اگر امروز در حال توسعهٔ عامل‌های هوش مصنوعی هستید، احتمالاً بخش زیادی از زمان خود را صرف مدیریت حافظه و هماهنگی ابزارها می‌کنید، نه طراحی منطقِ کسب‌وکار. OpenAI با عرضهٔ نسخهٔ بتای عمومی Agents API در این هفته، این بارِ سنگینِ زیرساختی را به دوش خود گرفت تا توسعه‌دهندگان بتوانند روی خروجی تمرکز کنند. این تغییر به این معناست که مسئولیت ارکستراسیون بک‌اند که پیش از این بر عهده برنامه‌نویسان بود، اکنون به OpenAI منتقل شده است. این اقدام در واقع تکمیلی بر رویکردی است که در آن OpenAI مدیریت زیرساخت عامل‌های هوشمند را بر عهده گرفت تا پیچیدگی‌های عملیاتی کاهش یابد.
این سرویس جدید به برنامه‌نویسان اجازه می‌دهد از همان زیرساخت مدیریت‌شده‌ای استفاده کنند که مدل Codex را پشتیبانی می‌کند. نتیجه این است که عامل‌ها می‌توانند برای چندین روز متوالی، بدون اینکه وضعیت (State) آن‌ها به‌هم بریزد یا نیاز به مدیریت دستی داشته باشند، به طور پایدار اجرا شوند. این یکپارچگی یادآور ادغام Codex در ChatGPT است که در آن چت‌بات به یک مرکز فرماندهی برای مهندسی نرم‌افزار تبدیل شد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چرخش‌های راهبردی OpenAI و تغییرات در هیئت‌مدیره این شرکت، از جمله اضافه شدن «فیجی سیمو» (Fidji Simo) به هیئت‌مدیره Nscale اشاره کردیم، این API گامی در جهت استانداردسازی زیرساخت‌های عامل‌محور است. پیش از این، ساخت یک عامل برای اکثر توسعه‌دهندگان شبیه به چیدن یک پازل پیچیده از قطعات جداگانه بود؛ شما باید حافظه، منطق فراخوانی ابزار و محیط‌های ایزوله (Sandbox) را به‌صورت دستی به هم متصل و نگهداری می‌کردید.
زمینه و مفاهیم بنیادی
سرویس Agents API در واقع یک سرویس مدیریت‌شده است که بر پایه چارچوب متن‌باز Codex بنا شده است. OpenAI این سیستم را پس از آن توسعه داد که مقیاس‌بندی Codex و ChatGPT for Work نشان داد عامل‌هایی که برای مدت طولانی اجرا می‌شوند، به یک چارچوب تخصصی نیاز دارند تا بتوانند زمینه (Context) را مدیریت کنند، زیرعامل‌ها را هماهنگ نمایند و از ابزارها به‌طور بهینه استفاده کنند.
به نقل از گزارش Marktechpost، این API بر پایه چهار مفهوم کلیدی بنا شده است:
- عامل (Agent): ترکیبی از مدل، دستورالعمل‌ها، ابزارها و سرورهای MCP که در دسترس مدل قرار دارند.
- محیط (Environment): یک محیط ایزوله اختیاری — شبیه به یک اتاق کار مجزا که عامل در آن به فایل‌ها دسترسی دارد، مهارت‌ها را بارگذاری می‌کند و دستورات را اجرا می‌کند.
- نشست (Session): یک نمونهٔ بادوام از عامل که روی وظایف کار کرده و به ورودی‌ها پاسخ می‌دهد.
- رویدادها و آیتم‌ها (Events and items): ورودی‌های ارسالی به عامل و خروجی‌های تولیدشده توسط آن.
یک نشست معمولی از یک چرخهٔ چهار مرحله‌ای می‌گذرد: ابتدا ایجاد نشست و تخصیص وظیفه صورت می‌گیرد، سپس پیشرفت کار از طریق وب‌هوک‌ها یا استریمینگ ردیابی می‌شود و در نهایت، نوبت فعلی هدایت شده یا یک وظیفه جدید آغاز می‌گردد.
معماری فنی و محیط‌های ایزوله
این API برای ایجاد تعادل بین کنترل و راحتی، سه محیط اجرایی مختلف را پشتیبانی می‌کند. انتخاب محیط، مهم‌ترین تصمیم معماری برای توسعه‌دهنده است:
- سندباکس میزبانی‌شده توسط OpenAI: استفاده از زیرساخت بومی Codex و ChatGPT. این محیط را می‌توان با فایل‌ها، پکیج‌ها، مهارت‌ها و پلاگین‌های خاص پیکربندی کرد.
- میزبانی شخصی (Self-hosted): توسعه‌دهندگان
codex exec-serverرا در محیط خود اجرا می‌کنند. این سرور با یک کلید محدود شده ثبت می‌شود و از طریق WebSockets خروجی متصل می‌گردد. - سندباکس‌های شرکا: یکپارچگی درجه‌یک با ارائه‌دهندگانی چون Cloudflare، DigitalOcean، Vercel، E2B، Modal، Blaxel، Daytona، Oracle و Runloop فراهم شده است.
