルにとってより優れた高レベルの検索対象となり、トークンもより節約できます。
• 名前空間には、即時利用可能なツールと遅延ツールを混在させられます。defer_loading=True のないツールは引き続き即座に呼び出せますが、同じ名前空間内の遅延ツールはツール検索を通じて読み込まれます。
• 目安として、各名前空間は十分に小さく保ち、理想的には関数を 10 個未満にしてください。
• 名前付きの tool_choice では、単独の名前空間名や遅延専用ツールを対象にできません。auto、required、または実際に呼び出し可能なトップレベルのツール名を優先してください。
• ToolSearchTool(execution="client") は、手動の Responses オーケストレーション用です。モデルがクライアント実行型の tool_search_call を出力すると、標準の Runner は代わりに実行せず、例外を発生させます。
• ツール検索のアクティビティは、専用の項目タイプとイベントタイプにより、RunResult.new_items および RunItemStreamEvent に表示されます。
• 名前空間による読み込みとトップレベルの遅延ツールの両方を扱う、完全に実行可能なコード例については、examples/tools/tool_search.py を参照してください。
• 公式プラットフォームガイド: ツール検索。

プログラムによるツール呼び出し

プログラムによるツール呼び出しを使用すると、対応する OpenAI Responses モデルが JavaScript を生成し、対象ツールを呼び出して、その出力を組み合わせ、1 つの結果をモデルに返せます。ツール呼び出しのたびにモデルとのラウンドトリップを行わず、ループ、分岐、並列呼び出し、中間計算を活用できる範囲限定のワークフローに役立ちます。

生成されたプログラムは、新しいホスト済み V8 環境で実行されます。Node.js API、ファイルシステム、ネットワークへのアクセス、永続プロセスは利用できません。プログラムが操作できるのは、明示的に許可したツールだけです。

from pydantic import BaseModel

from agents import (
    Agent,
    ModelSettings,
    ProgrammaticToolCallingTool,
    Runner,
)
from agents.decorators import tool


class InventoryOutput(BaseModel):
    sku: str
    available_units: int


@tool(allowed_callers=["programmatic"])
def get_inventory(sku: str) -> InventoryOutput:
    return InventoryOutput(sku=sku, available_units=42)


agent = Agent(
    name="Inventory planner",
    model="gpt-5.6",
    model_settings=ModelSettings(tool_choice="programmatic_tool_calling"),
    tools=[get_inventory, ProgrammaticToolCallingTool()],
)

result = Runner.run_sync(agent, "Check inventory for desk-lamp and summarize it.")
print(result.final_output)

留意事項:

• プログラムによるツール呼び出しは、対応する OpenAI Responses モデルでのみ利用できます。ProgrammaticToolCallingTool() と tool_choice="programmatic_tool_calling" は、Chat Completions モデルおよび Responses 以外のバックエンドでは拒否されます。
• エージェントには ProgrammaticToolCallingTool() を最大 1 つ追加できます。また、エージェントは、プログラムから呼び出し可能なツール、名前空間、遅延関数、遅延されたホスト済み MCP サーバーを基盤とする ToolSearchTool()、または不透明なプロンプト管理型ツールセットのうち、少なくとも 1 つを公開する必要があります。検索可能な対象がない単独の ToolSearchTool() は拒否されます。
• allowed_callers は、ツールを呼び出す方法を制御します。省略すると、モデルによる直接呼び出しのみが許可されます。プログラムからのみアクセス可能にするには ["programmatic"]、両方を許可するには ["direct", "programmatic"] を使用してください。
• オプトインできる SDK ツールタイプは、FunctionTool、CustomTool、ShellTool、ApplyPatchTool、HostedMCPTool、CodeInterpreterTool です。関数、カスタム、シェル、パッチ適用の各ツールは、allowed_callers を直接公開します。ホストされた MCP と Code Interpreter では、tool_config 内に allowed_callers を設定してください。
• @function_tool(allowed_callers=[...]) では、Pydantic モデル、TypedDict、dataclass などの構造化された戻り値アノテーションが、自動的に厳格なオブジェクト出力スキーマになります。返された値は、プログラムに返される前にそのスキーマに対して検証されます。関数に使用可能なアノテーションがない場合は output_type=... を使用し、厳格なオブジェクトスキーマがすでにある場合は、低レベルのエスケープハッチである output_json_schema={...} を使用してください。output_type と output_json_schema は相互排他的です。str、Any、None の戻り値アノテーションでは、出力スキーマは作成されません。スキーマを基盤とするプログラム所有の呼び出しでは、自由形式のテキストが出力スキーマを満たさないため、デフォルトの失敗フォーマッターは無効になります。そのため、スキーマに準拠した JSON を返すカスタム failure_error_function を指定しない限り、ハンドラーの例外は伝播します。
• プログラム所有の SDK ツールでも、通常の Runner ライフサイクルが使用されます。ツールの入力および出力ガードレール、フック、タイムアウト、同時実行数の制限、承認、セッション、RunState の一時停止／再開動作は引き続き適用され、SDK は各子呼び出しとプログラム呼び出し元との関係を保持します。
• ProgrammaticToolCallingTool() が存在する場合、プログラムが実行される前でも、モデルリクエストの再試行にはより厳格なリプレイ安全性の境界が使用されます。SDK は、これらのリクエストに対してプロバイダー管理の再試行と WebSocket のイベント前再試行を無効にします。Runner の再試行ポリシーは、プロバイダーの通知でリプレイが安全であると明示された場合にのみ再試行します。retry_policies.network_error() だけでは、この境界を上書きしません。
• 承認が重要なツールや影響の大きいツールは、通常、直接呼び出しとして維持する方が適しています。これにより、大きなプログラムの一部になる前に、各アクションを人が確認できます。プログラム所有の呼び出しが承認待ちで一時停止した場合は、RunState を通じて中断を解決し、通常どおり元の実行を再開してください。
• プログラムによるツール呼び出しは、ホストされたツール検索と組み合わせられます。生成されたプログラムが遅延ツールを呼び出す前に、モデルがそれらを読み込む必要があります。
• program 項目と、その通常のプログラム所有の子ツール呼び出しは、ToolCallItem エントリとして表示されます。対応する program_output は、ToolCallOutputItem として表示されます。ホストされた MCP の承認リクエストとツールカタログでは、代わりに専用の MCP 項目とストリームイベントが使用されます。確認方法の詳細については、実行結果およびストリーミングを参照してください。
• 完全な並行在庫計画のコード例については、examples/tools/programmatic_tool_calling.py を参照してください。
• 公式プラットフォームガイド: プログラムによるツール呼び出し。

