에이전트

에이전트는 앱의 핵심 구성 요소입니다. 에이전트는 instructions, tools, 그리고 핸드오프, 가드레일, structured outputs 같은 선택적 런타임 동작으로 구성된 대규모 언어 모델( LLM )입니다

단일 에이전트를 정의하거나 사용자 지정하려면 이 페이지를 사용하세요. 여러 에이전트가 어떻게 협업해야 할지 결정 중이라면 에이전트 오케스트레이션을 읽어보세요

다음 가이드 선택

이 페이지를 에이전트 정의의 허브로 사용하세요. 다음으로 내려야 할 결정에 맞는 인접 가이드로 이동하세요

원하시는 작업	다음 읽을 내용
모델 또는 provider 설정 선택	모델
에이전트에 기능 추가	도구
매니저 스타일 오케스트레이션과 핸드오프 중 선택	에이전트 오케스트레이션
핸드오프 동작 구성	핸드오프
턴 실행, 이벤트 스트리밍, 대화 상태 관리	에이전트 실행
최종 출력, 실행 항목, 재개 가능한 상태 점검	결과
로컬 의존성 및 런타임 상태 공유	컨텍스트 관리

기본 구성

에이전트의 가장 일반적인 속성은 다음과 같습니다

속성	필수	설명
`name`	yes	사람이 읽을 수 있는 에이전트 이름
`instructions`	yes	시스템 프롬프트 또는 동적 instructions 콜백. 동적 instructions 참고
`prompt`	no	OpenAI Responses API 프롬프트 구성. 정적 프롬프트 객체 또는 함수를 허용합니다. 프롬프트 템플릿 참고
`handoff_description`	no	이 에이전트가 핸드오프 대상으로 제시될 때 노출되는 짧은 설명
`handoffs`	no	대화를 전문 에이전트에 위임합니다. handoffs 참고
`model`	no	사용할 LLM. 모델 참고
`model_settings`	no	`temperature`, `top_p`, `tool_choice` 같은 모델 튜닝 매개변수
`tools`	no	에이전트가 호출할 수 있는 도구. 도구 참고
`mcp_servers`	no	에이전트를 위한 MCP 기반 도구. MCP 가이드 참고
`mcp_config`	no	strict 스키마 변환 및 MCP 실패 포맷팅처럼 MCP 도구 준비 방식을 세부 조정합니다. MCP 가이드 참고
`input_guardrails`	no	이 에이전트 체인의 첫 사용자 입력에서 실행되는 가드레일. 가드레일 참고
`output_guardrails`	no	이 에이전트의 최종 출력에서 실행되는 가드레일. 가드레일 참고
`output_type`	no	일반 텍스트 대신 구조화된 출력 타입. 출력 타입 참고
`hooks`	no	에이전트 범위의 라이프사이클 콜백. 라이프사이클 이벤트 (hooks) 참고
`tool_use_behavior`	no	도구 결과를 모델로 다시 보낼지, 실행을 종료할지 제어합니다. 도구 사용 동작 참고
`reset_tool_choice`	no	도구 호출 후 `tool_choice` 재설정(기본값: `True`)으로 도구 사용 루프를 방지합니다. 도구 사용 강제 참고

from agents import Agent, ModelSettings, function_tool

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

agent = Agent(
    name="Haiku agent",
    instructions="Always respond in haiku form",
    model="gpt-5-nano",
    tools=[get_weather],
)

프롬프트 템플릿

prompt를 설정하면 OpenAI 플랫폼에서 만든 프롬프트 템플릿을 참조할 수 있습니다. 이는 Responses API를 사용하는 OpenAI 모델에서 동작합니다

사용 방법:

https://platform.openai.com/playground/prompts 로 이동
새 프롬프트 변수 poem_style 생성
다음 내용으로 시스템 프롬프트 생성:
```
Write a poem in {{poem_style}}
```
--prompt-id 플래그로 예제 실행

from agents import Agent

agent = Agent(
    name="Prompted assistant",
    prompt={
        "id": "pmpt_123",
        "version": "1",
        "variables": {"poem_style": "haiku"},
    },
)

실행 시점에 프롬프트를 동적으로 생성할 수도 있습니다

from dataclasses import dataclass

from agents import Agent, GenerateDynamicPromptData, Runner

@dataclass
class PromptContext:
    prompt_id: str
    poem_style: str


async def build_prompt(data: GenerateDynamicPromptData):
    ctx: PromptContext = data.context.context
    return {
        "id": ctx.prompt_id,
        "version": "1",
        "variables": {"poem_style": ctx.poem_style},
    }


agent = Agent(name="Prompted assistant", prompt=build_prompt)
result = await Runner.run(
    agent,
    "Say hello",
    context=PromptContext(prompt_id="pmpt_123", poem_style="limerick"),
)

컨텍스트

에이전트는 context 타입에 대해 제네릭합니다. 컨텍스트는 의존성 주입 도구입니다. 즉, 사용자가 생성해 Runner.run()에 전달하는 객체로, 모든 에이전트, 도구, 핸드오프 등에 전달되며 에이전트 실행을 위한 의존성과 상태를 담는 모음 역할을 합니다. 컨텍스트로는 어떤 Python 객체든 제공할 수 있습니다

