OpenAI Agents SDK

El OpenAI Agents SDK es el framework oficial en Python y TypeScript de OpenAI para crear aplicaciones multiagente de nivel de producción. Lanzado el 15 de marzo de 2025, reemplazó a Swarm, el prototipo de orquestación experimental anterior de OpenAI, y se distribuye como una biblioteca gratuita con licencia MIT en PyPI y npm. El SDK funciona junto con la Responses API de OpenAI y ofrece a los desarrolladores una forma estructurada de definir agentes, conectarlos a herramientas, transferir el trabajo entre ellos y validar sus entradas y salidas antes de que algo llegue al usuario.

Las primitivas principales son intencionalmente mínimas: agentes (LLM con instrucciones y herramientas), transferencias (enrutamiento de un agente a otro según la intención), barreras de seguridad (validación de entrada y salida que puede detener o redirigir la ejecución) y rastreo (visualización integrada del flujo de trabajo para depuración y monitoreo). Más allá de esto, el SDK es compatible con la integración de servidores del Model Context Protocol (MCP), gestión de sesiones persistentes, puertas de aprobación con intervención humana (human-in-the-loop), agentes de voz a través de la Realtime API con gpt-realtime-1.5 y, a partir de la actualización de abril de 2026, agentes Sandbox que pueden ejecutar código, inspeccionar archivos y ejecutar comandos dentro de entornos de contenedores aislados.

Lo que realmente hace el OpenAI Agents SDK en mayo de 2026

El SDK de Python se encuentra en la versión v0.15.1 (lanzada el 2 de mayo de 2026) con 92 lanzamientos en total y más de 25,800 estrellas en GitHub desde su lanzamiento. La versión de TypeScript, agregada en junio de 2025, alcanzó la versión v0.8.5 en abril de 2026. Ambas tienen licencia MIT y funcionan con la Responses API de OpenAI, así como con cualquier endpoint compatible con Chat Completions, lo que significa que los desarrolladores pueden enrutar a modelos que no sean de OpenAI a través de LiteLLM o adaptadores similares.

Un agente mínimo en Python requiere cuatro líneas de código. Los agentes se definen con un nombre, un conjunto de instrucciones y una lista opcional de herramientas. La llamada Runner.run_sync() maneja el bucle completo del agente: invocar el modelo, procesar las llamadas a herramientas, gestionar las transferencias y devolver el resultado final. El sistema de rastreo registra cada paso automáticamente y lo muestra en un panel visual vinculado a la plataforma de OpenAI.

La actualización de agentes Sandbox de abril de 2026 introdujo la ejecución basada en contenedores: los agentes ahora pueden inspeccionar archivos, ejecutar comandos de shell, aplicar parches de código, instalar paquetes y mantener el estado del espacio de trabajo a lo largo de una tarea más extensa. Esta función está disponible actualmente solo en el SDK de Python; el soporte para TypeScript figura como planeado, pero sin un cronograma específico. La misma actualización presentó un avance de los "subagentes" (descomposición de tareas en paralelo bajo un agente principal) y el "modo de código", ambos aún en la hoja de ruta al momento de escribir este artículo.

El soporte para servidores MCP significa que cualquier herramienta expuesta a través del Model Context Protocol se conecta al SDK de la misma manera que lo hace una herramienta de función, lo que le da al OpenAI Agents SDK acceso al creciente ecosistema MCP sin necesidad de trabajo de integración personalizado. Las herramientas alojadas de OpenAI, que incluyen búsqueda web, búsqueda de archivos y el intérprete de código, están disponibles de forma nativa, pero vinculan los datos del agente al almacenamiento de la plataforma de OpenAI.

Dónde se sitúa el OpenAI Agents SDK frente a LangGraph y el Claude Agent SDK de Anthropic

LangGraph es la alternativa arquitectónica más cercana para los equipos que construyen flujos de trabajo complejos. Utiliza un modelo de grafo dirigido: los agentes son nodos, las aristas condicionales controlan las transiciones de estado, y el framework soporta flujos de trabajo cíclicos, verdadera depuración de viaje en el tiempo a través de puntos de control integrados y la capa de observabilidad de LangSmith. LangGraph es totalmente agnóstico al modelo; cambiar de GPT-4o a Claude 3.5 o Gemini 1.5 Pro no requiere cambios estructurales en el grafo. El modelo de transferencia del OpenAI Agents SDK es más simple y rápido de implementar, pero las primitivas de grafo de LangGraph brindan un control más preciso sobre la lógica de ramificación y la recuperación de errores en flujos de trabajo con muchas rutas condicionales. La contrapartida es real: la curva de aprendizaje de LangGraph es significativamente más pronunciada, y los equipos informan constantemente que la documentación no es amigable para principiantes.

