ツール

ツールにより、エージェントはデータの取得、コードの実行、外部 API の呼び出し、さらにはコンピュータの操作といったアクションを実行できます。SDK は 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 サーバー上でモデルと並行して実行されます。
ローカル/ランタイム実行ツール: ComputerTool と ApplyPatchTool は常にユーザーの環境で実行され、ShellTool はローカルまたはホスト型コンテナーで実行できます。
Function calling: 任意の Python 関数をツールとしてラップします。
Agents as tools: 完全なハンドオフなしで、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い、制御するランタイムに一致するセクションに移動してください。

やりたいこと	開始先
OpenAI 管理のツール（Web 検索、ファイル検索、code interpreter、ホスト型 MCP、画像生成）を使用する	ホスト型ツール
ツール検索で大規模なツールサーフェスをランタイムまで遅延させる	ホスト型ツール検索
自身のプロセスまたは環境でツールを実行する	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する	関数ツール
ハンドオフなしで、あるエージェントが別のエージェントを呼び出せるようにする	Agents as tools
エージェントからワークスペーススコープの Codex タスクを実行する	実験的機能: Codex ツール

ホスト型ツール

OpenAI は OpenAIResponsesModel を使用する場合に、いくつかの組み込みツールを提供しています。

WebSearchTool により、エージェントは Web を検索できます。
FileSearchTool により、OpenAI ベクトルストアから情報を取得できます。
CodeInterpreterTool により、LLM はサンドボックス化された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 により、モデルは遅延されたツール、名前空間、またはホスト型 MCP サーバーを必要に応じて読み込めます。

高度なホスト型検索オプション:

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。
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)

ホスト型ツール検索

ツール検索により、OpenAI Responses モデルは大規模なツールサーフェス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。これは、多数の関数ツール、名前空間グループ、またはホスト型 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を削減したい場合に便利です。

エージェントを構築する時点で候補ツールがすでに分かっている場合は、ホスト型ツール検索から始めてください。アプリケーションが何を読み込むか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ツール検索もサポートしていますが、標準の Runner はそのモードを自動実行しません。

from typing import Annotated

from agents import Agent, Runner, ToolSearchTool, function_tool, tool_namespace


@function_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}"


@function_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-5.5",
    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)

知っておくべきこと:

ホスト型ツール検索は、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。
エージェントで遅延読み込みサーフェスを構成するときは、ToolSearchTool() を正確に 1 つ追加してください。
検索可能なサーフェスには、@function_tool(defer_loading=True)、tool_namespace(name=..., description=..., tools=[...])、HostedMCPTool(tool_config={..., "defer_loading": True}) が含まれます。
遅延読み込みの関数ツールは、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も、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するために ToolSearchTool() を使用できます。
tool_namespace() は、FunctionTool インスタンスを共有の名前空間名と説明の下にグループ化します。これは通常、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ガイダンスは、可能な場合は名前空間を使用するです。
可能な場合は、多数の個別に遅延された関数よりも、名前空間またはホスト型 MCP サーバーを優先してください。通常、これらはモデルに対してより優れた高レベルの検索サーフェスと、より大きなトークン節約を提供します。
名前空間では、即時ツールと遅延ツールを混在させることができます。defer_loading=True のないツールはすぐに呼び出し可能なままで、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、各名前空間はかなり小さく保ち、理想的には 10 個未満の関数にしてください。
名前付きの tool_choice は、裸の名前空間名や遅延のみのツールを対象にできません。auto、required、または実際のトップレベルの呼び出し可能な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 を発行した場合、標準の Runner はそれを実行せずに例外を送出します。
ツール検索アクティビティは、RunResult.new_items と RunItemStreamEvent に、専用の項目タイプとイベントタイプで表示されます。
名前空間付き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。

ホスト型コンテナーシェル + スキル

ShellTool は、OpenAI がホストするコンテナー実行もサポートしています。ローカルランタイムではなく、管理されたコンテナー内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ます。

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-5.5",
    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)

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

知っておくべきこと:

ホスト型シェルは、Responses API 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ーをプロビジョニングします。container_reference は既存のコンテナーを再利用します。
container_auto には file_ids と memory_limit も含めることができます。
environment.skills は、スキル参照とインラインスキルバンドルを受け取ります。
ホスト型環境では、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。
allowlist モードでは、network_policy.domain_secrets により、名前でドメインスコープのシークレットを注入できます。
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、モデル応答自体の外で実行されます。モデルは引き続きいつ呼び出すかを決定しますが、実際の作業はアプリケーションまたは構成された実行環境が実行します。

