에이전트 실행

Runner 클래스를 통해 에이전트를 실행할 수 있습니다. 3가지 옵션이 있습니다:

Runner.run(): 비동기로 실행되며 RunResult를 반환합니다
Runner.run_sync(): 동기 메서드이며 내부적으로 .run()을 실행합니다
Runner.run_streamed(): 비동기로 실행되며 RunResultStreaming을 반환합니다. LLM을 스트리밍 모드로 호출하고, 수신되는 이벤트를 즉시 스트리밍합니다

from agents import Agent, Runner

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

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

자세한 내용은 결과 가이드에서 확인하세요

Runner 수명 주기 및 구성

에이전트 루프

Runner에서 run 메서드를 사용할 때 시작 에이전트와 입력을 전달합니다. 입력은 다음 중 하나일 수 있습니다:

문자열(사용자 메시지로 처리됨)
OpenAI Responses API 형식의 입력 항목 리스트
중단된 실행을 재개할 때의 RunState

그런 다음 runner는 루프를 실행합니다:

현재 입력으로 현재 에이전트에 대해 LLM을 호출합니다
LLM이 출력을 생성합니다
1. LLM이 final_output을 반환하면 루프를 종료하고 결과를 반환합니다
2. LLM이 핸드오프를 수행하면 현재 에이전트와 입력을 업데이트하고 루프를 다시 실행합니다
3. LLM이 도구 호출을 생성하면 해당 도구 호출을 실행하고 결과를 추가한 뒤 루프를 다시 실행합니다
전달된 max_turns를 초과하면 MaxTurnsExceeded 예외를 발생시킵니다

Note

LLM 출력이 "최종 출력"으로 간주되는 기준은 원하는 타입의 텍스트 출력을 생성하고 도구 호출이 없는 경우입니다

스트리밍

스트리밍을 사용하면 LLM 실행 중 스트리밍 이벤트를 추가로 받을 수 있습니다. 스트림이 완료되면 RunResultStreaming에는 새로 생성된 모든 출력을 포함한 실행 전체 정보가 담깁니다. 스트리밍 이벤트는 .stream_events()를 호출해 받을 수 있습니다. 자세한 내용은 스트리밍 가이드를 참고하세요

Responses WebSocket 전송(선택적 헬퍼)

OpenAI Responses websocket 전송을 활성화하면 일반 Runner API를 계속 사용할 수 있습니다. websocket 세션 헬퍼는 연결 재사용에 권장되지만 필수는 아닙니다

이것은 websocket 전송을 통한 Responses API이며, Realtime API가 아닙니다

구체적인 model 객체 또는 사용자 지정 provider 관련 전송 선택 규칙과 주의 사항은 Models를 참고하세요

패턴 1: 세션 헬퍼 미사용(작동함)

websocket 전송만 원하고 SDK가 공유 provider/session을 관리할 필요가 없을 때 사용합니다

import asyncio

from agents import Agent, Runner, set_default_openai_responses_transport


async def main():
    set_default_openai_responses_transport("websocket")

    agent = Agent(name="Assistant", instructions="Be concise.")
    result = Runner.run_streamed(agent, "Summarize recursion in one sentence.")

    async for event in result.stream_events():
        if event.type == "raw_response_event":
            continue
        print(event.type)


asyncio.run(main())

이 패턴은 단일 실행에 적합합니다. Runner.run() / Runner.run_streamed()를 반복 호출하면 동일한 RunConfig / provider 인스턴스를 수동으로 재사용하지 않는 한 실행마다 재연결될 수 있습니다

패턴 2: `responses_websocket_session()` 사용(멀티턴 재사용 권장)

여러 실행에서(동일한 run_config를 상속하는 중첩 agents-as-tools 호출 포함) websocket 지원 provider와 RunConfig를 공유하려면 responses_websocket_session()을 사용하세요

import asyncio

from agents import Agent, responses_websocket_session


async def main():
    agent = Agent(name="Assistant", instructions="Be concise.")

    async with responses_websocket_session() as ws:
        first = ws.run_streamed(agent, "Say hello in one short sentence.")
        async for _event in first.stream_events():
            pass

        second = ws.run_streamed(
            agent,
            "Now say goodbye.",
            previous_response_id=first.last_response_id,
        )
        async for _event in second.stream_events():
            pass


asyncio.run(main())

컨텍스트를 종료하기 전에 스트리밍 결과 소비를 마치세요. websocket 요청이 진행 중일 때 컨텍스트를 종료하면 공유 연결이 강제로 닫힐 수 있습니다

