에이전트 실행

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

1. Runner.run(): 비동기로 실행되며 RunResult를 반환합니다.
2. Runner.run_sync(): 동기 메서드이며 내부적으로 .run()를 실행합니다.
3. Runner.run_streamed(): 비동기로 실행되며 RunResultStreaming을 반환합니다. 스트리밍 모드로 LLM을 호출하고, 이벤트가 수신되는 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 가이드를 참조하세요.

실행기 수명 주기 및 구성

에이전트 루프

위 세 가지 Runner 메서드 중 하나를 호출할 때 시작 에이전트와 입력을 전달합니다. 입력은 다음 중 하나일 수 있습니다.

• 문자열(사용자 메시지로 처리)
• OpenAI Responses API 형식의 입력 항목 목록
• 일시 중지된 실행이나 cancel(mode="after_turn")로 중단된 실행을 재개할 때 사용하는 RunState. 상태에는 다음 재개 모델 호출을 위해 준비된 입력도 포함될 수 있습니다.

그런 다음 실행기는 다음과 같은 루프를 실행합니다.

1. 현재 입력으로 현재 에이전트의 LLM을 호출합니다.
2. LLM이 출력을 생성합니다.
   1. 실행기가 LLM의 출력을 최종 출력으로 분류하면 루프를 종료하고 결과를 반환합니다.
   2. LLM이 핸드오프를 요청하면 현재 에이전트와 입력을 업데이트하고 루프를 다시 실행합니다.
   3. LLM이 도구 호출을 생성하면 해당 도구 호출을 실행하고 결과를 추가한 다음 루프를 다시 실행합니다.
3. 전달된 max_turns을 초과하면 MaxTurnsExceeded 예외를 발생시킵니다. 이 턴 제한을 비활성화하려면 max_turns=None를 전달하세요.

Note

LLM 출력이 "최종 출력"으로 간주되는 조건은 원하는 타입의 텍스트 출력을 생성하고 도구 호출이 없는 것입니다.

스트리밍

스트리밍을 사용하면 LLM이 실행되는 동안 스트리밍 이벤트를 추가로 수신할 수 있습니다. 스트림이 완료되면 RunResultStreaming에 새로 생성된 모든 출력을 비롯한 실행의 전체 정보가 포함됩니다. 스트리밍 이벤트에는 .stream_events()를 호출할 수 있습니다. 자세한 내용은 스트리밍 가이드를 참조하세요.

Responses WebSocket 전송(선택적 도우미)

OpenAI Responses websocket 전송을 활성화해도 일반 Runner API를 계속 사용할 수 있습니다. 연결을 재사용하려면 websocket 세션 도우미를 사용하는 것이 좋지만 필수는 아닙니다.

이는 websocket 전송을 통한 Responses API이며 Realtime API가 아닙니다.

구체적인 모델 객체 또는 사용자 지정 공급자와 관련된 전송 선택 규칙 및 주의 사항은 모델을 참조하세요.

패턴 1: 세션 도우미 없음(작동함)

websocket 전송만 필요하고 SDK가 공유 공급자/세션을 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()을 반복적으로 호출하면 동일한 RunConfig / 공급자 인스턴스를 수동으로 재사용하지 않는 한 실행할 때마다 다시 연결될 수 있습니다.

패턴 2: responses_websocket_session() 사용(여러 턴 재사용에 권장)

여러 실행에서 websocket을 지원하는 공유 공급자와 RunConfig을 사용하려면 responses_websocket_session()을 사용하세요. 여기에는 동일한 run_config를 상속하는 중첩된 에이전트 도구 호출도 포함됩니다.

import asyncio

from agents import Agent, responses_websocket_session


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

    async with responses_websocket_session(
        responses_websocket_options={"ping_interval": 20.0, "ping_timeout": 60.0},
    ) 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())

컨텍스트가 종료되기 전에 스트리밍 결과 사용을 완료하세요. websocket 요청이 아직 진행 중일 때 컨텍스트를 종료하면 공유 연결이 강제로 닫힐 수 있습니다.

