OpenAI Agents SDK 2026年4月アップデートまとめ — Sandbox Agents / Harness-Compute分離 / 100+モデル対応

OpenAI Agents SDK 2026年4月アップデートまとめ — Sandbox Agents / Harness-Compute分離 / 100+モデル対応

作成日:
読了:約10分
更新日:

当サイトは Amazon.co.jp を宣伝しリンクすることで紹介料を得る手段を提供する、Amazonアソシエイト・プログラムの参加者です。価格・在庫はリンク先の最新情報をご確認ください。

2026年4月15日、OpenAI は Agents SDK に対して、エージェントアーキテクチャの世代交代を予感させる大型アップデートを公開しました。中核は以下の3つです。

  1. Sandbox Agents:永続的な隔離ワークスペースを持つエージェント
  2. Harness-Compute Separation:制御プレーンと実行プレーンの分離
  3. Broad LLM Compatibility:Chat Completions API 経由で100+モデルに対応

「単発のチャット応答」から「長時間タスクを完遂するワーカー」へ、エージェントの設計が一段進化した格好です。

1. Sandbox Agents — 永続的な隔離ワークスペース

今回のヘッドライン機能。各エージェントが 独立した隔離ファイルシステムと Git リポジトリ を持ち、状態をスナップショットとして保存できます。

できるようになったこと

  • ファイルシステムの永続化(再起動・再接続でも状態を維持)
  • Git リポジトリの直接操作(ブランチ切り替え/コミット/差分確認)
  • 任意のスナップショットからの再開
  • エージェント自身がテストを実行して、変更内容を 自己検証
  • 長時間タスク中にコンテキストが失われない

なぜ重要か

従来のエージェントは「一回のセッションで完結する短いタスク」前提でした。Sandbox Agents は "開発者の作業環境そのものを丸ごとエージェントに渡す" モデルで、リファクタリングや段階的な機能実装など、人間が数時間〜数日かけるタスクの自動化が現実的になります。

ローカルで試すときの Docker 版サンドボックスがどうやってプロセスを隔離しているのかは、Linuxコンテナの仕組み入門 で namespace と cgroups から説明しています。また、隔離環境は「置けば安全」というものではなく、AI評価環境からのサンドボックス脱出 のように抜けられた実例もあるため、外向き通信の制限や認証情報の分離と組み合わせて設計するのが前提になります。

イメージ的なコード

Sandbox Agent の最小例(イメージ)
from openai_agents import Agent, Sandbox
 
sandbox = Sandbox.create(
    git_repo="https://github.com/example/my-app",
    branch="feature/refactor-auth",
)
 
agent = Agent(
    model="gpt-5.5",
    sandbox=sandbox,
    instructions="""
    リポジトリ内の認証ロジックをモジュール化し、テストを通してください。
    変更ごとにテストを実行し、失敗したら修正してください。
    """,
)
 
result = agent.run()
print(result.summary)
print(result.git_commits)

NOTE

追記(2026-10-07): 上のコードは概念を示すためのイメージで、実際の API とは異なります。公式ドキュメント(Sandbox Agents)では、pip install openai-agents で入る agents パッケージから agents.sandbox の SandboxAgent・Manifest(ワークスペースに置くファイルの定義)・SandboxRunConfig(どのサンドボックスで実行するか)を使い、通常どおり Runner.run() で実行する形になっています。ローカル開発向けの UnixLocalSandboxClient のほか、Docker 版(openai-agents[docker])なども用意されています。実装する場合は公式のクイックスタートを参照してください。

長時間タスクを「任意のタイミングでスナップショット → 後でフォーク」できるため、人間と並行しながら検証していくスタイルが可能になります。

2. Harness-Compute Separation — 制御と実行の分離

エージェントの 制御プレーン(Harness) と 実行プレーン(Compute) を切り分けるアーキテクチャ刷新です。

何が変わったか

レイヤー役割例
Harness(制御プレーン)エージェントの計画/ツール呼び出し決定/状態管理OpenAI 側 / 自社サーバー
Compute(実行プレーン)実際のコード実行/コマンド実行/IOサンドボックス/コンテナ

これまでは両者が密結合していて、「実行環境の差し替え」がやりにくいケースがありました。今回の分離によって:

  • 同じ Harness で異なる Compute を使い分け できる
  • ローカル CLI / クラウドコンテナ / Kubernetes など、実行先を柔軟に選択
  • セキュリティ境界を明示的に切れる(権限分離が容易)

エンタープライズ用途では、この アーキテクチャ的な"作法"の整理 が地味に大きな意味を持ちます。

3. Broad LLM Compatibility — 100+モデル対応

Agents SDK は Chat Completions API 互換であれば、どのモデルでも動かせる 構成になりました。

これにより:

  • OpenAI モデル(GPT-5系) はもちろん
  • Anthropic Claude / Google Gemini / オープンソース系(Llama / Mistral / Gemma) も
  • 同じコードベースで切り替え可能

「OpenAI にロックインしたくない」という現実的な要請に正面から応える設計です。エージェントを マルチプロバイダー で組むのが、いよいよ標準になっていきます。