실행 구성

run_config 매개변수로 에이전트 실행의 전역 설정 일부를 구성할 수 있습니다

공통 실행 구성 카테고리

각 에이전트 정의를 변경하지 않고 단일 실행의 동작을 재정의하려면 RunConfig를 사용하세요

모델, provider, 세션 기본값

model: 각 Agent의 model과 무관하게 사용할 전역 LLM 모델을 설정할 수 있습니다
model_provider: 모델 이름 조회를 위한 model provider로, 기본값은 OpenAI입니다
model_settings: 에이전트별 설정을 재정의합니다. 예를 들어 전역 temperature 또는 top_p를 설정할 수 있습니다
session_settings: 실행 중 히스토리를 조회할 때 세션 수준 기본값(예: SessionSettings(limit=...))을 재정의합니다
session_input_callback: Sessions 사용 시 각 턴 전에 새 사용자 입력을 세션 히스토리와 병합하는 방법을 사용자 지정합니다. 콜백은 동기 또는 비동기일 수 있습니다

가드레일, 핸드오프, 모델 입력 형태 조정

input_guardrails, output_guardrails: 모든 실행에 포함할 입력/출력 가드레일 리스트
handoff_input_filter: 핸드오프에 이미 필터가 없는 경우 모든 핸드오프에 적용할 전역 입력 필터입니다. 입력 필터를 사용하면 새 에이전트로 전송되는 입력을 편집할 수 있습니다. 자세한 내용은 Handoff.input_filter 문서를 참고하세요
nest_handoff_history: 다음 에이전트를 호출하기 전에 기존 트랜스크립트를 단일 assistant 메시지로 축약하는 opt-in 베타 기능입니다. 중첩 핸드오프 안정화 중이므로 기본값은 비활성화입니다. 활성화하려면 True, 원문 트랜스크립트를 그대로 전달하려면 False로 두세요. Runner methods는 전달되지 않은 경우 RunConfig를 자동 생성하므로 빠른 시작과 예제에서는 기본 비활성화 상태를 유지하며, 명시적 Handoff.input_filter 콜백은 계속 이를 재정의합니다. 개별 핸드오프는 Handoff.nest_handoff_history로 이 설정을 재정의할 수 있습니다
handoff_history_mapper: nest_handoff_history를 opt-in한 경우마다 정규화된 트랜스크립트(히스토리 + 핸드오프 항목)를 받는 선택적 callable입니다. 다음 에이전트로 전달할 정확한 입력 항목 리스트를 반환해야 하며, 전체 핸드오프 필터를 작성하지 않고도 내장 요약을 대체할 수 있습니다
call_model_input_filter: 모델 호출 직전에 완전히 준비된 모델 입력(instructions 및 입력 항목)을 편집하는 훅입니다. 예: 히스토리 축소, 시스템 프롬프트 주입
reasoning_item_id_policy: runner가 이전 출력을 다음 턴 모델 입력으로 변환할 때 reasoning item ID를 유지하거나 생략할지 제어합니다

트레이싱 및 관측 가능성

tracing_disabled: 전체 실행에 대해 tracing을 비활성화할 수 있습니다
tracing: TracingConfig를 전달해 이 실행의 exporter, processor, tracing 메타데이터를 재정의합니다
trace_include_sensitive_data: 트레이스에 LLM 및 도구 호출 입력/출력 같은 민감할 수 있는 데이터 포함 여부를 구성합니다
workflow_name, trace_id, group_id: 실행의 tracing 워크플로우 이름, trace ID, trace group ID를 설정합니다. 최소한 workflow_name 설정을 권장합니다. group ID는 여러 실행의 트레이스를 연결할 수 있는 선택 필드입니다
trace_metadata: 모든 트레이스에 포함할 메타데이터

도구 승인 및 도구 오류 동작

tool_error_formatter: 승인 플로우에서 도구 호출이 거부될 때 모델에 보이는 메시지를 사용자 지정합니다

중첩 핸드오프는 opt-in 베타로 제공됩니다. 축약된 트랜스크립트 동작을 활성화하려면 RunConfig(nest_handoff_history=True)를 전달하거나 특정 핸드오프에 대해 handoff(..., nest_handoff_history=True)를 설정하세요. 원문 트랜스크립트(기본값)를 유지하려면 플래그를 설정하지 않거나, 필요한 형태로 대화를 그대로 전달하는 handoff_input_filter(또는 handoff_history_mapper)를 제공하세요. 사용자 지정 mapper를 작성하지 않고 생성된 요약의 래퍼 텍스트를 변경하려면 set_conversation_history_wrappers를 호출하세요(기본값 복원은 reset_conversation_history_wrappers)