قابلیت‌های ارکستراسیون داخلی
اوپن‌ای‌آی این زیرساخت را هم‌گام با مدل‌های خود به‌روزرسانی می‌کند و با هر عرضهٔ مدل، دسترسی نسخه‌بندی‌شده به آن را فراهم می‌سازد. چندین مکانیزم پیشرفته برای کاهش مصرف توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — و کاهش هزینه‌های مهندسی تعبیه شده است:
- مدیریت زمینه: وقتی یک نشست به سقف ظرفیت خود نزدیک می‌شود، API به‌طور خودکار زمینه‌های قدیمی را فشرده می‌کند تا توسعه‌دهنده نیازی به نوشتن منطق پیچیده برای فشرده‌سازی (Compaction) نداشته باشد.
- استفاده بهینه از ابزار: قابلیت «جستجوی ابزار» (Tool search) تعاریف را تنها در زمان نیاز بارگذاری می‌کند تا حافظه پنهان (Cache) مدل حفظ و هزینه‌ها کاهش یابد. ابزارهای مورد پشتیبانی شامل MCP، توابع سفارشی و ابزارهای داخلی مانند جستجوی وب هستند.
- فراخوانی برنامه‌ریزی‌شده: عامل‌ها می‌توانند دستورات را به‌صورت موازی اجرا کرده و عملیات را به صورت زنجیره‌ای (Chain) پیش ببرند. نتایج در کد فیلتر یا ترکیب می‌شوند تا فقط داده‌های مرتبط به زمینه بازگردند.
- پشتیبانی از چندعاملی: یک عامل اصلی می‌تواند وظایف پیچیده را به قطعات مستقل تقسیم کند. هر زیرعامل حافظه مخصوص خود را دارد و عامل اصلی نتایج را هماهنگ و ترکیب می‌کند.
برای مثال، می‌توان یک عامل بررسی حوادث (Incident-investigation) را با یک فراخوانی واحد و با استفاده از مدل gpt-6-astra ایجاد کرد. با فعال کردن قابلیت multi_agent و محدود کردن تعداد زیرعامل‌های همزمان به ۳ مورد، این سیستم می‌تواند تحلیل استقرار، بررسی خطاها و تحلیل وابستگی‌ها را به زیرعامل‌ها بسپارد و یافته‌ها را در یک فضای کاری (Workspace) ذخیره کند.
تحلیل عملکرد و مقایسه
بر اساس داده‌های اولیه مشتریان، بهره‌وری به‌شدت افزایش یافته است. شرکت SafetyKit گزارش داد که هزینه هر پرونده پس از انتقال به این جریان کاری ۶۰٪ کاهش یافته است. همچنین Hypha با جداسازی چارچوب (Harness) از سندباکس، شاهد کاهش ۸۶ درصدی پاسخ‌های شکست‌خورده بود. شرکت Ciridae نیز تأخیر (Latency) را در جریان‌های چندعاملی ۴ برابر کاهش داد و امتیاز ارزیابی خود را از ۰.۷۱ به ۰.۸۵ رساند. علاوه بر این، Nash.ai اکنون هزاران عامل با اجرای طولانی‌مدت را در شبکه‌های لجستیک جهانی خود مدیریت می‌کند.
در مقایسه با Agents SDK (تلاش متوسط) یا Responses API (تلاش زیاد)، این API جدید کمترین هزینه یکپارچه‌سازی را دارد و پیکربندی‌های نشست را ذخیره می‌کند. در حالی که SDK به فضای ذخیره‌سازی و زمان اجرای توسعه‌دهنده نیاز دارد، این API تمام وضعیت‌ها و زیرساخت Codex را به‌طور خودکار مدیریت می‌کند. در این راستا، بررسی اینکه آیا پرداخت بر اساس مصرف هزینه‌های لایسنس Codex را بهینه می‌کند یا خیر، برای سازمان‌هایی که به دنبال بهینه‌سازی بودجه هستند ضروری است.
این تغییر به معنای آن است که «پشتهٔ عامل‌محور» از رویکرد کتابخانه‌محور به رویکرد سرویس‌مدیریت‌شده تغییر مسیر داده است. اوپن‌ای‌آی با تبدیل لایه ارکستراسیون به یک API نسخه‌بندی‌شده، در واقع این لایه را به یک کالای عمومی (Commodity) تبدیل می‌کند. کاربران هزینه اضافه‌ای برای خودِ API نمی‌پردازند و فقط هزینه توکن‌ها، ابزارها و زمان کانتینر را پرداخت می‌کنند.
با این حال، پذیرش سازمانی ممکن است به‌دلیل محدودیت‌های اقامتی داده‌ها کند شود. در حال حاضر این سرویس فقط از اقامت داده‌ها در آمریکا (US-only) پشتیبانی می‌کند و قابلیت عدم ذخیره داده‌ها (ZDR) را ندارد که می‌تواند استفاده از آن را در بخش‌های با نظارت شدید قانونی محدود کند.
گام بعدی شما
- اگر از Agents SDK استفاده می‌کنید، هزینه نگهداری زیرساخت خود را با Agents API مقایسه کنید تا احتمالاً از مدیریت دستی وضعیت رها شوید.
- مدل‌های جدیدتر مانند
gpt-6-astraرا برای تست قابلیت‌های چندعاملی (Multi-agent) در وظایف پیچیده به کار بگیرید. - محدودیت‌های اقامت داده‌ها (Data Residency) را بررسی کنید تا مطمئن شوید با استانداردهای حریم خصوصی سازمانتان سازگار است. سیگنال حیاتی بعدی که باید دنبال کنید، گسترش گزینه‌های اقامت داده‌ها برای پشتیبانی از استانداردهای اتحادیه اروپا و انطباق جهانی است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو