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操作などの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: 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。

ツール種別の選択

このページをカタログとして使い、その後、管理するランタイムに合ったセクションへ進んでください。

実現したいこと	参照先
OpenAI 管理のツール（Web 検索、ファイル検索、コードインタープリター、ホストされた MCP、画像生成）を使用する	ホストされたツール
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	ホストされたツール検索
自分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
あるエージェントがハンドオフなしで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: Codex ツール

ホストされたツール

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 は、エージェントが Web を検索できるようにします。
• FileSearchTool は、OpenAI Vector Stores から情報を取得できるようにします。
• CodeInterpreterTool は、LLM がサンドボックス環境でコードを実行できるようにします。
• 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 は、モデルが遅延されたツール、名前空間、またはホストされた MCP サーバーを必要に応じて読み込めるようにします。

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)

ホストされたツール検索

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だけを読み込みます。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、すべてのツールを最初から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。

候補となるツールがエージェントを構築する時点ですでに分かっている場合は、ホストされたツール検索から始めてください。アプリケーションが何を読み込むかを動的に決める必要がある場合、Responses API はクライアント実行の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 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設定する場合は、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 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された MCP サーバーを優先してください。通常、モデルにより良い高レベルの検索サーフェスと、より良い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 がないツールは即座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 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で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の tool_search_call を出力した場合、標準の Runner はそれを実行する代わりに例外を発生させます。
• ツール検索のアクティビティは、専用のアイテムタイプとイベントタイプで 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網羅した、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。

ホストされたコンテナーシェル + 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-5.5",
    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)

後続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 はリクエスト用にコンテナーをプロビジョニングし、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。
• allowlist モードでは、network_policy.domain_secrets が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: Shell および Skills。

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部で実行されます。モデルは依然としていつ呼び出すかを決定しますが、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 は、常にユーザーが提供するローカル実装を必要とします。ShellTool は両方のモードにまたがります。管理された実行を行いたい場合は上記のホストされたコンテナー設定を使用し、自分のプロセスでコマンドを実行したい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された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: 従来のローカルシェル統合です。
• 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 実装を提供し、SDK がそのハーネスを 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 モデルは、プレビュー用ペイロード {"type": "computer_use_preview", "environment": ..., "display_width": ..., "display_height": ...} のままです。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[]
• 切り詰め: プレビューパスでは ModelSettings(truncation="auto") が必要 -> 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から、そ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、プロンプト側がモデルを所有しているためリクエストで model を省略する場合、model="gpt-5.5" を明示したままにするか、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へ正規化されます。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 アイテムを出力します。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アイテムを生成する前に、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セットアップします。

• ツール名は 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
• 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

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。関連する関数ツールを tool_namespace() でグループ化することもできます。完全なセットアップと制約については 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, 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()

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かまいません。
2. 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
3. 関数は任意で context を受け取ることができます（最初の引数でなければなりません）。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。
4. 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

テキスト出力の返却に加えて、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できるオブジェクト、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。その場合は、必要に応じて FunctionTool を直接作成できます。次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
• on_invoke_tool: ToolContext と JSON 文字列としての引数を受け取り、ツール出力（たとえば、テキスト、structured tool output オブジェクト、または出力のリスト）を返す非同期関数

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。これに関するいくつかの注記です。

1. シグネチャ解析は inspect モジュールを通じて行われます。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 の基本コンポーネント、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 に設定して、docstring 解析を無効に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、文字列の長さやパターン）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

非同期関数ツールに対して、@function_tool(timeout=...) で呼び出しごと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],
)

タイムアウトに達すると、デフォルトの動作は timeout_behavior="error_as_result" で、モデルに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, 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。

関数ツールでのエラー処理

@function_tool を通じて関数ツールを作成するとき、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）、エラーが発生したことを LLM に伝える 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、代わりにそれが実行され、応答が LLM に送信されます。
• 明示的に None を渡した場合、ツール呼び出しエラーは再送出され、ユーザー側で処理できます。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 などである可能性があります。

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のではなく、中央のエージェントが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するように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。

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変換しやすく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 structured input 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）には、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 structured input

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 structured schema 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=... により、structured tool 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の解析済み structured payload が含まれます。

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、保留中のアイテムが 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、ヒューマンインザループガイド を参照してください。

カスタム出力抽出

特定のケースでは、中央エージェントへ返す前にツールエージェントの出力を変更したい場合があります。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（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）。
• 出力を検証する、またはエージェントの応答が欠落しているか不正な形式の場合に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ときに、外側のツール名、呼び出し ID、または raw 引数が必要な場合に便利です。 Results 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

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つつ、ストリーム完了後に最終出力を返すには、as_tool に on_stream コールバックを渡します。

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がストリーミングモードで自動的に実行され、最終出力を返す前にストリームが排出されます。
• ハンドラーは同期または非同期のどちらでもよく、各イベントは到着順に配信されます。
• ツールがモデルのツール呼び出し経由で起動された場合は 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、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のための非同期関数

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、次の用途に役立ちます。

• 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: 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から離れずに、範囲が限定され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 を設定します。
• スレッドのデフォルト: 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: 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 アイテムを少なくとも 1 つ含める必要があります。output_schema により、structured Codex レスポンスを要求できます。

スレッドの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対して 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）、次に設定された 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 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、その後バンドルされたベンダーバイナリへ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。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 リーダーの制限を制御します。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アイテムイベント（reasoning、command_execution、mcp_tool_call、file_change、web_search、todo_list、および error アイテム更新）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。

参考:

• 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。