실행 구성 상세

`tool_error_formatter`

tool_error_formatter를 사용해 승인 플로우에서 도구 호출이 거부될 때 모델에 반환되는 메시지를 사용자 지정할 수 있습니다

formatter는 다음 항목을 포함한 ToolErrorFormatterArgs를 받습니다:

kind: 오류 카테고리. 현재는 "approval_rejected"입니다
tool_type: 도구 런타임("function", "computer", "shell", 또는 "apply_patch")
tool_name: 도구 이름
call_id: 도구 호출 ID
default_message: SDK 기본 모델 표시 메시지
run_context: 활성 실행 컨텍스트 래퍼

메시지를 대체할 문자열을 반환하거나 SDK 기본값을 사용하려면 None을 반환하세요

from agents import Agent, RunConfig, Runner, ToolErrorFormatterArgs


def format_rejection(args: ToolErrorFormatterArgs[None]) -> str | None:
    if args.kind == "approval_rejected":
        return (
            f"Tool call '{args.tool_name}' was rejected by a human reviewer. "
            "Ask for confirmation or propose a safer alternative."
        )
    return None


agent = Agent(name="Assistant")
result = Runner.run_sync(
    agent,
    "Please delete the production database.",
    run_config=RunConfig(tool_error_formatter=format_rejection),
)

`reasoning_item_id_policy`

reasoning_item_id_policy는 runner가 히스토리를 다음 턴으로 전달할 때(예: RunResult.to_input_list() 또는 session 기반 실행 사용 시) reasoning item을 다음 턴 모델 입력으로 변환하는 방식을 제어합니다

None 또는 "preserve"(기본값): reasoning item ID 유지
"omit": 생성된 다음 턴 입력에서 reasoning item ID 제거

"omit"은 주로 Responses API 400 오류 유형에 대한 opt-in 완화책으로 사용합니다. 이 오류는 reasoning item이 id와 함께 전송되지만 필수 후속 항목이 없는 경우 발생합니다(예: Item 'rs_...' of type 'reasoning' was provided without its required following item.)

이 문제는 SDK가 이전 출력으로부터 후속 입력을 구성할 때(세션 영속성, 서버 관리 대화 델타, 스트리밍/비스트리밍 후속 턴, 재개 경로 포함) 다중 턴 에이전트 실행에서 발생할 수 있으며, reasoning item ID가 보존되었지만 provider가 해당 ID를 대응하는 후속 항목과 함께 유지하도록 요구할 때 나타납니다

reasoning_item_id_policy="omit"를 설정하면 reasoning 내용은 유지하되 reasoning item id를 제거하여 SDK 생성 후속 입력에서 해당 API 불변 조건을 트리거하지 않도록 합니다

범위 참고:

이 설정은 SDK가 후속 입력을 구성할 때 생성/전달하는 reasoning item에만 영향을 줍니다
사용자가 제공한 초기 입력 항목은 다시 쓰지 않습니다
call_model_input_filter는 이 정책 적용 후에도 의도적으로 reasoning ID를 다시 도입할 수 있습니다

상태 및 대화 관리

메모리 전략 선택

다음 턴으로 상태를 전달하는 일반적인 방법은 4가지입니다:

Strategy	Where state lives	Best for	What you pass on the next turn
`result.to_input_list()`	앱 메모리	소규모 채팅 루프, 완전 수동 제어, 모든 provider	`result.to_input_list()`의 리스트 + 다음 사용자 메시지
`session`	사용자 스토리지 + SDK	영속 채팅 상태, 재개 가능한 실행, 사용자 지정 스토어	동일한 `session` 인스턴스 또는 동일한 스토어를 가리키는 다른 인스턴스
`conversation_id`	OpenAI Conversations API	워커/서비스 간 공유할 서버 측 이름 있는 대화	동일한 `conversation_id` + 새 사용자 턴만
`previous_response_id`	OpenAI Responses API	대화 리소스를 만들지 않는 경량 서버 관리 연속 처리	`result.last_response_id` + 새 사용자 턴만

result.to_input_list()와 session은 클라이언트 관리 방식입니다. conversation_id와 previous_response_id는 OpenAI 관리 방식이며 OpenAI Responses API 사용 시에만 적용됩니다. 대부분의 애플리케이션에서는 대화당 하나의 영속화 전략을 선택하세요. 의도적으로 두 계층을 조정하지 않는 한 클라이언트 관리 히스토리와 OpenAI 관리 상태를 혼합하면 컨텍스트가 중복될 수 있습니다

