エージェント

エージェントは OpenAI Agents SDK の主要な構成要素です。Agent は、次の設定を備えた Large Language Model (LLM) です。

Instructions – モデルに「自分は誰で」「どのように応答すべきか」を伝える system prompt
Model – 呼び出す OpenAI モデルと、任意のモデル調整パラメーター
Tools – タスク達成のために LLM が呼び出せる関数や API の一覧

import { Agent } from '@openai/agents';

const agent = new Agent({
  name: 'Haiku Agent',
  instructions: 'Always respond in haiku form.',
  model: 'gpt-5-nano', // optional – falls back to the default model
});

このページの残りの部分では、あらゆるエージェント機能を詳しく解説します。

基本設定

Agent コンストラクターは単一の設定オブジェクトを受け取ります。よく使われるプロパティは以下のとおりです。

Property	Required	Description
`name`	yes	短い人間が読める識別子
`instructions`	yes	System prompt（文字列または関数 – Dynamic instructions を参照）
`model`	no	モデル名またはカスタムの `Model` 実装
`modelSettings`	no	調整パラメーター（temperature、top_p など）。トップレベルにないプロパティが必要な場合は、`providerData` 配下に含められます
`tools`	no	モデルが呼び出せる `Tool` インスタンスの配列

import { Agent, tool } from '@openai/agents';
import { z } from 'zod';

const getWeather = tool({
  name: 'get_weather',
  description: 'Return the weather for a given city.',
  parameters: z.object({ city: z.string() }),
  async execute({ city }) {
    return `The weather in ${city} is sunny.`;
  },
});

const agent = new Agent({
  name: 'Weather bot',
  instructions: 'You are a helpful weather bot.',
  model: 'gpt-4.1',
  tools: [getWeather],
});

コンテキスト

エージェントはそのコンテキスト型に対して ジェネリック です（例: Agent<TContext, TOutput>）。コンテキストは、あなたが作成して Runner.run() に渡す依存性注入オブジェクトです。これはあらゆるツール、ガードレール、ハンドオフなどに転送され、状態の保持や共有サービス（データベース接続、ユーザーメタデータ、フラグ管理など）を提供するのに便利です。

import { Agent } from '@openai/agents';

interface Purchase {
  id: string;
  uid: string;
  deliveryStatus: string;
}
interface UserContext {
  uid: string;
  isProUser: boolean;

  // this function can be used within tools
  fetchPurchases(): Promise<Purchase[]>;
}

const agent = new Agent<UserContext>({
  name: 'Personal shopper',
  instructions: 'Recommend products the user will love.',
});

// Later
import { run } from '@openai/agents';

const result = await run(agent, 'Find me a new pair of running shoes', {
  context: { uid: 'abc', isProUser: true, fetchPurchases: async () => [] },
});

出力タイプ

デフォルトでは、エージェントは プレーンテキスト（string）を返します。モデルに構造化オブジェクトを返させたい場合は、outputType プロパティを指定します。SDK は次を受け付けます。

Zod スキーマ（z.object({...})）
JSON‑schema 互換の任意のオブジェクト

import { Agent } from '@openai/agents';
import { z } from 'zod';

const CalendarEvent = z.object({
  name: z.string(),
  date: z.string(),
  participants: z.array(z.string()),
});

const extractor = new Agent({
  name: 'Calendar extractor',
  instructions: 'Extract calendar events from the supplied text.',
  outputType: CalendarEvent,
});

outputType が指定されると、SDK はプレーンテキストの代わりに自動的に structured outputs を使用します。

マルチエージェントのシステム設計パターン

エージェントを組み合わせる方法は多数あります。プロダクションアプリでよく見られるパターンは次の 2 つです。

マネージャー（エージェントをツールとして） – 中央のエージェントが会話を所有し、ツールとして公開された専門エージェントを呼び出す
ハンドオフ – 最初のエージェントがユーザーのリクエストを特定したら、以降の会話全体を専門家に委譲する

これらのアプローチは相補的です。マネージャー方式はガードレールやレート制限を一元的に適用でき、ハンドオフは各エージェントが会話の制御を保持せず単一タスクに集中できます。

マネージャー（エージェントをツールとして）

このパターンではマネージャーは制御を渡しません。LLM がツールを使い、マネージャーが最終回答を要約します。詳しくはツールガイドを参照してください。

import { Agent } from '@openai/agents';

const bookingAgent = new Agent({
  name: 'Booking expert',
  instructions: 'Answer booking questions and modify reservations.',
});

const refundAgent = new Agent({
  name: 'Refund expert',
  instructions: 'Help customers process refunds and credits.',
});

const customerFacingAgent = new Agent({
  name: 'Customer-facing agent',
  instructions:
    'Talk to the user directly. When they need booking or refund help, call the matching tool.',
  tools: [
    bookingAgent.asTool({
      toolName: 'booking_expert',
      toolDescription: 'Handles booking questions and requests.',
    }),
    refundAgent.asTool({
      toolName: 'refund_expert',
      toolDescription: 'Handles refund questions and requests.',
    }),
  ],
});