モデル切り替えのイメージ
agent = Agent(
    model="claude-opus-4-7",        # Anthropic
    sandbox=sandbox,
    instructions="...",
)
 
agent_alt = Agent(
    model="gemini-3.1-pro",         # Google
    sandbox=sandbox,
    instructions="...",
)

NOTE

追記(2026-10-07): こちらもイメージです。公式ドキュメント(Models)によると、OpenAI 以外のモデルは Any-LLM または LiteLLM のアダプター(いずれもベストエフォートのベータ扱い)を経由し、openai-agents[any-llm] などを追加インストールしたうえで any-llm/... のような接頭辞付きのモデル名や専用のモデルクラスで指定します。model="claude-opus-4-7" のように素のモデル名を渡すだけで切り替わるわけではありません。

既存ライブラリとの位置づけ

エージェント周辺は、現状大きく以下のような勢力図になっています。

プロダクト強み補足
OpenAI Agents SDKSandbox / Harness 分離、ツール定義のシンプルさOpenAI モデル前提から脱却
Microsoft Agent Framework 1.0エンタープライズ統合、A2A / MCP 対応Semantic Kernel + AutoGen 統合
LangChain / LangGraphエコシステムの広さ、グラフワークフローTypeScript / Python 対応
Claude Code / CursorIDE 統合、サブエージェント、リッチUI開発者体験重視

Agents SDK は 「コアの薄さ+広いモデル互換」 で、既存のエージェント基盤に組み込みやすい立ち位置になりました。

比較候補を個別に見たい場合は、.NET と Python のエンタープライズ向け SDK である Microsoft Agent Framework 1.0、TypeScript で組む定番の LangChain.js、ツールとスキルをファイル単位で表現する Vercel eve の各記事も参考になります。

採用すべきか — 判断ポイント

ケース適合度
長時間の自律的なコーディングタスクを自動化したい◎
リポジトリ操作・テスト実行までエージェントに任せたい◎
プロバイダーを将来差し替えたい◯
軽量なFAQボット△(オーバースペック)
クライアントサイドのみのチャットUI△

軽いユースケースに対しては素のChat Completions APIで足りますが、「人間の数時間相当のタスクを並走させたい」 なら、Agents SDK の Sandbox Agents は大きな武器になります。

まとめ

  • 2026年4月15日、OpenAI Agents SDK が大型アップデート
  • Sandbox Agents で永続ワークスペース+スナップショット運用
  • Harness-Compute Separation で制御と実行を分離、実行先を柔軟に
  • Chat Completions API 互換 で 100+ モデルに対応、ロックイン回避
  • "長時間タスクを任せる" 時代のエージェント設計が一段進化

「コードを書いてくれるAI」から「自分で検証しながら直してくれるAI」へ、開発者体験のフロンティアが移った節目のリリースです。

参考リンク

Microsoft Agent Framework 1.0 GA まとめ — Semantic Kernel × AutoGen 統合の本命がついに来た

Microsoft Agent Framework 1.0 GA まとめ — Semantic Kernel × AutoGen 統合の本命がついに来た

約9分

2026年4月3日、MicrosoftはMicrosoft Agent Framework 1.0をGAリリース。これまで別々だったSemantic KernelとAutoGenを統合し、.NETとPython双方で本番運用可能なマルチエージェントSDKになりました。A2A / MCP / マルチプロバイダー対応や、4月21日のPython 1.1.0で追加されたGemini対応・Hyperlight CodeAct連携などをまとめます。

GPT-6 Cyber とは - Daybreak Red 限定のサイバー特化モデル、ベンチと安全策の読み方

GPT-6 Cyber とは - Daybreak Red 限定のサイバー特化モデル、ベンチと安全策の読み方

約26分

2026年11月5日、OpenAIがサイバーセキュリティ特化モデルGPT-6 Cyberを発表しました。GPT-6 Astraをベースに脆弱性の発見と悪用コードの検証へ特化させたモデルで、利用はDaybreak Redの承認組織に限られます。モデルID gpt-6-cyber、価格は入力$20/出力$100。ExploitGym 48.5%などのベンチの読み方、範囲外の標的を攻撃しないかを測るハニーポット評価、Firefoxの81件・Linuxの948件という実績、IP許可リストやPrivate Safety Processingなどの安全策、Responses APIでの呼び出し方を、公式発表とシステムカードをもとに整理します。

GitHub Copilot Fusion入門 - モデル選びを任せる仕組みとeffortレベル、料金の考え方

GitHub Copilot Fusion入門 - モデル選びを任せる仕組みとeffortレベル、料金の考え方

約17分

GitHub Copilot Fusionは、タスクごとに使うモデルと進め方(1つのモデルで解く、安いモデルの下書きを確認して必要なら強いモデルへ回す、複数のモデルで批評して直す)を自動で決めるモデルルーターです。2026年10月28日に一般提供になりました。Standard・High・Maxのeffortレベルとプランごとの違い、Autoとの違い、AI Creditsでの料金と11月30日までの30%割引、ローカルモデル、管理者の設定、既知の制限を、GitHubの公式ドキュメントとChangelogをもとに整理します。

楽天市場のおすすめPR / 楽天アフィリエイト