Note

세션 영속성은 서버 관리 대화 설정 (conversation_id, previous_response_id, 또는 auto_previous_response_id)과 동일 실행에서 함께 사용할 수 없습니다. 호출마다 한 가지 접근 방식을 선택하세요

대화/채팅 스레드

어떤 run 메서드를 호출하더라도 하나 이상의 에이전트가 실행될 수 있고(즉, 하나 이상의 LLM 호출), 이는 채팅 대화에서 단일 논리 턴을 나타냅니다. 예:

사용자 턴: 사용자가 텍스트 입력
Runner 실행: 첫 번째 에이전트가 LLM 호출, 도구 실행, 두 번째 에이전트로 핸드오프, 두 번째 에이전트가 추가 도구 실행 후 출력 생성

에이전트 실행이 끝나면 사용자에게 보여줄 내용을 선택할 수 있습니다. 예를 들어 에이전트가 생성한 모든 새 항목을 보여주거나 최종 출력만 보여줄 수 있습니다. 이후 사용자가 후속 질문을 하면 run 메서드를 다시 호출할 수 있습니다

수동 대화 관리

RunResultBase.to_input_list() 메서드를 사용해 다음 턴 입력을 받아 대화 히스토리를 수동으로 관리할 수 있습니다:

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

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

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

세션을 이용한 자동 대화 관리

더 간단한 접근으로, Sessions를 사용해 .to_input_list()를 수동 호출하지 않고 대화 히스토리를 자동 처리할 수 있습니다:

from agents import Agent, Runner, SQLiteSession

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

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

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

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

Sessions는 자동으로 다음을 수행합니다:

각 실행 전에 대화 히스토리 조회
각 실행 후 새 메시지 저장
서로 다른 세션 ID에 대해 별도 대화 유지

자세한 내용은 Sessions 문서를 참고하세요

서버 관리 대화

to_input_list() 또는 Sessions로 로컬 처리하는 대신 OpenAI 대화 상태 기능으로 서버 측에서 대화 상태를 관리할 수도 있습니다. 이렇게 하면 과거 메시지를 모두 수동 재전송하지 않고도 대화 히스토리를 유지할 수 있습니다. 아래 두 서버 관리 방식 모두에서 요청마다 새 턴 입력만 전달하고 저장된 ID를 재사용하세요. 자세한 내용은 OpenAI Conversation state 가이드를 참고하세요

OpenAI는 턴 간 상태 추적을 위한 두 가지 방법을 제공합니다:

1. `conversation_id` 사용

먼저 OpenAI Conversations API로 대화를 생성하고, 이후 모든 호출에서 해당 ID를 재사용합니다:

from agents import Agent, Runner
from openai import AsyncOpenAI

client = AsyncOpenAI()

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

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

    while True:
        user_input = input("You: ")
        result = await Runner.run(agent, user_input, conversation_id=conv_id)
        print(f"Assistant: {result.final_output}")

2. `previous_response_id` 사용

다른 옵션은 응답 체이닝으로, 각 턴이 이전 턴의 응답 ID에 명시적으로 연결됩니다

from agents import Agent, Runner

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

    previous_response_id = None

    while True:
        user_input = input("You: ")

        # Setting auto_previous_response_id=True enables response chaining automatically
        # for the first turn, even when there's no actual previous response ID yet.
        result = await Runner.run(
            agent,
            user_input,
            previous_response_id=previous_response_id,
            auto_previous_response_id=True,
        )
        previous_response_id = result.last_response_id
        print(f"Assistant: {result.final_output}")

실행이 승인 대기 상태로 일시 중지되고 RunState에서 재개하는 경우 SDK는 저장된 conversation_id / previous_response_id / auto_previous_response_id 설정을 유지하므로 재개된 턴이 동일한 서버 관리 대화에서 계속됩니다

conversation_id와 previous_response_id는 상호 배타적입니다. 시스템 간 공유 가능한 이름 있는 대화 리소스가 필요하면 conversation_id를 사용하세요. 턴 간 가장 가벼운 Responses API 연속 처리 기본 요소가 필요하면 previous_response_id를 사용하세요