ホストされたコンテナシェルとスキル

ShellTool は、OpenAI がホストするコンテナでの実行もサポートします。ローカルランタイムではなく、管理されたコンテナでモデルにシェルコマンドを実行させたい場合は、このモードを使用してください。

from agents import Agent, Runner, ShellTool, ShellToolSkillReference

csv_skill: ShellToolSkillReference = {
    "type": "skill_reference",
    "skill_id": "skill_698bbe879adc81918725cbc69dcae7960bc5613dadaed377",
    "version": "1",
}

agent = Agent(
    name="Container shell agent",
    model="gpt-5.6-sol",
    instructions="Use the mounted skill when helpful.",
    tools=[
        ShellTool(
            environment={
                "type": "container_auto",
                "network_policy": {"type": "disabled"},
                "skills": [csv_skill],
            }
        )
    ],
)

result = await Runner.run(
    agent,
    "Use the configured skill to analyze CSV files in /mnt/data and summarize totals by region.",
)
print(result.final_output)

後続の実行で既存のコンテナを再利用するには、environment={"type": "container_reference", "container_id": "cntr_..."} を設定します。

留意事項:

• ホストされたシェルは、Responses API のシェルツールを通じて利用できます。
• container_auto はリクエスト用のコンテナをプロビジョニングし、container_reference は既存のコンテナを再利用します。
• container_auto には、file_ids と memory_limit も含められます。
• environment.skills は、スキル参照とインラインスキルバンドルを受け付けます。
• ホストされた環境では、ShellTool に executor、needs_approval、on_approval を設定しないでください。
• network_policy は、disabled モードと allowlist モードをサポートします。
• 許可リストモードでは、network_policy.domain_secrets がドメインスコープのシークレットを名前で注入できます。
• 完全なコード例については、examples/tools/container_shell_skill_reference.py と examples/tools/container_shell_inline_skill.py を参照してください。
• OpenAI プラットフォームガイド: シェルとスキル。

ローカルランタイムツール

ローカルランタイムツールは、モデルのレスポンス自体の外部で実行されます。モデルが呼び出すタイミングを決定する点は変わりませんが、実際の処理はアプリケーションまたは設定された実行環境が行います。

ComputerTool と ApplyPatchTool には、常にお客様が提供するローカル実装が必要です。ShellTool は両方のモードに対応します。管理された実行を使用する場合は上記のホスト済みコンテナ設定を使用し、独自プロセスでコマンドを実行する場合は以下のローカルランタイム設定を使用してください。

ローカルランタイムツールでは、実装を提供する必要があります。

• ComputerTool: GUI／ブラウザの自動化を有効にするには、Computer または AsyncComputer インターフェースを実装します。
• ShellTool: ローカル実行とホストされたコンテナ実行の両方に対応する最新のシェルツールです。
• LocalShellTool: 従来のローカルシェル統合です。
• ApplyPatchTool: 差分をローカルで適用するには、ApplyPatchEditor を実装します。
• ローカルシェルスキルは、ShellTool(environment={"type": "local", "skills": [...]}) で利用できます。