전체 RunContextWrapper 표면, 공유 사용량 추적, 중첩 tool_input, 직렬화 관련 주의사항은 컨텍스트 가이드를 읽어보세요

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

    async def fetch_purchases() -> list[Purchase]:
        return ...

agent = Agent[UserContext](
    ...,
)

출력 타입

기본적으로 에이전트는 일반 텍스트(즉 str) 출력을 생성합니다. 에이전트가 특정 타입의 출력을 생성하도록 하려면 output_type 매개변수를 사용할 수 있습니다. 일반적으로 Pydantic 객체를 많이 사용하지만, Pydantic TypeAdapter로 래핑 가능한 타입은 모두 지원합니다 - dataclasses, lists, TypedDict 등

from pydantic import BaseModel
from agents import Agent


class CalendarEvent(BaseModel):
    name: str
    date: str
    participants: list[str]

agent = Agent(
    name="Calendar extractor",
    instructions="Extract calendar events from text",
    output_type=CalendarEvent,
)

Note

output_type을 전달하면, 모델은 일반 텍스트 응답 대신 structured outputs을 사용하도록 지시받습니다

멀티 에이전트 시스템 설계 패턴

멀티 에이전트 시스템 설계 방법은 다양하지만, 일반적으로 널리 적용 가능한 두 가지 패턴이 있습니다:

매니저(Agents as tools): 중앙 매니저/오케스트레이터가 전문 하위 에이전트를 도구로 호출하고 대화 제어를 유지합니다
핸드오프: 동급 에이전트가 제어를 전문 에이전트로 넘기고, 해당 에이전트가 대화를 이어받습니다. 분산형 방식입니다

자세한 내용은 에이전트 구축 실전 가이드를 참고하세요

매니저(Agents as tools)

customer_facing_agent는 모든 사용자 상호작용을 처리하고 도구로 노출된 전문 하위 에이전트를 호출합니다. 자세한 내용은 tools 문서를 참고하세요

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

customer_facing_agent = Agent(
    name="Customer-facing agent",
    instructions=(
        "Handle all direct user communication. "
        "Call the relevant tools when specialized expertise is needed."
    ),
    tools=[
        booking_agent.as_tool(
            tool_name="booking_expert",
            tool_description="Handles booking questions and requests.",
        ),
        refund_agent.as_tool(
            tool_name="refund_expert",
            tool_description="Handles refund questions and requests.",
        )
    ],
)

핸드오프

핸드오프는 에이전트가 위임할 수 있는 하위 에이전트입니다. 핸드오프가 발생하면 위임된 에이전트가 대화 기록을 받아 대화를 이어받습니다. 이 패턴은 단일 작업에 뛰어난 모듈식 전문 에이전트를 가능하게 합니다. 자세한 내용은 handoffs 문서를 참고하세요

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

triage_agent = Agent(
    name="Triage agent",
    instructions=(
        "Help the user with their questions. "
        "If they ask about booking, hand off to the booking agent. "
        "If they ask about refunds, hand off to the refund agent."
    ),
    handoffs=[booking_agent, refund_agent],
)

동적 instructions

대부분의 경우 에이전트를 생성할 때 instructions를 제공하면 됩니다. 하지만 함수를 통해 동적 instructions를 제공할 수도 있습니다. 함수는 에이전트와 컨텍스트를 전달받아 프롬프트를 반환해야 합니다. 일반 함수와 async 함수 모두 허용됩니다

def dynamic_instructions(
    context: RunContextWrapper[UserContext], agent: Agent[UserContext]
) -> str:
    return f"The user's name is {context.context.name}. Help them with their questions."


agent = Agent[UserContext](
    name="Triage agent",
    instructions=dynamic_instructions,
)

라이프사이클 이벤트 (hooks)

때로는 에이전트의 라이프사이클을 관찰하고 싶을 수 있습니다. 예를 들어 이벤트 로깅, 데이터 사전 로드, 특정 이벤트 발생 시 사용량 기록 등을 원할 수 있습니다

hook 범위는 두 가지입니다:

RunHooks는 다른 에이전트로의 핸드오프를 포함해 전체 Runner.run(...) 호출을 관찰합니다
AgentHooks는 agent.hooks를 통해 특정 에이전트 인스턴스에 연결됩니다

콜백 컨텍스트도 이벤트에 따라 달라집니다:

에이전트 시작/종료 hook은 AgentHookContext를 받으며, 이는 원본 컨텍스트를 래핑하고 공유 실행 사용량 상태를 담습니다
LLM, 도구, 핸드오프 hook은 RunContextWrapper를 받습니다

일반적인 hook 시점:

on_agent_start / on_agent_end: 특정 에이전트가 최종 출력 생성을 시작하거나 마칠 때
on_llm_start / on_llm_end: 각 모델 호출의 직전/직후
on_tool_start / on_tool_end: 각 로컬 도구 호출의 전후
on_handoff: 제어가 한 에이전트에서 다른 에이전트로 이동할 때