ComputerTool と ApplyPatchTool には、常にユーザーが提供するローカル実装が必要です。ShellTool は両方のモードにまたがっています。管理された実行が必要な場合は上記のホスト型コンテナー構成を使用し、自身のプロセスでコマンドを実行したい場合は下記のローカルランタイム構成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/ブラウザー自動化を有効にするために、Computer または AsyncComputer インターフェイスを実装します。
ShellTool: ローカル実行とホスト型コンテナー実行の両方に対応する最新のシェルツールです。
LocalShellTool: レガシーなローカルシェル連携です。
ApplyPatchTool: diff をローカルに適用するために 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。

ComputerTool と Responses 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 はそのハーネスを OpenAI Responses API のコンピュータサーフェ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 組み込みツールペイロード {"type": "computer"} を送信します。古い computer-use-preview モデルでは、プレビューペイロード {"type": "computer_use_preview", "environment": ..., "display_width": ..., "display_height": ...} が維持されます。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の形状: computer_call ごとに 1 つの action -> computer_call 上のバッチ化された actions[]
切り捨て: 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 リクエスト上の有効なモデルから、そのワイヤ形式を選択します。プロンプトテンプレートを使用し、プロンプトがモデルを保持しているためリクエストが model を省略する場合、model="gpt-5.5" を明示的に保持するか、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" はすべて受け入れられ、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のように動作します。

この違いは、ComputerTool が ComputerProvider ファクトリーによって支えられている場合に重要です。GA の computer ペイロードはシリアライズ時に environment や寸法を必要としないため、未解決のファクトリーでも問題ありません。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。プレビュー応答は単一の action を持つ computer_call 項目を発行します。gpt-5.5 はバッチ化された actions[] を発行でき、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 はツールを自動的に設定します。

ツールの名前は Python 関数の名前になります（または名前を指定できます）
ツールの説明は関数の docstring から取得されます（または説明を指定できます）
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
各入力の説明は、無効化されていない限り、関数の docstring から取得されます

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 を、スキーマ作成には 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() が読み込むまで関数ツールを隠します。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。詳細な設定と制約については、ホスト型ツール検索を参照してください。

import json

from typing_extensions import TypedDict, Any

from agents import Agent, FunctionTool, RunContextWrapper, function_tool


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

@function_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"


@function_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()

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かまいません。
Docstring が存在する場合、説明と引数の説明を取得するために使用されます
関数は任意で context を受け取れます（最初の引数である必要があります）。ツール名、説明、使用する docstring スタイルなどのオーバーライドも設定できます。
デコレートされた関数をツールのリストに渡すことができます。

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

テキスト出力を返すことに加えて、関数ツールの出力として 1 つまたは複数の画像やファイルを返すことができます。そのためには、次のいずれかを返せます。

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: 文字列または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いたくない場合があります。希望する場合は、FunctionTool を直接作成できます。次のものを提供する必要があります。

name
description
params_json_schema: 引数用の JSON スキーマです
on_invoke_tool: ToolContext と引数を JSON 文字列として受け取り、ツール出力（たとえば、テキスト、構造化ツール出力オブジェクト、または出力のリスト）を返す非同期関数です。

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、ツールのスキーマを抽出するために関数シグネチャを自動的に解析し、ツールと個々の引数の説明を抽出するために docstring を解析します。これについての注意点は次のとおりです。

シグネチャ解析は inspect モジュールを介して行われます。引数の型を理解するために型アノテーションを使用し、全体のスキーマを表す Pydantic モデルを動的に構築します。Python のプリミティブ型、Pydantic モデル、TypedDict など、ほとんどの型をサポートします。
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あり、function_tool を呼び出すときに明示的に設定できます。use_docstring_info を False に設定することで、docstring 解析を無効化することもできます。

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 を使用して、ツール引数に制約（例: 数値の最小/最大、文字列の長さまたはパターン）と説明を追加できます。Pydantic と同様に、デフォルトベース（arg: int = Field(..., ge=1)）と Annotated（arg: Annotated[int, Field(..., ge=1)]）の両方の形式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 import function_tool

# Default-based form
@function_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
@function_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=...) を使用して、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, Runner, function_tool


@function_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、デフォルトの動作は timeout_behavior="error_as_result" で、モデルに表示され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。

タイムアウト処理を制御できます。

timeout_behavior="error_as_result"（デフォルト）: モデルが回復できるように、タイムアウトメッセージをモデルに返します。
timeout_behavior="raise_exception": ToolTimeoutError を送出し、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, function_tool


@function_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

タイムアウト構成は、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 を渡すことができます。これは、ツール呼び出しがクラッシュした場合に LLM へエラー応答を提供する関数です。

デフォルトでは（つまり何も渡さない場合）、LLM にエラーが発生したことを伝える 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、それが代わりに実行され、その応答が LLM に送信されます。
明示的に None を渡した場合、任意のツール呼び出しエラーが再送出され、呼び出し側で処理できます。これは、モデルが無効な JSON を生成した場合の ModelBehaviorError や、コードがクラッシュした場合の UserError などになり得ます。

from agents import function_tool, RunContextWrapper
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."

