에이전트

에이전트는 OpenAI Agents SDK의 주요 기본 구성 요소입니다. Agent 는 다음으로 구성된 대규모 언어 모델(LLM)입니다:

Instructions – 모델에게 자신이 누구인지 와 어떻게 응답해야 하는지 알려주는 시스템 프롬프트
Model – 호출할 OpenAI 모델과 선택적 모델 튜닝 매개변수
Tools – LLM이 작업을 수행하기 위해 호출할 수 있는 함수 또는 API 목록

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
});

이 페이지의 나머지 부분에서는 모든 Agent 기능을 자세히 살펴봅니다.

기본 구성

Agent 생성자는 단일 구성 객체를 받습니다. 가장 일반적으로 사용되는 속성은 아래와 같습니다.

Property	Required	Description
`name`	yes	사람이 읽을 수 있는 짧은 식별자
`instructions`	yes	시스템 프롬프트(문자열 또는 함수 – 동적 instructions 참고)
`model`	no	모델 이름 또는 커스텀 `Model` 구현
`modelSettings`	no	튜닝 매개변수(temperature, top_p, 등). 최상위에 없는 속성이 필요하다면 `providerData` 아래에 포함할 수 있습니다
`tools`	no	모델이 호출할 수 있는 `Tool` 인스턴스 배열

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],
});

컨텍스트

에이전트는 컨텍스트 타입에 제네릭 입니다 – 즉, Agent<TContext, TOutput>. 컨텍스트 는 여러분이 생성하여 Runner.run() 에 전달하는 의존성 주입 객체입니다. 이는 모든 도구, 가드레일, 핸드오프 등으로 전달되며 상태를 저장하거나 공유 서비스(데이터베이스 연결, 사용자 메타데이터, 기능 플래그 등)를 제공하는 데 유용합니다.

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 () => [] },
});

출력 유형

기본적으로 Agent는 일반 텍스트(string)를 반환합니다. 모델이 구조화된 객체를 반환하도록 하려면 outputType 속성을 지정할 수 있습니다. SDK는 다음을 허용합니다:

Zod 스키마(z.object({...}))
JSON 스키마와 호환되는 객체

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 이 제공되면 SDK는 일반 텍스트 대신 자동으로 structured outputs을 사용합니다.

멀티 에이전트 시스템 설계 패턴

에이전트를 조합하는 방법은 다양합니다. 프로덕션 앱에서 자주 보이는 두 가지 패턴은 다음과 같습니다:

매니저(에이전트를 도구로) – 중앙 에이전트가 대화를 소유하고 도구로 노출된 전문 에이전트를 호출함
핸드오프 – 초기 에이전트가 사용자의 요청을 파악한 뒤 전체 대화를 전문가에게 위임함

이 접근 방식은 상호 보완적입니다. 매니저는 가드레일이나 속도 제한을 단일 위치에서 강제할 수 있게 하고, 핸드오프는 각 에이전트가 대화 제어를 유지하지 않고 단일 작업에 집중하도록 합니다.

매니저(에이전트를 도구로)

이 패턴에서 매니저는 제어권을 넘기지 않습니다—LLM이 도구를 사용하고 매니저가 최종 답을 요약합니다. 자세한 내용은 도구 가이드를 참고하세요.

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.',
    }),
  ],
});

핸드오프

핸드오프에서는 분류 에이전트가 요청을 라우팅하지만, 핸드오프가 일어나면 전문가 에이전트가 최종 출력을 낼 때까지 대화를 소유합니다. 이는 프롬프트를 짧게 유지하고 각 에이전트를 독립적으로 추론할 수 있게 합니다. 자세한 내용은 핸드오프 가이드를 참고하세요.

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],
});

동적 instructions

instructions 는 문자열 대신 함수가 될 수 있습니다. 이 함수는 현재 RunContext 와 Agent 인스턴스를 받아 문자열 또는 Promise<string> 을 반환할 수 있습니다.

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,
});

동기 및 async 함수 모두 지원됩니다.

라이프사이클 훅

고급 사용 사례를 위해 이벤트 리스닝으로 Agent 라이프사이클을 관찰할 수 있습니다. 사용 가능한 항목은 여기에 나열된 에이전트 훅 이벤트 이름을 참고하세요.

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);
});

가드레일

가드레일은 사용자 입력과 에이전트 출력을 검증하거나 변환할 수 있게 해줍니다. inputGuardrails 및 outputGuardrails 배열을 통해 구성합니다. 자세한 내용은 가드레일 가이드를 참고하세요.

에이전트 복제/복사

기존 에이전트를 약간만 수정한 버전이 필요하신가요? 완전히 새로운 Agent 인스턴스를 반환하는 clone() 메서드를 사용하세요.

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.',
});

도구 사용 강제

도구를 제공해도 LLM이 반드시 호출하는 것은 아닙니다. modelSettings.tool_choice 로 도구 사용을 강제할 수 있습니다:

'auto'(기본값) – LLM이 도구 사용 여부를 결정
'required' – LLM은 반드시 도구를 호출해야 함(어떤 도구를 사용할지는 선택 가능)
'none' – LLM은 도구를 호출하면 안 됨
특정 도구 이름, 예: 'calculator' – LLM은 해당 도구를 반드시 호출해야 함

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' },
});

무한 루프 방지

도구 호출 이후 SDK는 자동으로 tool_choice 를 'auto' 로 재설정합니다. 이는 모델이 도구를 반복적으로 호출하려는 무한 루프에 빠지는 것을 방지합니다. 이 동작은 resetToolChoice 플래그 또는 toolUseBehavior 구성으로 재정의할 수 있습니다:

'run_llm_again'(기본값) – 도구 결과로 LLM을 다시 실행
'stop_on_first_tool' – 첫 번째 도구 결과를 최종 답으로 처리
{ stopAtToolNames: ['my_tool'] } – 나열된 도구 중 하나가 호출되면 중지
(context, toolResults) => ... – 실행을 종료할지 여부를 반환하는 커스텀 함수

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

다음 단계

에이전트 실행 방법을 알아보세요
도구, 가드레일, 모델을 살펴보세요
사이드바의 @openai/agents 아래에서 전체 TypeDoc 레퍼런스를 탐색하세요