서비스는 각 websocket 연결에서 한 번에 하나의 응답을 처리하며 연결 시간을 60분으로 제한합니다. 도우미는 연결을 재사용하지만 이러한 제약을 없애지는 않습니다. 재연결 후에는 store=False 및 ZDR 흐름에서 캐시되지 않은 previous_response_id를 복구할 수 없습니다. 전체 입력 컨텍스트로 새 체인을 시작하거나 로컬에서 관리하는 세션 상태를 사용하여 다시 구성하세요. 전체 복구 동작은 Responses WebSocket 전송 참고 사항을 참조하세요.

긴 추론 턴에서 websocket keepalive 시간 초과가 발생하면 ping_timeout를 늘리거나 ping_timeout=None으로 설정하여 heartbeat 시간 초과를 비활성화하세요. websocket 지연 시간보다 안정성이 더 중요한 실행에는 HTTP/SSE 전송을 사용하세요.

실행 구성

run_config 매개변수를 사용하면 에이전트 실행의 일부 전역 설정을 구성할 수 있습니다.

일반적인 실행 구성 카테고리

각 에이전트 정의를 변경하지 않고 단일 실행의 동작을 재정의하려면 RunConfig을 사용하세요.

모델, 공급자 및 세션 기본값

• model: 각 에이전트가 어떤 model을 갖는지와 관계없이 사용할 전역 LLM 모델을 설정할 수 있습니다.
• model_provider: 모델 이름을 조회하는 모델 공급자이며 기본값은 OpenAI입니다.
• model_settings: 에이전트별 설정을 재정의합니다. 예를 들어 전역 temperature 또는 top_p를 설정할 수 있습니다.
• session_settings: 실행 중 기록을 가져올 때 세션 수준 기본값(예: SessionSettings(limit=...))을 재정의합니다.
• session_input_callback: Sessions를 사용할 때 각 Runner 실행 전에 새 사용자 입력이 세션 기록과 병합되는 방식을 사용자 지정합니다. 콜백은 동기 또는 비동기일 수 있습니다.

가드레일, 핸드오프 및 모델 입력 조정

• input_guardrails, output_guardrails: 모든 실행에 포함할 입력 또는 출력 가드레일 목록입니다.
• handoff_input_filter: 핸드오프에 이미 입력 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 참조하세요.
• nest_handoff_history: 다음 에이전트를 호출하기 전에 요약 가능한 기록을 순서가 지정된 어시스턴트 요약 세그먼트로 압축하면서 손실 없는 메시지 항목은 원래 위치에 보존하는 옵트인 베타 기능입니다. 중첩 핸드오프를 안정화하는 동안에는 기본적으로 비활성화됩니다. 활성화하려면 True로 설정하고, raw 트랜스크립트를 그대로 전달하려면 False로 두세요. Sessions, RunState, RunResult.to_input_list()은 SDK 기본 중첩 기록에 이미 포함된 정확히 동일한 메시지 인스턴스를 두 번 추가하지 않으면서 별개의 동일 메시지는 보존합니다. 모든 실행기 메서드는 전달되지 않은 경우 자동으로 RunConfig을 생성하므로 빠른 시작과 코드 예제에서는 기본값이 비활성화된 상태로 유지되며, 명시적인 Handoff.input_filter 콜백은 계속 이를 재정의합니다. 개별 핸드오프는 Handoff.nest_handoff_history을 통해 이 설정을 재정의할 수 있습니다.
• handoff_history_mapper: nest_handoff_history를 선택할 때마다 정규화된 트랜스크립트(기록 + 핸드오프 항목)를 수신하는 선택적 callable입니다. 전체 핸드오프 필터를 작성하지 않고 기본 제공 순차 요약 세그먼트를 대체하여 다음 에이전트에 전달할 정확한 입력 항목 목록을 반환해야 합니다.
• call_model_input_filter: 모델 호출 직전에 완전히 준비된 모델 입력(instructions 및 입력 항목)을 편집하는 훅입니다. 예를 들어 기록을 잘라내거나 시스템 프롬프트를 삽입할 수 있습니다.
• reasoning_item_id_policy: 실행기가 이전 출력을 다음 턴의 모델 입력으로 변환할 때 추론 항목 ID를 보존할지 생략할지 제어합니다.