有限のシェルアクションタイムアウトには、正の整数のミリ秒値を使用します。0 は実行プログラムの実装間で共通の意味を持たないため、SDK はローカルの ShellTool 実行プログラムを呼び出す前に、0 と None の両方を明示的なタイムアウトなしとして扱います。その他の値は、実行プログラムの呼び出し前に拒否されます。これはタイムアウトフィールドに固有の動作です。キャプチャされる出力を空にするリクエストとして、max_output_length=0 は引き続きサポートされます。

ComputerTool と Responses のコンピュータツール

ComputerTool は引き続きローカルハーネスです。Computer または AsyncComputer の実装を提供すると、SDK がそのハーネスを OpenAI Responses API のコンピュータ操作インターフェースにマッピングします。

明示的な gpt-5.5 リクエストでは、SDK は GA 版の組み込みツールペイロード {"type": "computer"} を送信します。旧モデル computer-use-preview へのリクエストでは、SDK は引き続きプレビュー版ペイロード {"type": "computer_use_preview", "environment": ..., "display_width": ..., "display_height": ...} を送信します。これは、OpenAI のコンピュータ操作ガイドで説明されているプラットフォーム移行を反映しています。

• モデル: computer-use-preview -> gpt-5.5
• ツールセレクター: computer_use_preview -> computer
• コンピュータ呼び出し形式: computer_call ごとに 1 つの action -> computer_call 上のバッチ化された actions[]
• 切り詰め: プレビューパスでは ModelSettings(truncation="auto") が必須 -> GA パスでは不要

SDK は、実際の Responses リクエストで有効なモデルに基づいて、このワイヤー形式を選択します。プロンプトテンプレートを使用しており、モデルがプロンプト側で管理されるためリクエストで model が省略される場合、model="gpt-5.5" を明示的に維持するか、ModelSettings(tool_choice="computer") または ModelSettings(tool_choice="computer_use") で GA セレクターを強制しない限り、SDK はプレビュー互換のコンピュータペイロードを維持します。

ComputerTool が存在する場合、tool_choice="computer"、"computer_use"、"computer_use_preview" はすべて受け付けられ、有効なリクエストモデルに一致する組み込みセレクターに正規化されます。ComputerTool がない場合、これらの文字列は引き続き通常の関数名として動作します。

この違いは、ComputerTool が ComputerProvider ファクトリを基盤としている場合に重要です。GA 版の computer ペイロードでは、シリアライズ時に environment や寸法が不要なため、ファクトリが Computer または AsyncComputer インスタンスを生成する前にシリアライズできます。プレビュー互換のシリアライズでは、SDK が environment、display_width、display_height を送信できるように、解決済みの Computer または AsyncComputer インスタンスが引き続き必要です。

ランタイムでは、どちらのパスも同じローカルハーネスを使用します。プレビュー版のレスポンスは、単一の action を持つ computer_call 項目を出力します。gpt-5.5 はバッチ化された actions[] を出力でき、SDK は computer_call_output スクリーンショット項目を生成する前に、それらを順番に実行します。実行可能な Playwright ベースのハーネスについては、examples/tools/computer_use.py を参照してください。

from agents import Agent, ApplyPatchTool, ShellTool
from agents.computer import AsyncComputer
from agents.editor import ApplyPatchResult, ApplyPatchOperation, ApplyPatchEditor


class NoopComputer(AsyncComputer):
    environment = "browser"
    dimensions = (1024, 768)
    async def screenshot(self): return ""
    async def click(self, x, y, button): ...
    async def double_click(self, x, y): ...
    async def scroll(self, x, y, scroll_x, scroll_y): ...
    async def type(self, text): ...
    async def wait(self): ...
    async def move(self, x, y): ...
    async def keypress(self, keys): ...
    async def drag(self, path): ...


class NoopEditor(ApplyPatchEditor):
    async def create_file(self, op: ApplyPatchOperation): return ApplyPatchResult(status="completed")
    async def update_file(self, op: ApplyPatchOperation): return ApplyPatchResult(status="completed")
    async def delete_file(self, op: ApplyPatchOperation): return ApplyPatchResult(status="completed")


async def run_shell(request):
    return "shell output"


agent = Agent(
    name="Local tools agent",
    tools=[
        ShellTool(executor=run_shell),
        ApplyPatchTool(editor=NoopEditor()),
        # ComputerTool expects a Computer/AsyncComputer implementation; omitted here for brevity.
    ],
)