Note

SDK는 conversation_locked 오류를 백오프와 함께 자동 재시도합니다. 서버 관리 대화 실행에서는 재시도 전에 내부 대화 추적기 입력을 되감아 동일하게 준비된 항목을 깔끔하게 다시 전송할 수 있게 합니다

로컬 session 기반 실행(conversation_id, previous_response_id, 또는 auto_previous_response_id와 함께 사용할 수 없음)에서는 SDK가 재시도 후 중복 히스토리 항목을 줄이기 위해 최근 영속화된 입력 항목의 롤백도 가능한 범위에서 수행합니다

이 호환성 재시도는 ModelSettings.retry를 구성하지 않아도 수행됩니다. 모델 요청에 대한 더 광범위한 opt-in 재시도 동작은 Runner 관리 재시도를 참고하세요

훅 및 사용자 지정

모델 호출 입력 필터

call_model_input_filter를 사용하면 모델 호출 직전에 모델 입력을 편집할 수 있습니다. 이 훅은 현재 에이전트, 컨텍스트, 결합된 입력 항목(세션 히스토리 포함 시 포함됨)을 받아 새 ModelInputData를 반환합니다

반환값은 ModelInputData 객체여야 합니다. input 필드는 필수이며 입력 항목 리스트여야 합니다. 다른 형태를 반환하면 UserError가 발생합니다

from agents import Agent, Runner, RunConfig
from agents.run import CallModelData, ModelInputData

def drop_old_messages(data: CallModelData[None]) -> ModelInputData:
    # Keep only the last 5 items and preserve existing instructions.
    trimmed = data.model_data.input[-5:]
    return ModelInputData(input=trimmed, instructions=data.model_data.instructions)

agent = Agent(name="Assistant", instructions="Answer concisely.")
result = Runner.run_sync(
    agent,
    "Explain quines",
    run_config=RunConfig(call_model_input_filter=drop_old_messages),
)

runner는 준비된 입력 리스트의 복사본을 훅에 전달하므로 호출자 원본 리스트를 제자리에서 변경하지 않고도 잘라내기, 교체, 재정렬할 수 있습니다

session을 사용하는 경우 call_model_input_filter는 세션 히스토리가 이미 로드되어 현재 턴과 병합된 후에 실행됩니다. 그보다 이른 병합 단계 자체를 사용자 지정하려면 session_input_callback을 사용하세요

conversation_id, previous_response_id, 또는 auto_previous_response_id와 함께 OpenAI 서버 관리 대화 상태를 사용하는 경우 이 훅은 다음 Responses API 호출을 위한 준비된 페이로드에서 실행됩니다. 해당 페이로드는 이전 히스토리 전체 재생이 아니라 새 턴 델타만 나타낼 수 있습니다. 반환한 항목만 해당 서버 관리 연속 처리에서 전송됨으로 표시됩니다

민감 데이터 비식별화, 긴 히스토리 축소, 추가 시스템 가이드 주입을 위해 실행별로 run_config에서 훅을 설정하세요

오류 및 복구

오류 핸들러

모든 Runner 진입점은 오류 종류를 키로 하는 dict인 error_handlers를 받습니다. 현재 지원 키는 "max_turns"입니다. MaxTurnsExceeded를 발생시키는 대신 제어된 최종 출력을 반환하려는 경우 사용하세요

from agents import (
    Agent,
    RunErrorHandlerInput,
    RunErrorHandlerResult,
    Runner,
)

agent = Agent(name="Assistant", instructions="Be concise.")


def on_max_turns(_data: RunErrorHandlerInput[None]) -> RunErrorHandlerResult:
    return RunErrorHandlerResult(
        final_output="I couldn't finish within the turn limit. Please narrow the request.",
        include_in_history=False,
    )


result = Runner.run_sync(
    agent,
    "Analyze this long transcript",
    max_turns=3,
    error_handlers={"max_turns": on_max_turns},
)
print(result.final_output)

대체 출력을 대화 히스토리에 추가하지 않으려면 include_in_history=False로 설정하세요

내구성 실행 통합 및 휴먼인더루프 (HITL)

도구 승인 일시 중지/재개 패턴은 전용 Human-in-the-loop 가이드부터 확인하세요 아래 통합은 실행이 긴 대기, 재시도, 또는 프로세스 재시작에 걸칠 수 있는 내구성 오케스트레이션용입니다

Temporal

Agents SDK Temporal 통합을 사용해 휴먼인더루프 작업을 포함한 내구성 있는 장기 실행 워크플로우를 실행할 수 있습니다. Temporal과 Agents SDK가 함께 장기 실행 작업을 완료하는 데모는 이 영상에서 확인할 수 있으며, 문서는 여기에서 볼 수 있습니다

Restate

Agents SDK Restate 통합을 사용해 인적 승인, 핸드오프, 세션 관리를 포함한 경량의 내구성 에이전트를 실행할 수 있습니다. 이 통합은 Restate의 단일 바이너리 런타임을 의존성으로 요구하며, 프로세스/컨테이너 또는 서버리스 함수로 에이전트 실행을 지원합니다 자세한 내용은 개요 또는 문서를 참고하세요

DBOS

Agents SDK DBOS 통합을 사용해 장애 및 재시작 간에도 진행 상황을 보존하는 신뢰할 수 있는 에이전트를 실행할 수 있습니다. 장기 실행 에이전트, 휴먼인더루프 워크플로우, 핸드오프를 지원합니다. 동기/비동기 메서드를 모두 지원합니다. 이 통합은 SQLite 또는 Postgres 데이터베이스만 필요합니다. 자세한 내용은 통합 repo와 문서를 참고하세요

예외

특정 경우 SDK는 예외를 발생시킵니다. 전체 목록은 agents.exceptions에 있습니다. 개요는 다음과 같습니다:

AgentsException: SDK 내에서 발생하는 모든 예외의 기본 클래스입니다. 다른 모든 구체적 예외가 이 클래스에서 파생되는 일반 타입 역할을 합니다
MaxTurnsExceeded: 에이전트 실행이 Runner.run, Runner.run_sync, 또는 Runner.run_streamed 메서드에 전달된 max_turns 제한을 초과할 때 발생합니다. 지정된 상호작용 턴 수 내에 에이전트가 작업을 완료하지 못했음을 나타냅니다
ModelBehaviorError: 기본 모델(LLM)이 예상치 못했거나 유효하지 않은 출력을 생성할 때 발생합니다. 예:
- 형식이 잘못된 JSON: 모델이 도구 호출 또는 직접 출력에서, 특히 특정 output_type이 정의된 경우 형식이 잘못된 JSON 구조를 제공할 때
- 예상치 못한 도구 관련 실패: 모델이 예상된 방식으로 도구를 사용하지 못할 때
ToolTimeoutError: 함수 도구 호출이 구성된 타임아웃을 초과하고 도구가 timeout_behavior="raise_exception"을 사용할 때 발생합니다
UserError: SDK를 사용하는 과정에서(즉, SDK를 사용하는 코드를 작성하는 사용자) 오류를 냈을 때 발생합니다. 일반적으로 잘못된 코드 구현, 유효하지 않은 구성, 또는 SDK API 오용으로 인해 발생합니다
InputGuardrailTripwireTriggered, OutputGuardrailTripwireTriggered: 입력 가드레일 또는 출력 가드레일의 조건이 각각 충족될 때 발생합니다. 입력 가드레일은 처리 전에 들어오는 메시지를 검사하고, 출력 가드레일은 전달 전에 에이전트의 최종 응답을 검사합니다

에이전트 실행

Runner 수명 주기 및 구성

에이전트 루프

스트리밍

Responses WebSocket 전송(선택적 헬퍼)

패턴 1: 세션 헬퍼 미사용(작동함)

패턴 2: responses_websocket_session() 사용(멀티턴 재사용 권장)

실행 구성

공통 실행 구성 카테고리

모델, provider, 세션 기본값

가드레일, 핸드오프, 모델 입력 형태 조정

트레이싱 및 관측 가능성

도구 승인 및 도구 오류 동작

실행 구성 상세

tool_error_formatter

reasoning_item_id_policy

상태 및 대화 관리

메모리 전략 선택

대화/채팅 스레드

수동 대화 관리

세션을 이용한 자동 대화 관리

서버 관리 대화

1. conversation_id 사용

2. previous_response_id 사용

훅 및 사용자 지정

모델 호출 입력 필터

오류 및 복구

오류 핸들러

내구성 실행 통합 및 휴먼인더루프 (HITL)

Temporal

Restate

DBOS

예외

패턴 2: `responses_websocket_session()` 사용(멀티턴 재사용 권장)

`tool_error_formatter`

`reasoning_item_id_policy`

1. `conversation_id` 사용

2. `previous_response_id` 사용