트레이싱 및 관찰 가능성

• tracing_disabled: 전체 실행에서 트레이싱을 비활성화할 수 있습니다.
• tracing: 실행별 트레이싱 API 키와 같은 트레이스 내보내기 설정을 재정의하려면 TracingConfig을 전달합니다.
• trace_include_sensitive_data: LLM 및 도구 호출의 입력/출력처럼 잠재적으로 민감한 데이터를 트레이스에 포함할지 구성합니다.
• workflow_name, trace_id, group_id: 실행의 트레이싱 워크플로 이름, 트레이스 ID 및 트레이스 그룹 ID를 설정합니다. 최소한 workflow_name는 설정하는 것이 좋습니다. 그룹 ID는 여러 실행의 트레이스를 연결할 수 있는 선택적 필드입니다.
• trace_metadata: 모든 트레이스에 포함할 메타데이터입니다.

도구 실행, 승인 및 도구 오류 동작

• tool_execution: 한 번에 실행할 로컬 함수 도구 호출 수를 제한하는 등 로컬 도구 호출에 대한 SDK 측 실행 동작을 구성합니다.
• tool_not_found_behavior: 모델이 생성한 함수 도구 호출의 도구 이름이 현재 에이전트에서 사용할 수 있는 어떤 함수 도구와도 일치하지 않을 때 실행기가 처리하는 방식을 구성합니다. 기본값은 ModelBehaviorError을 발생시킵니다. 대신 모델에 표시되는 오류 출력을 반환하도록 옵트인할 수 있습니다.
• tool_name_collision_policy: 네임스페이스가 없는 함수 도구 이름과 핸드오프 이름이 충돌할 때 실행기가 처리하는 방식을 구성합니다. 기본값인 "warn"은 조치 가능한 경고를 기록하고 현재 디스패치에서 선택된 항목만 노출합니다. "error"는 모델을 호출하기 전에 UserError을 발생시킵니다. 네임스페이스가 있는 도구 및 지연 로딩 도구에 대한 엄격한 검증은 변경되지 않습니다.
• tool_error_formatter: 승인 거부 및 옵트인된 도구 미발견 출력 등 모델에 표시되는 도구 오류 메시지를 사용자 지정합니다.

중첩 핸드오프는 옵트인 베타로 제공됩니다. 순차 트랜스크립트 압축을 활성화하려면 RunConfig(nest_handoff_history=True)를 전달하거나 특정 핸드오프에 대해 handoff(..., nest_handoff_history=True)을 설정하세요. 기본 제공 매퍼는 전체 트랜스크립트를 하나의 메시지로 축소하는 대신 손실 없는 메시지 항목 주위에 생성된 어시스턴트 요약 세그먼트를 배치합니다. 기본값인 raw 트랜스크립트를 유지하려면 플래그를 설정하지 않거나 대화를 필요한 형태 그대로 전달하는 handoff_input_filter(또는 handoff_history_mapper)를 제공하세요. 사용자 지정 매퍼를 작성하지 않고 생성된 요약 세그먼트에 사용되는 래퍼 텍스트를 변경하려면 set_conversation_history_wrappers을 호출하세요. 기본값을 복원하려면 reset_conversation_history_wrappers을 호출하세요.

실행 구성 세부 정보

tool_execution

실행 시 로컬 함수 도구의 동시 실행 수를 제한하는 등 로컬 함수 도구에 대한 SDK 측 동작을 구성하려면 tool_execution를 사용하세요.

from agents import Agent, RunConfig, Runner, ToolExecutionConfig

agent = Agent(name="Assistant", tools=[...])

result = await Runner.run(
    agent,
    "Run the required tool calls.",
    run_config=RunConfig(
        tool_execution=ToolExecutionConfig(
            max_function_tool_concurrency=2,
            pre_approval_tool_input_guardrails=True,
        ),
    ),
)

max_function_tool_concurrency=None은 기본 동작을 유지합니다. 모델이 한 턴에서 여러 함수 도구 호출을 생성하면 SDK는 생성된 모든 로컬 함수 도구 호출을 시작합니다. 정숫값을 설정하면 동시에 실행되는 로컬 함수 도구 호출 수를 제한할 수 있습니다.