関数ツール

任意の Python 関数をツールとして使用できます。Agents SDK がツールを自動的に設定します。

• ツール名には Python 関数の名前が使用されます（名前を指定することもできます）
• ツールの説明は、関数の docstring から取得されます（説明を指定することもできます）
• 関数入力のスキーマは、関数の引数から自動的に作成されます
• 無効にしない限り、各入力の説明は関数の docstring から取得されます

@tool で作成されたツールは、読み取り専用の __wrapped__ 属性を通じて、元の Python 呼び出し可能オブジェクトを公開します。これは検査やテストに役立ちますが、直接呼び出すと、スキーマ検証、コンテキスト注入、ガードレール、タイムアウト、失敗処理、トレーシングなどのツールランタイムパイプラインがバイパスされます。手動で構築した FunctionTool インスタンスは、__wrapped__ を公開しません。

関数シグネチャの抽出には Python の inspect モジュールを使用し、docstring の解析には griffe、スキーマの作成には pydantic を使用します。

OpenAI Responses モデルを使用している場合、@function_tool(defer_loading=True) は ToolSearchTool() によって読み込まれるまで関数ツールを非表示にします。また、tool_namespace() を使用して、関連する関数ツールをグループ化することもできます。完全な設定と制約については、ホストされたツール検索を参照してください。

import json

from typing_extensions import TypedDict, Any

from agents import Agent, FunctionTool, RunContextWrapper
from agents.decorators import tool


class Location(TypedDict):
    lat: float
    long: float

@tool  # (1)!
async def fetch_weather(location: Location) -> str:
    # (2)!
    """Fetch the weather for a given location.

    Args:
        location: The location to fetch the weather for.
    """
    # In real life, we'd fetch the weather from a weather API
    return "sunny"


@tool(name_override="fetch_data")  # (3)!
def read_file(ctx: RunContextWrapper[Any], path: str, directory: str | None = None) -> str:
    """Read the contents of a file.

    Args:
        path: The path to the file to read.
        directory: The directory to read the file from.
    """
    # In real life, we'd read the file from the file system
    return "<file contents>"


agent = Agent(
    name="Assistant",
    tools=[fetch_weather, read_file],  # (4)!
)

for tool in agent.tools:
    if isinstance(tool, FunctionTool):
        print(tool.name)
        print(tool.description)
        print(json.dumps(tool.params_json_schema, indent=2))
        print()

1. 関数の引数には任意の Python 型を使用でき、関数は同期でも非同期でも構いません。
2. docstring がある場合は、説明と引数の説明を取得するために使用されます。
3. 関数は、オプションで実行コンテキストを最初の引数として受け取れます。また、ツール名、説明、使用する docstring スタイルなどを上書き設定できます。
4. デコレートした関数をツールのリストに渡せます。

出力を表示するには展開してください

fetch_weather
Fetch the weather for a given location.
{
"$defs": {
  "Location": {
    "properties": {
      "lat": {
        "title": "Lat",
        "type": "number"
      },
      "long": {
        "title": "Long",
        "type": "number"
      }
    },
    "required": [
      "lat",
      "long"
    ],
    "title": "Location",
    "type": "object"
  }
},
"properties": {
  "location": {
    "$ref": "#/$defs/Location",
    "description": "The location to fetch the weather for."
  }
},
"required": [
  "location"
],
"title": "fetch_weather_args",
"type": "object"
}

fetch_data
Read the contents of a file.
{
"properties": {
  "path": {
    "description": "The path to the file to read.",
    "title": "Path",
    "type": "string"
  },
  "directory": {
    "anyOf": [
      {
        "type": "string"
      },
      {
        "type": "null"
      }
    ],
    "default": null,
    "description": "The directory to read the file from.",
    "title": "Directory"
  }
},
"required": [
  "path"
],
"title": "fetch_data_args",
"type": "object"
}

関数ツールからの画像またはファイルの返却

テキスト出力に加えて、関数ツールの出力として 1 つ以上の画像またはファイルを返せます。そのためには、次のいずれかを返します。

• 画像: ToolOutputImage（または TypedDict 版の ToolOutputImageDict）
• ファイル: ToolOutputFileContent（または TypedDict 版の ToolOutputFileContentDict）
• テキスト: 文字列、文字列化可能なオブジェクト、または ToolOutputText（または TypedDict 版の ToolOutputTextDict）

カスタム関数ツール

Python 関数をツールとして使用したくない場合もあります。必要に応じて、FunctionTool を直接作成できます。次の項目を指定する必要があります。

• name
• description
• 引数の JSON スキーマである params_json_schema
• ToolContext と JSON 文字列形式の引数を受け取り、ツール出力（テキスト、構造化ツール出力オブジェクト、出力のリストなど）を返す非同期関数である on_invoke_tool

from typing import Any

from pydantic import BaseModel

from agents import RunContextWrapper, FunctionTool



def do_some_work(data: str) -> str:
    return "done"


class FunctionArgs(BaseModel):
    username: str
    age: int


async def run_function(ctx: RunContextWrapper[Any], args: str) -> str:
    parsed = FunctionArgs.model_validate_json(args)
    return do_some_work(data=f"{parsed.username} is {parsed.age} years old")


tool = FunctionTool(
    name="process_user",
    description="Processes extracted user data",
    params_json_schema=FunctionArgs.model_json_schema(),
    on_invoke_tool=run_function,
)