전체 워크플로를 단일 관찰자로 보고 싶다면 RunHooks를, 특정 에이전트에 맞춤 부수 효과가 필요하면 AgentHooks를 사용하세요

from agents import Agent, RunHooks, Runner


class LoggingHooks(RunHooks):
    async def on_agent_start(self, context, agent):
        print(f"Starting {agent.name}")

    async def on_llm_end(self, context, agent, response):
        print(f"{agent.name} produced {len(response.output)} output items")

    async def on_agent_end(self, context, agent, output):
        print(f"{agent.name} finished with usage: {context.usage}")


agent = Agent(name="Assistant", instructions="Be concise.")
result = await Runner.run(agent, "Explain quines", hooks=LoggingHooks())
print(result.final_output)

전체 콜백 표면은 라이프사이클 API 레퍼런스를 참고하세요

가드레일

가드레일을 사용하면 에이전트 실행과 병렬로 사용자 입력에 대한 검사/검증을 수행하고, 에이전트 출력이 생성된 뒤 출력에 대한 검사도 수행할 수 있습니다. 예를 들어 사용자 입력과 에이전트 출력의 관련성을 검사할 수 있습니다. 자세한 내용은 guardrails 문서를 참고하세요

에이전트 복제/복사

에이전트의 clone() 메서드를 사용하면 Agent를 복제하고, 원하는 속성을 선택적으로 변경할 수 있습니다

pirate_agent = Agent(
    name="Pirate",
    instructions="Write like a pirate",
    model="gpt-5.4",
)

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

도구 사용 강제

도구 목록을 제공했다고 해서 항상 LLM이 도구를 사용하는 것은 아닙니다. ModelSettings.tool_choice를 설정해 도구 사용을 강제할 수 있습니다. 유효한 값은 다음과 같습니다:

auto: LLM이 도구 사용 여부를 결정
required: LLM이 도구를 반드시 사용(어떤 도구를 쓸지는 합리적으로 결정 가능)
none: LLM이 도구를 사용하지 않음
특정 문자열(예: my_tool) 설정: LLM이 해당 도구를 반드시 사용

OpenAI Responses 도구 검색을 사용할 때는 이름 지정 도구 선택에 더 많은 제한이 있습니다: tool_choice로 단순 네임스페이스 이름이나 deferred-only 도구를 대상으로 지정할 수 없고, tool_choice="tool_search"는 ToolSearchTool을 대상으로 하지 않습니다. 이런 경우 auto 또는 required를 권장합니다. Responses 전용 제약사항은 호스티드 도구 검색을 참고하세요

from agents import Agent, Runner, function_tool, ModelSettings

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

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    model_settings=ModelSettings(tool_choice="get_weather")
)

도구 사용 동작

Agent 구성의 tool_use_behavior 매개변수는 도구 출력 처리 방식을 제어합니다:

"run_llm_again": 기본값. 도구를 실행한 뒤, LLM이 결과를 처리해 최종 응답 생성
"stop_on_first_tool": 첫 번째 도구 호출의 출력을 추가 LLM 처리 없이 최종 응답으로 사용

from agents import Agent, Runner, function_tool, ModelSettings

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

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    tool_use_behavior="stop_on_first_tool"
)

StopAtTools(stop_at_tool_names=[...]): 지정한 도구 중 하나라도 호출되면 중지하고, 해당 출력을 최종 응답으로 사용

from agents import Agent, Runner, function_tool
from agents.agent import StopAtTools

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

@function_tool
def sum_numbers(a: int, b: int) -> int:
    """Adds two numbers."""
    return a + b

agent = Agent(
    name="Stop At Stock Agent",
    instructions="Get weather or sum numbers.",
    tools=[get_weather, sum_numbers],
    tool_use_behavior=StopAtTools(stop_at_tool_names=["get_weather"])
)

ToolsToFinalOutputFunction: 도구 결과를 처리하고 LLM으로 계속 진행할지 중지할지 결정하는 사용자 지정 함수

from agents import Agent, Runner, function_tool, FunctionToolResult, RunContextWrapper
from agents.agent import ToolsToFinalOutputResult
from typing import List, Any

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

def custom_tool_handler(
    context: RunContextWrapper[Any],
    tool_results: List[FunctionToolResult]
) -> ToolsToFinalOutputResult:
    """Processes tool results to decide final output."""
    for result in tool_results:
        if result.output and "sunny" in result.output:
            return ToolsToFinalOutputResult(
                is_final_output=True,
                final_output=f"Final weather: {result.output}"
            )
    return ToolsToFinalOutputResult(
        is_final_output=False,
        final_output=None
    )

agent = Agent(
    name="Weather Agent",
    instructions="Retrieve weather details.",
    tools=[get_weather],
    tool_use_behavior=custom_tool_handler
)

Note

무한 루프를 방지하기 위해 프레임워크는 도구 호출 후 tool_choice를 자동으로 "auto"로 재설정합니다. 이 동작은 agent.reset_tool_choice로 구성할 수 있습니다. 무한 루프가 발생하는 이유는 도구 결과가 LLM으로 전송되고, tool_choice 때문에 LLM이 다시 도구 호출을 생성하는 과정이 무한 반복되기 때문입니다