이는 공급자 측 ModelSettings.parallel_tool_calls과 별개입니다. parallel_tool_calls는 모델이 단일 응답에서 여러 도구 호출을 생성할 수 있는지를 제어합니다. tool_execution.max_function_tool_concurrency은 모델이 도구 호출을 생성한 후 SDK가 로컬 함수 도구 호출을 실행하는 방식을 제어합니다.

pre_approval_tool_input_guardrails=False는 기본 승인 흐름을 유지합니다. 함수 도구에 승인이 필요한 경우 실행이 먼저 일시 중지되며 도구 입력 가드레일은 승인 후 실행 직전에만 동작합니다. 대기 중인 승인 인터럽션(중단 처리)이 발생하기 전에 함수 도구 입력 가드레일을 실행하려면 True로 설정하세요. 이 사전 승인 검사를 통과한 호출도 승인 후 동일한 입력 가드레일을 다시 실행하므로, 시간에 민감한 검사가 실행 전에 다시 검증됩니다.

tool_not_found_behavior

기본적으로 모델이 현재 에이전트에서 사용할 수 있는 어떤 함수 도구와도 일치하지 않는 함수 도구 호출을 생성하면 실행기는 ModelBehaviorError을 발생시킵니다.

실행을 복구 가능한 상태로 유지하려면 tool_not_found_behavior="return_error_to_model"을 설정하세요. 이 모드에서 SDK는 해결되지 않은 도구 호출에 function_call_output를 추가하고 모델을 다시 실행하므로, 모델이 사용 가능한 도구를 선택하거나 해당 도구를 사용하지 않고 응답할 수 있습니다.

from agents import Agent, RunConfig, Runner

agent = Agent(name="Assistant", tools=[...])

result = await Runner.run(
    agent,
    "Handle this request with the available tools.",
    run_config=RunConfig(tool_not_found_behavior="return_error_to_model"),
)

현재 이 옵션은 도구 이름 조회에 실패한 함수 도구 호출에만 적용됩니다. 그 밖의 유효하지 않은 도구 페이로드에는 기존 오류 동작이 계속 적용됩니다.

tool_error_formatter

SDK가 모델에 표시되는 도구 오류 출력을 생성할 때 모델에 반환되는 메시지를 사용자 지정하려면 tool_error_formatter을 사용하세요.

포매터는 다음 항목이 포함된 ToolErrorFormatterArgs를 수신합니다.

• kind: "approval_rejected" 또는 "tool_not_found"와 같은 오류 카테고리
• tool_type: 도구 런타임("function", "computer", "shell", "apply_patch" 또는 "custom")
• tool_name: 도구 이름
• call_id: 도구 호출 ID
• default_message: SDK에서 기본적으로 모델에 표시하는 메시지
• run_context: 활성 실행 컨텍스트 래퍼

메시지를 대체하려면 문자열을 반환하고, 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."
        )
    if args.kind == "tool_not_found":
        return f"Tool '{args.tool_name}' is not available. Choose one of the listed tools."
    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_policy은 실행기가 기록을 다음 턴으로 전달할 때(예: RunResult.to_input_list() 또는 세션 기반 실행을 사용할 때) 추론 항목을 다음 턴의 모델 입력으로 변환하는 방식을 제어합니다.

• None 또는 "preserve"(기본값): 추론 항목 ID 유지
• "omit": 생성된 다음 턴 입력에서 추론 항목 ID 제거

추론 항목이 id와 함께 전송되지만 필수 후속 항목(예: Item 'rs_...' of type 'reasoning' was provided without its required following item.)이 없는 경우 발생하는 Responses API 400 오류 유형을 완화하기 위한 옵트인 옵션으로 "omit"을 주로 사용하세요.