引数と docstring の自動解析

前述のとおり、関数シグネチャを自動的に解析してツールのスキーマを抽出し、docstring を解析してツールと個々の引数の説明を抽出します。これについて、いくつか留意点があります。

1. シグネチャの解析は、inspect モジュールを介して行われます。型アノテーションを使用して引数の型を理解し、スキーマ全体を表す Pydantic モデルを動的に構築します。Python の基本型、Pydantic モデル、TypedDict など、ほとんどの型をサポートします。
2. docstring の解析には griffe を使用します。サポートされる docstring 形式は、google、sphinx、numpy です。docstring 形式の自動検出を試みますが、これはベストエフォートです。function_tool の呼び出し時に明示的に設定することもできます。また、use_docstring_info を False に設定すると、docstring の解析を無効にできます。Google スタイルの docstring では、概要テキストの直後に空行を挟まず配置された Args:、Arguments:、Params:、Parameters: セクションもパーサーで受け付けられます。

スキーマ抽出のコードは、agents.function_schema にあります。

Pydantic Field による引数の制約と説明

Pydantic の Field を使用すると、ツール引数に制約（数値の最小値／最大値、文字列の長さやパターンなど）と説明を追加できます。Pydantic と同様に、デフォルト値ベースの形式（arg: int = Field(..., ge=1)）と Annotated（arg: Annotated[int, Field(..., ge=1)]）の両方がサポートされます。生成される JSON スキーマと検証には、これらの制約が含まれます。

from typing import Annotated
from pydantic import Field
from agents.decorators import tool

# Default-based form
@tool
def score_a(score: int = Field(..., ge=0, le=100, description="Score from 0 to 100")) -> str:
    return f"Score recorded: {score}"

# Annotated form
@tool
def score_b(score: Annotated[int, Field(..., ge=0, le=100, description="Score from 0 to 100")]) -> str:
    return f"Score recorded: {score}"

関数ツールのタイムアウト

@function_tool(timeout=...) を使用すると、非同期関数ツールに呼び出し単位のタイムアウトを設定できます。

import asyncio
from agents import Agent
from agents.decorators import tool


@tool(timeout=2.0)
async def slow_lookup(query: str) -> str:
    await asyncio.sleep(10)
    return f"Result for {query}"


agent = Agent(
    name="Timeout demo",
    instructions="Use tools when helpful.",
    tools=[slow_lookup],
)

タイムアウトに達した場合のデフォルトの動作は timeout_behavior="error_as_result" で、モデルから見えるタイムアウトメッセージ（例: Tool 'slow_lookup' timed out after 2 seconds.）を送信します。

タイムアウト処理は次のように制御できます。

• timeout_behavior="error_as_result"（デフォルト）: モデルが復旧できるように、タイムアウトメッセージをモデルへ返します。
• timeout_behavior="raise_exception": ToolTimeoutError を発生させ、実行を失敗させます。
• timeout_error_function=...: error_as_result を使用する場合のタイムアウトメッセージをカスタマイズします。

import asyncio
from agents import Agent, Runner, ToolTimeoutError
from agents.decorators import tool


@tool(timeout=1.5, timeout_behavior="raise_exception")
async def slow_tool() -> str:
    await asyncio.sleep(5)
    return "done"


agent = Agent(name="Timeout hard-fail", tools=[slow_tool])

try:
    await Runner.run(agent, "Run the tool")
except ToolTimeoutError as e:
    print(f"{e.tool_name} timed out in {e.timeout_seconds} seconds")

Note

タイムアウト設定は、非同期の @function_tool ハンドラーでのみサポートされます。

関数ツールのエラー処理

@function_tool を介して関数ツールを作成する場合、failure_error_function を渡せます。これは、ツール呼び出しがクラッシュした場合に LLM へエラーレスポンスを提供する関数です。

• デフォルトでは（何も渡さなかった場合）、エラーが発生したことを LLM に通知する default_tool_error_function が実行されます。
• 独自のエラー関数を渡した場合は、代わりにその関数が実行され、レスポンスが LLM に送信されます。
• None を明示的に渡すと、ツール呼び出しのエラーが再度発生し、独自に処理できます。モデルが無効な JSON を生成した場合は ModelBehaviorError、コードがクラッシュした場合は UserError などが発生する可能性があります。

from agents import RunContextWrapper
from agents.decorators import tool
from typing import Any

def my_custom_error_function(context: RunContextWrapper[Any], error: Exception) -> str:
    """A custom function to provide a user-friendly error message."""
    print(f"A tool call failed with the following error: {error}")
    return "An internal server error occurred. Please try again later."

@tool(failure_error_function=my_custom_error_function)
def get_user_profile(user_id: str) -> str:
    """Fetches a user profile from a mock API.
     This function demonstrates a 'flaky' or failing API call.
    """
    if user_id == "user_123":
        return "User profile for user_123 successfully retrieved."
    else:
        raise ValueError(f"Could not retrieve profile for user_id: {user_id}. API returned an error.")

FunctionTool オブジェクトを手動で作成する場合は、on_invoke_tool 関数内でエラーを処理する必要があります。

Agents as tools

ワークフローによっては、制御をハンドオフするのではなく、中央のエージェントで専門エージェントのネットワークをオーケストレーションしたい場合があります。これは、エージェントをツールとしてモデル化することで実現できます。

import asyncio

from agents import Agent, Runner

spanish_agent = Agent(
    name="Spanish agent",
    instructions="You translate the user's message to Spanish",
)

french_agent = Agent(
    name="French agent",
    instructions="You translate the user's message to French",
)

orchestrator_agent = Agent(
    name="orchestrator_agent",
    instructions=(
        "You are a translation agent. You use the tools given to you to translate. "
        "If asked for multiple translations, you call the relevant tools."
    ),
    tools=[
        spanish_agent.as_tool(
            tool_name="translate_to_spanish",
            tool_description="Translate the user's message to Spanish",
        ),
        french_agent.as_tool(
            tool_name="translate_to_french",
            tool_description="Translate the user's message to French",
        ),
    ],
)

async def main():
    result = await Runner.run(orchestrator_agent, input="Say 'Hello, how are you?' in Spanish.")
    print(result.final_output)


if __name__ == "__main__":
    asyncio.run(main())

ツールエージェントのカスタマイズ

agent.as_tool は、エージェントをツールに変換するための便利なメソッドです。max_turns、run_config、hooks、previous_response_id、conversation_id、session、needs_approval など、一般的なランタイムオプションをサポートします。また、parameters、input_builder、include_input_schema による構造化入力もサポートします。

状態オプションは、ツール呼び出しによって開始されるネストされたエージェント実行を設定します。親実行の会話状態は自動的には継承されません。クライアント管理の履歴を親実行とネストされた実行の間で共有するには、同じ session を両方に明示的に渡してください。Runner.run と同様に、ネストされた実行には、クライアント管理の session、または previous_response_id か conversation_id によるサーバー管理の継続のいずれか 1 つの状態戦略を選択してください。

from agents.decorators import tool


@tool
async def run_my_agent() -> str:
    """A tool that runs the agent with custom configs"""

    agent = Agent(name="My agent", instructions="...")

    result = await Runner.run(
        agent,
        input="...",
        max_turns=5,
        run_config=...
    )

    return str(result.final_output)

ツールエージェントの構造化入力

デフォルトでは、Agent.as_tool() は文字列フィールド input（{"input": "..."}）を 1 つ持つオブジェクトを想定しますが、parameters（Pydantic モデル型または dataclass 型）を渡すことで、構造化スキーマを公開できます。

追加オプション:

• include_input_schema=True は、生成されるネストされた入力に完全な JSON Schema を含めます。
• input_builder=... を使用すると、構造化されたツール引数をネストされたエージェント入力に変換する方法を完全にカスタマイズできます。
• RunContextWrapper.tool_input には、ネストされた実行コンテキスト内で解析された構造化ペイロードが含まれます。

from pydantic import BaseModel, Field


class TranslationInput(BaseModel):
    text: str = Field(description="Text to translate.")
    source: str = Field(description="Source language.")
    target: str = Field(description="Target language.")


translator_tool = translator_agent.as_tool(
    tool_name="translate_text",
    tool_description="Translate text between languages.",
    parameters=TranslationInput,
    include_input_schema=True,
)

完全に実行可能なコード例については、examples/agent_patterns/agents_as_tools_structured.py を参照してください。

ツールエージェントの承認ゲート

Agent.as_tool(..., needs_approval=...) は、function_tool と同じ承認フローを使用します。承認が必要な場合は実行が一時停止し、保留中の項目が result.interruptions に表示されます。その後、result.to_state() を使用し、state.approve(...) または state.reject(...) を呼び出してから再開してください。完全な一時停止／再開パターンについては、Human-in-the-loop ガイドを参照してください。