El Claude Agent SDK de Anthropic se sitúa en el otro extremo del espectro competitivo. Al igual que el OpenAI Agents SDK, es un framework oficial mantenido por el proveedor, construido en torno a cadenas de uso de herramientas y subagentes, con la gestión del estado manejada a través de servidores MCP. Su diseño centrado en la seguridad integra el pensamiento extendido directamente en el bucle del agente y está optimizado específicamente para los modelos Claude. Eso significa que la dinámica de dependencia es simétrica: el SDK de OpenAI te vincula a las herramientas alojadas y a la Responses API de OpenAI; el Claude Agent SDK te vincula a la familia de modelos de Anthropic. Para los equipos que ya han invertido en un ecosistema, el SDK respectivo es la opción natural. Para los equipos que necesitan mantenerse agnósticos al proveedor a nivel de orquestación, ninguno de los dos es una respuesta clara, y LangGraph o Agno se vuelven más atractivos.

En comparación con CrewAI, el OpenAI Agents SDK intercambia el DSL basado en roles de CrewAI (que puede poner en marcha un equipo multiagente en aproximadamente 20 líneas con un conocimiento mínimo del framework) por una API de nivel más bajo y más explícita. CrewAI tiene módulos de memoria integrados; el OpenAI Agents SDK no. Sin embargo, la intervención humana de CrewAI solo se activa al final de una tarea, mientras que el OpenAI Agents SDK admite puertas de aprobación a mitad del flujo de trabajo. Para los equipos que lo comparan con AutoGen, la diferencia clave es que AutoGen se centra en topologías de agentes conversacionales con redes de agentes flexibles, mientras que el OpenAI Agents SDK tiene una postura definida sobre el modelo de transferencia y espera que trabajes dentro de sus primitivas en lugar de componer las tuyas propias.

"Si tu equipo ya usa OpenAI y necesita transferencias limpias de agente a agente, el OpenAI Agents SDK es el framework con la postura más definida, lo cual es una ventaja: menos decisiones, implementación más rápida y las primitivas de rastreo/barreras de seguridad ahorran semanas de desarrollo personalizado". - Reseña del blog de mem0.ai, diciembre de 2025

Cómo es la realidad del bucle del agente

El flujo de trabajo estándar: definir agentes, asignar herramientas, conectar transferencias, agregar barreras de seguridad, ejecutar. El rastreo es automático. Un agente de revisión de código que utiliza la primitiva Sandbox recibe un diff de pull request, levanta un contenedor, ejecuta pruebas, aplica parches y devuelve una salida estructurada. Los desarrolladores que construyen canales de atención al cliente describen a un agente de enrutamiento que clasifica la intención del usuario y transfiere a especialistas de facturación, técnicos o de devoluciones, cada uno con sus propias instrucciones y herramientas, todo visible en un solo rastro en el panel de OpenAI. Estos no son casos de uso aspiracionales, sino patrones de producción documentados por el equipo del SDK.

El patrón de costos ocultos es algo que los desarrolladores señalan repetidamente después de su primer despliegue real. Cada turno del agente reenvía el contexto completo de la conversación al modelo. Un flujo de trabajo de 5 pasos no consume 5 veces los tokens de una sola llamada; dependiendo de la longitud del contexto, puede consumir de 3 a 4 veces más. Los equipos que ejecutan altos volúmenes de flujos de trabajo de agentes necesitan modelar este costo por adelantado. Un canal de revisión de código estimado entre $0.075 y $0.14 por revisión empieza a importar cuando se trata de varios miles de revisiones al día.

Los flujos de trabajo de agentes de voz que utilizan la primitiva RealtimeAgent se ejecutan en gpt-realtime-1.5 con detección automática de interrupciones, gestión de contexto y barreras de seguridad. El lanzamiento en junio de 2025 del SDK de TypeScript incluyó la función RealtimeAgent, y los desarrolladores pueden desplegar agentes de voz tanto del lado del cliente como del lado del servidor. La actualización de junio de 2025 vio informes inmediatos de degradación de la calidad del audio, estática en flujos de audio de fondo y aumentos en la latencia de llamadas a funciones por parte de los desarrolladores en los foros de la comunidad, aunque estos problemas eran independientes de la funcionalidad principal de transferencias y barreras de seguridad.