@function_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している場合は、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

一部のワークフローでは、制御をハンドオフする代わりに、中央エージェントに専門特化したエージェントのネットワークをオーケストレーションさせ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。

from agents import Agent, Runner
import asyncio

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)

ツールエージェントのカスタマイズ

agent.as_tool 関数は、エージェントをツールに簡単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 などの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。高度なオーケストレーション（たとえば、条件付きリトライ、フォールバック動作、複数のエージェント呼び出しのチェーン）の場合は、ツール実装内で Runner.run を直接使用してください。

@function_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() は単一の文字列入力（{"input": "..."}）を想定しますが、parameters（Pydantic モデルまたは 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 スキーマを含めます。
input_builder=... により、構造化ツール引数がネストされたエージェント入力にな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の解析済み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、実行は一時停止し、保留中の項目が result.interruptions に表示されます。その後、result.to_state() を使い、state.approve(...) または state.reject(...) を呼び出した後に再開します。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、次のような場合に便利です。

サブエージェントのチャット履歴から特定の情報（例: JSON ペイロード）を抽出する。
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（例: Markdown をプレーンテキストまたは CSV に変換する）。
エージェントの応答が欠落している、または不正な形式の場合に、出力を検証するかフォールバック値を提供する。

これは、as_tool メソッドに custom_output_extractor 引数を指定することで実行できます。

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,
)

カスタム抽出器内では、ネストされた RunResult も agent_tool_invocation を公開します。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、または生の引数が必要な場合に便利です。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発行するストリーミングイベントをリッスンしつつ、ストリーム完了後にその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.
)

想定されること:

イベントタイプは StreamEvent["type"] を反映します: raw_response_event、run_item_stream_event、agent_updated_stream_event。
on_stream を指定すると、ネストされたエージェントは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読み切られます。
ハンドラーは同期または非同期にできます。各イベントは到着した順に配信されます。
モデル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。直接呼び出しでは None のままになる場合があります。
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して、ランタイムでエージェントツールを条件付きで有効化または無効化できます。これにより、コンテキスト、ユーザー設定、または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フィルタリングできます。

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 = RunContextWrapper(LanguageContext(language_preference="french_spanish"))
    result = await Runner.run(orchestrator, "How are you?", context=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用の非同期関数

無効化されたツールは、ランタイムで LLM から完全に隠されるため、次のような用途に便利です。

ユーザー権限に基づく機能ゲーティング
環境固有のツール可用性（dev と prod）
異なるツール構成の A/B テスト
ランタイム状態に基づく動的なツールフィルタリング

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。このサーフェスは実験的であり、変更される可能性があります。

メインエージェントが現在の実行を離れることなく、範囲を限定したワークスペースタスクを Codex に委任したい場合に使用します。デフォルトでは、ツール名は codex です。カスタム名を設定する場合、それは 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 ツールが含まれる場合、それぞれが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,
        )
    ],
)

次のオプショングループから始めてください。

実行サーフェス: sandbox_mode と working_directory は、Codex が操作できる場所を定義します。これらは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。
スレッドデフォルト: default_thread_options=ThreadOptions(...) は、モデル、推論エフォート、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 検索モードを構成します。レガシーな web_search_enabled よりも web_search_mode を優先してください。
ターンデフォルト: default_turn_options=TurnOptions(...) は、idle_timeout_seconds や任意のキャンセル signal など、ターンごとの動作を構成します。
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 項目が少なくとも 1 つ含まれている必要があります。output_schema により、構造化された Codex 応答を要求できます。

スレッド再利用と永続化は別々の制御です。

persist_session=True は、同じツールインスタンスへの繰り返し呼び出しに 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実行間で、実行コンテキスト内にスレッド ID を保存して再利用します。
スレッド ID の優先順位は、呼び出しごとの thread_id、次に実行コンテキストのスレッド ID（有効な場合）、次に構成済みの thread_id オプションです。
デフォルトの実行コンテキストキーは、name="codex" の場合は codex_thread_id、name="codex_<suffix>" の場合は codex_thread_id_<suffix> です。run_context_thread_id_key で上書きできます。

ランタイム構成:

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 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。そうでない場合、SDK は PATH から codex を解決し、その後、同梱の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。これが指定された場合、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 リーダー制限を制御します。有効範囲は 65536 から 67108864 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 が含まれます。usage 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。