SDK가 이전 출력에서 후속 입력을 구성하고(세션 영속성, 서버 관리형 대화 델타, 스트리밍/비스트리밍 후속 턴 및 재개 경로 포함) 추론 항목 ID를 보존하지만, 공급자가 해당 ID와 그에 대응하는 후속 항목이 계속 쌍을 이루도록 요구하는 경우 여러 턴의 에이전트 실행에서 이런 문제가 발생할 수 있습니다.

reasoning_item_id_policy="omit"을 설정하면 추론 콘텐츠는 유지되지만 추론 항목 id이 제거되므로 SDK가 생성한 후속 입력에서 해당 API 불변 조건이 트리거되지 않습니다.

적용 범위 참고 사항:

• SDK가 후속 입력을 구성할 때 생성하거나 전달하는 추론 항목만 변경합니다.
• 사용자가 제공한 초기 입력 항목은 다시 작성하지 않습니다.
• 이 정책이 적용된 후에도 call_model_input_filter에서 의도적으로 추론 ID를 다시 추가할 수 있습니다.

상태 및 대화 관리

메모리 전략 선택

다음 턴으로 상태를 전달하는 일반적인 방법은 네 가지입니다.

전략	상태 위치	적합한 용도	다음 턴에 전달하는 항목
result.to_input_list()	애플리케이션 메모리	소규모 채팅 루프, 완전한 수동 제어, 모든 공급자	result.to_input_list()의 목록과 다음 사용자 메시지
session	스토리지 및 SDK	영속적인 채팅 상태, 재개 가능한 실행, 사용자 지정 스토어	동일한 session 인스턴스 또는 동일한 스토어를 가리키는 다른 인스턴스
conversation_id	OpenAI Conversations API	작업자 또는 서비스 간에 공유하려는 이름이 지정된 서버 측 대화	동일한 conversation_id와 새 사용자 턴만
previous_response_id	OpenAI Responses API	대화 리소스를 생성하지 않는 경량 서버 관리형 연속 실행	result.last_response_id과 새 사용자 턴만

result.to_input_list()과 session은 클라이언트 관리형입니다. conversation_id와 previous_response_id은 OpenAI 관리형이며 OpenAI Responses API를 사용할 때만 적용됩니다. 대부분의 애플리케이션에서는 대화마다 하나의 영속성 전략을 선택하세요. 두 계층을 의도적으로 조정하지 않는 한 클라이언트 관리형 기록과 OpenAI 관리형 상태를 혼합하면 컨텍스트가 중복될 수 있습니다.

Note

같은 실행에서 세션 영속성과 서버 관리형 대화 설정 (conversation_id, previous_response_id 또는 auto_previous_response_id)을 함께 사용할 수 없습니다. 호출마다 한 가지 방식을 선택하세요.

대화/채팅 스레드

실행 메서드 중 하나를 호출하면 하나 이상의 에이전트가 실행될 수 있으며 이에 따라 하나 이상의 LLM 호출이 발생할 수 있지만, 채팅 대화에서는 하나의 논리적 턴을 나타냅니다. 예를 들면 다음과 같습니다.

1. 사용자 턴: 사용자가 텍스트 입력
2. 실행기 실행: 첫 번째 에이전트가 LLM을 호출하고 도구를 실행한 후 두 번째 에이전트로 핸드오프하고, 두 번째 에이전트가 추가 도구를 실행한 다음 출력 생성

에이전트 실행이 끝나면 사용자에게 표시할 내용을 선택할 수 있습니다. 예를 들어 에이전트가 생성한 모든 새 항목을 표시하거나 최종 출력만 표시할 수 있습니다. 어떤 경우든 사용자가 후속 질문을 할 수 있으며, 이때 실행 메서드를 다시 호출할 수 있습니다.

수동 대화 관리

RunResultBase.to_input_list() 메서드로 다음 턴의 입력을 가져와 대화 기록을 수동으로 관리할 수 있습니다.

from agents import Agent, Runner, trace

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 사용한 자동 대화 관리

더 간단한 방법으로 Sessions를 사용하면 .to_input_list()를 수동으로 호출하지 않고도 대화 기록을 자동으로 처리할 수 있습니다.

from agents import Agent, Runner, SQLiteSession, trace

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 다음 작업을 자동으로 수행합니다.