ハンドオフ

ハンドオフではトリアージ用エージェントがリクエストを振り分けますが、ハンドオフ後は専門エージェントが最終出力を生成するまで会話を所有します。これによりプロンプトを短く保ち、各エージェントを独立に考察できます。詳しくはハンドオフガイドをご覧ください。

import { Agent } from '@openai/agents';

const bookingAgent = new Agent({
  name: 'Booking Agent',
  instructions: 'Help users with booking requests.',
});

const refundAgent = new Agent({
  name: 'Refund Agent',
  instructions: 'Process refund requests politely and efficiently.',
});

// Use Agent.create method to ensure the finalOutput type considers handoffs
const triageAgent = Agent.create({
  name: 'Triage Agent',
  instructions: `Help the user with their questions.
  If the user asks about booking, hand off to the booking agent.
  If the user asks about refunds, hand off to the refund agent.`.trimStart(),
  handoffs: [bookingAgent, refundAgent],
});

動的 instructions

instructions は文字列の代わりに関数にできます。この関数は現在の RunContext と Agent インスタンスを受け取り、文字列 または Promise<string> を返せます。

import { Agent, RunContext } from '@openai/agents';

interface UserContext {
  name: string;
}

function buildInstructions(runContext: RunContext<UserContext>) {
  return `The user's name is ${runContext.context.name}. Be extra friendly!`;
}

const agent = new Agent<UserContext>({
  name: 'Personalized helper',
  instructions: buildInstructions,
});

同期関数と async 関数の両方がサポートされています。

ライフサイクルフック

高度なユースケースでは、イベントをリッスンしてエージェントのライフサイクルを観測できます。利用可能なものについては、こちらに記載のエージェントフックのイベント名を参照してください。

import { Agent } from '@openai/agents';

const agent = new Agent({
  name: 'Verbose agent',
  instructions: 'Explain things thoroughly.',
});

agent.on('agent_start', (ctx, agent) => {
  console.log(`[${agent.name}] started`);
});
agent.on('agent_end', (ctx, output) => {
  console.log(`[agent] produced:`, output);
});

ガードレール

ガードレールにより、ユーザー入力やエージェント出力の検証や変換が可能です。inputGuardrails および outputGuardrails 配列で設定します。詳細はガードレールガイドをご覧ください。

エージェントのクローン／コピー

既存エージェントを少しだけ変更した版が必要ですか？clone() メソッドを使うと、まったく新しい Agent インスタンスが返されます。

import { Agent } from '@openai/agents';

const pirateAgent = new Agent({
  name: 'Pirate',
  instructions: 'Respond like a pirate – lots of “Arrr!”',
  model: 'gpt-5-mini',
});

const robotAgent = pirateAgent.clone({
  name: 'Robot',
  instructions: 'Respond like a robot – be precise and factual.',
});

ツール使用の強制

ツールを提供しても、LLM が必ず呼び出すとは限りません。modelSettings.tool_choice を使ってツール使用を強制できます。

'auto'（デフォルト）– ツールを使うかどうかを LLM が判断
'required' – LLM はツールを必ず呼び出す（どれを使うかは選べる）
'none' – LLM はツールを呼び出しては ならない
特定のツール名（例: 'calculator'）– そのツールを必ず呼び出す

import { Agent, tool } from '@openai/agents';
import { z } from 'zod';

const calculatorTool = tool({
  name: 'Calculator',
  description: 'Use this tool to answer questions about math problems.',
  parameters: z.object({ question: z.string() }),
  execute: async (input) => {
    throw new Error('TODO: implement this');
  },
});

const agent = new Agent({
  name: 'Strict tool user',
  instructions: 'Always answer using the calculator tool.',
  tools: [calculatorTool],
  modelSettings: { toolChoice: 'auto' },
});

無限ループの防止

ツール呼び出しの後、SDK は自動的に tool_choice を 'auto' にリセットします。これにより、モデルがツール呼び出しを繰り返す無限ループへの突入を防ぎます。この動作は resetToolChoice フラグ、または toolUseBehavior の設定で上書きできます。

'run_llm_again'（デフォルト）– ツール結果を使って LLM を再度実行
'stop_on_first_tool' – 最初のツール結果を最終回答として扱う
{ stopAtToolNames: ['my_tool'] } – 指定ツールのいずれかが呼ばれた時点で停止
(context, toolResults) => ... – 実行を終了すべきかを返すカスタム関数

const agent = new Agent({
  ...,
  toolUseBehavior: 'stop_on_first_tool',
});

次のステップ

エージェントの実行方法を学ぶ
ツール、ガードレール、モデルを深掘りする
サイドバーの @openai/agents 配下で TypeDoc の完全なリファレンスを参照する