カスタム出力抽出

場合によっては、中央のエージェントに返す前に、ツールエージェントの出力を変更したいことがあります。これは、次のような場合に役立ちます。

• サブエージェントのチャット履歴から特定の情報（JSON ペイロードなど）を抽出する場合。
• エージェントの最終回答を変換または再フォーマットする場合（Markdown をプレーンテキストや CSV に変換するなど）。
• 出力を検証する場合、またはエージェントのレスポンスが欠落している、あるいは不正な形式の場合にフォールバック値を提供する場合。

これを行うには、as_tool メソッドに custom_output_extractor 引数を指定します。

async def extract_json_payload(run_result: RunResult) -> str:
    # Scan the agent’s outputs in reverse order until we find a JSON-like message from a tool call.
    for item in reversed(run_result.new_items):
        if isinstance(item, ToolCallOutputItem) and item.output.strip().startswith("{"):
            return item.output.strip()
    # Fallback to an empty JSON object if nothing was found
    return "{}"


json_tool = data_agent.as_tool(
    tool_name="get_data_json",
    tool_description="Run the data agent and return only its JSON payload",
    custom_output_extractor=extract_json_payload,
)

カスタム抽出プログラム内では、ネストされた RunResult から agent_tool_invocation にもアクセスできます。これは、ネストされた実行結果を後処理する際に、外側のツール名、呼び出し ID、raw 引数が必要な場合に役立ちます。実行結果ガイドを参照してください。

ネストされたエージェント実行のストリーミング

as_tool に on_stream コールバックを渡すと、ネストされたエージェントが出力するストリーミングイベントをリッスンしながら、ストリームの完了後に最終出力を返せます。

from agents import AgentToolStreamEvent


async def handle_stream(event: AgentToolStreamEvent) -> None:
    # Inspect the underlying StreamEvent along with agent metadata.
    print(f"[stream] {event['agent'].name} :: {event['event'].type}")


billing_agent_tool = billing_agent.as_tool(
    tool_name="billing_helper",
    tool_description="Answer billing questions.",
    on_stream=handle_stream,  # Can be sync or async.
)

想定される動作:

• イベントタイプは、StreamEvent["type"] と同様に raw_response_event、run_item_stream_event、agent_updated_stream_event です。
• on_stream を指定すると、ネストされたエージェントが自動的にストリーミングモードで実行され、最終出力を返す前にストリームが最後まで処理されます。
• ハンドラーは同期でも非同期でも構いません。各イベントは到着順に配信されます。
• モデルのツール呼び出しを介してツールが呼び出された場合、tool_call が存在します。直接呼び出した場合は、None のままになる可能性があります。
• 完全に実行可能なサンプルについては、examples/agent_patterns/agents_as_tools_streaming.py を参照してください。

条件付きツール有効化

is_enabled パラメーターを使用すると、ランタイムでエージェントツールを条件付きで有効または無効にできます。これにより、コンテキスト、ユーザー設定、ランタイム条件に基づいて、LLM が利用できるツールを動的に絞り込めます。

import asyncio
from agents import Agent, AgentBase, Runner, RunContextWrapper
from pydantic import BaseModel

class LanguageContext(BaseModel):
    language_preference: str = "french_spanish"

def french_enabled(ctx: RunContextWrapper[LanguageContext], agent: AgentBase) -> bool:
    """Enable French for French+Spanish preference."""
    return ctx.context.language_preference == "french_spanish"

# Create specialized agents
spanish_agent = Agent(
    name="spanish_agent",
    instructions="You respond in Spanish. Always reply to the user's question in Spanish.",
)

french_agent = Agent(
    name="french_agent",
    instructions="You respond in French. Always reply to the user's question in French.",
)

# Create orchestrator with conditional tools
orchestrator = Agent(
    name="orchestrator",
    instructions=(
        "You are a multilingual assistant. You use the tools given to you to respond to users. "
        "You must call ALL available tools to provide responses in different languages. "
        "You never respond in languages yourself, you always use the provided tools."
    ),
    tools=[
        spanish_agent.as_tool(
            tool_name="respond_spanish",
            tool_description="Respond to the user's question in Spanish",
            is_enabled=True,  # Always enabled
        ),
        french_agent.as_tool(
            tool_name="respond_french",
            tool_description="Respond to the user's question in French",
            is_enabled=french_enabled,
        ),
    ],
)

async def main():
    context = LanguageContext(language_preference="french_spanish")
    result = await Runner.run(orchestrator, "How are you?", context=context)
    print(result.final_output)

asyncio.run(main())

is_enabled パラメーターは、次を受け付けます。

• ブール値: True（常に有効）または False（常に無効）
• 呼び出し可能な関数: (context, agent) を受け取り、ブール値を返す関数
• 非同期関数: 複雑な条件ロジックに使用する非同期関数

無効なツールはランタイムで LLM から完全に隠されるため、次の用途に役立ちます。

• ユーザー権限に基づく機能制限
• 環境固有のツール可用性（開発環境と本番環境）
• 異なるツール設定の A/B テスト
• ランタイム状態に基づく動的なツール絞り込み

実験的機能: Codex ツール

codex_tool は Codex CLI をラップし、エージェントがツール呼び出し中にワークスペーススコープのタスク（シェル、ファイル編集、MCP ツール）を実行できるようにします。このインターフェースは実験的機能であり、変更される可能性があります。

現在の実行を離れずに、メインエージェントから Codex へ範囲限定のワークスペースタスクを委任したい場合に使用します。デフォルトのツール名は codex です。カスタム名を設定する場合は、codex であるか、codex_ で始まる必要があります。エージェントに複数の Codex ツールを含める場合、それぞれに一意の名前を使用する必要があります。

from agents import Agent
from agents.extensions.experimental.codex import ThreadOptions, TurnOptions, codex_tool

agent = Agent(
    name="Codex Agent",
    instructions="Use the codex tool to inspect the workspace and answer the question.",
    tools=[
        codex_tool(
            sandbox_mode="workspace-write",
            working_directory="/path/to/repo",
            default_thread_options=ThreadOptions(
                model="gpt-5.5",
                model_reasoning_effort="low",
                network_access_enabled=True,
                web_search_mode="disabled",
                approval_policy="never",
            ),
            default_turn_options=TurnOptions(
                idle_timeout_seconds=60,
            ),
            persist_session=True,
        )
    ],
)

まず、次のオプショングループを確認してください。

• 実行対象: sandbox_mode と working_directory は、Codex が操作できる場所を定義します。これらを組み合わせて使用し、作業ディレクトリが Git リポジトリ内にない場合は skip_git_repo_check=True を設定してください。
• スレッドのデフォルト設定: default_thread_options=ThreadOptions(...) は、モデル、推論の労力、承認ポリシー、追加ディレクトリ、ネットワークアクセス、Web 検索モードを設定します。従来の web_search_enabled よりも web_search_mode を優先してください。
• ターンのデフォルト設定: default_turn_options=TurnOptions(...) は、idle_timeout_seconds やオプションのキャンセル用 signal など、ターン単位の動作を設定します。
• ツール I/O: ツール呼び出しには、{ "type": "text", "text": ... } または { "type": "local_image", "path": ... } を持つ inputs 項目を少なくとも 1 つ含める必要があります。output_schema を使用すると、構造化された Codex レスポンスを必須にできます。

スレッドの再利用と永続化は、個別の制御です。

• persist_session=True は、同じツールインスタンスへの反復呼び出しで 1 つの Codex スレッドを再利用します。
• use_run_context_thread_id=True は、同じ可変コンテキストオブジェクトを共有する複数の実行間で、スレッド ID を実行コンテキストに保存して再利用します。
• スレッド ID の優先順位は、呼び出し単位の thread_id、実行コンテキストのスレッド ID（有効な場合）、設定された thread_id オプションの順です。
• デフォルトの実行コンテキストキーは、name="codex" では codex_thread_id、name="codex_<suffix>" では codex_thread_id_<suffix> です。run_context_thread_id_key で上書きできます。

ランタイム設定:

• 認証: CODEX_API_KEY（推奨）または OPENAI_API_KEY を設定するか、codex_options={"api_key": "..."} を渡します。
• ランタイム: codex_options.base_url は、CLI のベース URL を上書きします。
• バイナリ解決: CLI パスを固定するには、codex_options.codex_path_override（または CODEX_PATH）を設定します。それ以外の場合、SDK は PATH から codex を解決し、解決できなければバンドルされているベンダーバイナリにフォールバックします。
• 環境: codex_options.env は、サブプロセス環境を完全に制御します。これが指定されている場合、サブプロセスは os.environ を継承しません。
• ストリーム制限: codex_options.codex_subprocess_stream_limit_bytes（または OPENAI_AGENTS_CODEX_SUBPROCESS_STREAM_LIMIT_BYTES）は、stdout／stderr リーダーの制限を制御します。有効範囲は 65536 から 67108864 までで、デフォルトは 8388608 です。
• ストリーミング: on_stream は、スレッド／ターンのライフサイクルイベントと項目イベント（reasoning、command_execution、mcp_tool_call、file_change、web_search、todo_list、error の項目更新）を受け取ります。
• 出力: 実行結果には response、usage、thread_id が含まれ、使用量は RunContextWrapper.usage に追加されます。

リファレンス:

• Codex ツール API リファレンス
• ThreadOptions リファレンス
• TurnOptions リファレンス
• 完全に実行可能なサンプルについては、examples/tools/codex.py と examples/tools/codex_same_thread.py を参照してください。