• 각 실행 전에 대화 기록 가져오기
• 각 실행 후 새 메시지 저장
• 서로 다른 세션 ID에 대해 별도의 대화 유지

자세한 내용은 Sessions 문서를 참조하세요.

서버 관리형 대화

to_input_list() 또는 Sessions로 로컬에서 처리하는 대신 OpenAI 대화 상태 기능이 서버 측에서 대화 상태를 관리하도록 할 수도 있습니다. 이를 통해 이전의 모든 메시지를 수동으로 다시 전송하지 않고도 대화 기록을 보존할 수 있습니다. 아래 서버 관리형 방식 중 하나를 사용할 때는 요청마다 새 턴의 입력만 전달하고 저장된 ID를 재사용하세요. 자세한 내용은 OpenAI 대화 상태 가이드를 참조하세요.

OpenAI는 여러 턴에 걸쳐 상태를 추적하는 두 가지 방법을 제공합니다.

1. conversation_id 사용

먼저 OpenAI Conversations API로 대화를 생성한 다음 이후의 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

또 다른 옵션은 각 턴을 이전 턴의 응답 ID에 명시적으로 연결하는 응답 체이닝입니다.

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 승인을 위해 일시 중지되고 RunState에서 재개하면 SDK는 저장된 conversation_id / previous_response_id / auto_previous_response_id 설정을 유지하므로 재개된 턴이 동일한 서버 관리형 대화에서 계속됩니다.

conversation_id와 previous_response_id는 상호 배타적입니다. 시스템 간에 공유할 수 있는 이름이 지정된 대화 리소스가 필요하면 conversation_id을 사용하세요. 한 턴에서 다음 턴으로 이어지는 가장 가벼운 Responses API 연속 실행 기본 구성 요소가 필요하면 previous_response_id을 사용하세요.

Note

SDK는 conversation_locked 오류에 대해 백오프를 적용하여 자동으로 재시도합니다. 서버 관리형 대화 실행에서는 재시도 전에 내부 대화 추적기 입력을 되돌려 동일하게 준비된 항목을 문제없이 다시 전송할 수 있도록 합니다.

로컬 세션 기반 실행(conversation_id, previous_response_id 또는 auto_previous_response_id과 함께 사용할 수 없음)에서도 SDK는 재시도 후 기록 항목의 중복을 줄이기 위해 최근에 영속화된 입력 항목을 최선을 다해 롤백합니다.

이 호환성 재시도는 ModelSettings.retry를 구성하지 않아도 수행됩니다. 모델 요청에 대한 더 광범위한 옵트인 재시도 동작은 실행기 관리형 재시도를 참조하세요.

훅 및 사용자 지정

모델 호출 입력 필터

모델 호출 직전에 모델 입력을 편집하려면 call_model_input_filter을 사용하세요. 훅은 현재 에이전트, 컨텍스트 및 결합된 입력 항목(있는 경우 세션 기록 포함)을 수신하고 새 ModelInputData를 반환합니다.

반환 값은 ModelInputData 객체여야 합니다. 해당 객체의 input 필드는 필수이며 입력 항목 목록이어야 합니다. 다른 형태를 반환하면 UserError이 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),
)

실행기는 준비된 입력 목록의 사본을 훅에 전달하므로 호출자의 원래 목록을 그 자리에서 변경하지 않고도 항목을 잘라내거나 대체하거나 순서를 변경할 수 있습니다.

세션을 사용 중이라면 세션 기록이 이미 로드되어 현재 턴과 병합된 후 call_model_input_filter이 실행됩니다. 이보다 앞선 병합 단계 자체를 사용자 지정하려면 session_input_callback을 사용하세요.

conversation_id, previous_response_id 또는 auto_previous_response_id로 OpenAI 서버 관리형 대화 상태를 사용 중이라면 다음 Responses API 호출을 위해 준비된 페이로드에서 훅이 실행됩니다. 이 페이로드는 이전 기록 전체를 재현한 것이 아니라 새 턴의 델타만 이미 나타낼 수 있습니다. 반환하는 항목만 해당 서버 관리형 연속 실행에 전송된 것으로 표시됩니다.