"¡Las actualizaciones más emocionantes hasta ahora! La conversación en tiempo real y las capacidades de intervención humana cambian el panorama por completo". - desarrollador, foro de la comunidad de OpenAI, 3 de junio de 2025

La brecha de memoria es consistente en todas las reseñas. El SDK maneja el contexto a corto plazo de manera limpia a través de su gestión de sesiones, pero la memoria duradera, las capas de recuperación y la personalización requieren infraestructura externa. Los equipos que construyen agentes que necesitan recordar a los usuarios entre sesiones deben conectar su propia base de datos vectorial o usar una herramienta como Letta para la gestión de memoria junto con el SDK. Esto no es tanto un defecto de diseño como una elección deliberada de alcance: el SDK se encarga de la orquestación, no de la capa de datos. Sin embargo, esto significa que el enfoque de "camino rápido a producción" tiene un asterisco para las aplicaciones con estado.

Para quién está diseñado el OpenAI Agents SDK

El SDK es el punto de partida adecuado para un perfil específico: equipos que ya utilizan la API de OpenAI, que se sienten cómodos en Python y que construyen flujos de trabajo donde la delegación limpia de agente a agente es el desafío principal. La automatización de la atención al cliente, los canales de investigación de múltiples pasos, los agentes de revisión de código y los flujos de trabajo de generación de contenido se adaptan bien al conjunto de primitivas del SDK. El rastreo y las barreras de seguridad integrados ofrecen un valor genuino aquí: los equipos que de otro modo construirían esto desde cero ahorran tiempo real de ingeniería.

Los desarrolladores que desean experimentar con agentes de voz o flujos de trabajo de la Realtime API en producción tienen un hogar a nivel de framework en el OpenAI Agents SDK que ningún otro framework importante iguala actualmente con el mismo nivel de soporte oficial. La primitiva RealtimeAgent, combinada con la integración de herramientas MCP, crea una base creíble para aplicaciones de agentes centradas en la voz.

Los equipos que recién comienzan con frameworks de agentes y que ya pagan por el acceso a la API de OpenAI tienen un punto de entrada de baja fricción. El inicio rápido es genuinamente mínimo. La calidad de la documentación se califica constantemente como clara y bien organizada en todas las reseñas. La postura definida del framework, a menudo citada como un riesgo, funciona como una ventaja para los equipos que no quieren tomar 15 decisiones arquitectónicas antes de lanzar su primer agente.

Para aquellos que construyen sobre DSPy para la optimización de prompts o LangChain para herramientas más amplias de cadena de pensamiento, el OpenAI Agents SDK puede complementar en lugar de reemplazar esas herramientas. No es una plataforma de IA full-stack; es una capa de orquestación que asume que tomarás tus propias decisiones sobre las capas de datos, memoria y evaluación de modelos.

Lo que no es el OpenAI Agents SDK

No es agnóstico al modelo en la capa de herramientas alojadas. La capa de inferencia puede apuntar a cualquier endpoint compatible con Chat Completions, pero en el momento en que utilizas File Search, Vector Stores, Code Interpreter o Threads, tus datos residen en la plataforma de OpenAI sin una ruta de exportación estándar. Ashpreet Bedi, fundador de AgnoAGI, señaló que "la Responses API está diseñada intencionalmente para evitar que los desarrolladores cambien de proveedor modificando la base_url". Esta es una restricción arquitectónica real, no un riesgo hipotético.

No es un motor de flujo de trabajo basado en grafos. Los equipos que construyen flujos de trabajo con bucles condicionales complejos, ramas paralelas, puertas de aprobación en puntos arbitrarios y repetición basada en puntos de control necesitan LangGraph. El modelo de transferencia del OpenAI Agents SDK es secuencial y explícito. Puedes construir ejecución paralela con asyncio, pero no hay una abstracción a nivel de framework para ello, y la función planeada de subagentes no tiene una fecha de lanzamiento confirmada.

No es una solución completa para equipos que usan principalmente TypeScript en este momento. Los SDK de Python y TypeScript se mantienen en paralelo, pero la versión de Python recibe constantemente las funciones principales primero. Los agentes Sandbox, la nueva arquitectura de arnés, el modo de código y los subagentes son exclusivos de Python a partir de mayo de 2026, y la paridad con TypeScript figura como "planeada para un lanzamiento futuro" sin un cronograma específico. Construir un canal de agentes de producción centrado en TypeScript en el OpenAI Agents SDK hoy significa aceptar un retraso en las funciones.

No es un framework de memoria o recuperación. Los equipos que necesitan que los agentes recuerden a los usuarios, recuperen información de bases de conocimiento o personalicen las respuestas a lo largo del tiempo deberán construir o integrar una capa externa. El SDK no opina sobre cómo debes resolver este problema.