민감한 데이터를 수정하거나, 긴 기록을 잘라내거나, 추가 시스템 지침을 삽입하려면 run_config을 통해 실행별로 훅을 설정하세요.

오류 및 복구

오류 처리기

모든 Runner 진입점은 오류 종류를 키로 사용하는 dict인 error_handlers를 허용합니다. 지원되는 키는 "max_turns", "model_refusal", "invalid_final_output"입니다. 해당 오류로 실행을 종료하는 대신 제어된 최종 출력을 반환하려면 이를 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)

모델 메시지가 에이전트의 구조화된 output_type에 대해 검증되지 않거나 모델이 구조화된 최종 메시지를 반환하지 않을 때는 "invalid_final_output"를 사용하세요. 처리기는 애플리케이션별 대체 값을 반환할 수 있으며 SDK는 동일한 output_type에 대해 이를 검증합니다. 모델 호출을 재시도하거나 도구의 부수 효과를 다시 실행하지는 않습니다. None을 반환하면 복구를 거부합니다. 대체 값이 없으면 비어 있지 않은 검증 실패는 계속 ModelBehaviorError을 발생시키며, 빈 구조화 응답에는 기존의 다음 턴 동작이 유지됩니다.

from pydantic import BaseModel

from agents import Agent, ModelBehaviorError, RunErrorHandlerInput, Runner


class Recipe(BaseModel):
    ingredients: list[str]
    recovered_from_invalid_output: bool = False


def on_invalid_final_output(data: RunErrorHandlerInput[None]) -> Recipe:
    assert isinstance(data.error, ModelBehaviorError)
    return Recipe(ingredients=[], recovered_from_invalid_output=True)


agent = Agent(
    name="Recipe assistant",
    instructions="Return a structured recipe.",
    output_type=Recipe,
)

result = Runner.run_sync(
    agent,
    "Plan tonight's dinner.",
    error_handlers={"invalid_final_output": on_invalid_final_output},
)
print(result.final_output)

RunErrorHandlerResult.include_in_history의 기본값은 True입니다. 최대 턴 처리기에서는 합성된 대체 출력을 대화 기록에 추가하고 구성된 세션에 영속화합니다. 결과 기록이나 세션 스토리지에 추가하지 않고 호출자에게 대체 값을 반환하려면 include_in_history=False을 설정하세요.

모델의 거부로 인해 ModelRefusalError로 실행을 종료하는 대신 애플리케이션별 대체 값을 생성하려면 "model_refusal"을 사용하세요.

from pydantic import BaseModel

from agents import Agent, ModelRefusalError, RunErrorHandlerInput, Runner


class Recipe(BaseModel):
    ingredients: list[str]
    refusal_reason: str | None = None


def on_model_refusal(data: RunErrorHandlerInput[None]) -> Recipe:
    assert isinstance(data.error, ModelRefusalError)
    return Recipe(ingredients=[], refusal_reason=data.error.refusal)


agent = Agent(
    name="Recipe assistant",
    instructions="Return a structured recipe.",
    output_type=Recipe,
)

result = Runner.run_sync(
    agent,
    "Make me something unsafe.",
    error_handlers={"model_refusal": on_model_refusal},
)
print(result.final_output)

내구성 실행 통합 및 휴먼인더루프 (HITL)

도구 승인 일시 중지/재개 패턴은 전용 휴먼인더루프 가이드에서 시작하세요. 아래 통합은 실행이 오랜 대기, 재시도 또는 프로세스 재시작에 걸쳐 지속될 수 있는 내구성 있는 오케스트레이션을 위한 것입니다.

Dapr

Agents SDK Dapr Diagrid 통합을 사용하면 장애에서 자동으로 복구되고 휴먼인더루프 (HITL) 워크플로를 지원하는 내구성 있는 장기 실행 에이전트를 실행할 수 있습니다. Dapr는 공급업체 중립적인 CNCF 워크플로 오케스트레이터입니다. Dapr와 OpenAI 에이전트는 여기에서 시작할 수 있습니다.

Temporal

Agents SDK Temporal 통합을 사용하면 휴먼인더루프 (HITL) 작업을 포함한 내구성 있는 장기 실행 워크플로를 실행할 수 있습니다. 장기 실행 작업을 완료하기 위해 Temporal과 Agents SDK가 함께 작동하는 데모는 이 동영상에서 확인하고, 문서는 여기에서 확인하세요.

Restate

Agents SDK Restate 통합을 사용하면 사람의 승인, 핸드오프 및 세션 관리를 포함한 경량의 내구성 있는 에이전트를 구현할 수 있습니다. 이 통합은 Restate의 단일 바이너리 런타임을 종속성으로 요구하며, 에이전트를 프로세스/컨테이너 또는 서버리스 함수로 실행할 수 있도록 지원합니다. 자세한 내용은 개요를 읽거나 문서를 참조하세요.

DBOS

Agents SDK DBOS 통합을 사용하면 장애 및 재시작 이후에도 진행 상황을 보존하는 신뢰할 수 있는 에이전트를 실행할 수 있습니다. 장기 실행 에이전트, 휴먼인더루프 (HITL) 워크플로 및 핸드오프를 지원합니다. 동기 및 비동기 메서드를 모두 지원합니다. 이 통합에는 SQLite 또는 Postgres 데이터베이스만 필요합니다. 자세한 내용은 통합 리포지토리와 문서를 참조하세요.

예외

SDK는 특정 상황에서 예외를 발생시킵니다. 전체 목록은 agents.exceptions에서 확인할 수 있습니다. 개요는 다음과 같습니다.

• AgentsException: SDK가 발생시키는 모든 예외의 기본 클래스입니다. 다른 모든 구체적인 예외가 파생되는 일반 타입입니다.
• MaxTurnsExceeded: 에이전트 실행이 Runner.run, Runner.run_sync 또는 Runner.run_streamed 메서드에 전달된 max_turns 제한을 초과할 때 발생합니다. 에이전트가 지정된 에이전트 루프 턴(LLM 호출) 수 내에 작업을 완료하지 못했음을 나타냅니다. 제한을 비활성화하려면 max_turns=None을 설정하세요.
• ModelTimeoutError: 모델 호출 시도가 ModelSettings.timeout을 초과할 때 발생합니다. 적용 범위 및 재시도 동작은 모델 호출 시간 초과를 참조하세요.
• ModelBehaviorError: 기반 모델(LLM)이 예상치 못했거나 유효하지 않은 출력을 생성할 때 발생합니다. 다음을 포함할 수 있습니다.
  • 잘못된 형식의 JSON: 모델이 도구 호출 또는 직접 출력에서 잘못된 형식의 JSON 구조를 제공하는 경우로, 특히 특정 output_type이 정의된 경우
  • 예상치 못한 도구 관련 실패: 모델이 예상된 방식으로 도구를 사용하지 못한 경우
  • 실패하거나 완료되지 않은 비스트리밍 Responses 호출: 반환된 응답의 종료 상태가 failed 또는 incomplete이면 OpenAIResponsesModel 및 AnyLLMModel의 Responses 경로가 이 예외를 발생시킵니다. 예외는 종료 상태를 식별하고 응답에서 사용 가능한 오류 또는 미완료 세부 정보를 포함합니다.
• ToolTimeoutError: 함수 도구 호출이 구성된 시간 제한을 초과하고 도구가 timeout_behavior="raise_exception"을 사용할 때 발생합니다.
• UserError: SDK를 사용하는 코드를 작성한 사용자가 SDK 사용 중 오류를 범했을 때 발생합니다. 일반적으로 잘못된 코드 구현, 유효하지 않은 구성 또는 SDK API의 오용으로 인해 발생합니다.
• InputGuardrailTripwireTriggered, OutputGuardrailTripwireTriggered: 입력 가드레일 조건이 충족되면 InputGuardrailTripwireTriggered이 발생하고 출력 가드레일 조건이 충족되면 OutputGuardrailTripwireTriggered이 발생합니다. 입력 가드레일은 처리 전에 수신 메시지를 검사하고, 출력 가드레일은 전달 전에 에이전트의 최종 응답을 검사합니다.