新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI前沿 | 2026年9月11日:OpenAI Agents API 公测 + Codex 架构开放 + MCP Agent 基建

发布时间:2026/11/17 10:15:08来源:尧图网络
AI前沿 | 2026年9月11日:OpenAI Agents API 公测 + Codex 架构开放 + MCP Agent 基建
AI前沿 | 2026年9月11日OpenAI Agents API 公测 Codex 架构开放 MCP Agent 基建首屏导读 · 本教程配套付费专栏《大模型工程师修炼手记》19.9 元AI 编程 · Agent 实战 · 本文同主题系统课程· 《AI时代程序员的自我提升》49.9 元AI 时代成长方法论单篇不过瘾订阅解锁全量源码、实战与答疑文末附资料包领取方式 ↓本期导读华尔街见闻9.11报道OpenAI 宣布Agents API即日起进入公开测试并向所有开发者开放——把此前仅用于支撑 Codex 与企业版 ChatGPT 的代理框架与基础设施以编程接口形式对外提供。开发者无需额外订阅费仅按token 工具调用量计费支持 MCP 协议、自定义函数与网页搜索并已与 Cloudflare、DigitalOcean、Modal、Vercel 等 9 家以上生态伙伴达成一级集成。这是 OpenAI 将「Agent 执行能力」商业化的一步重棋。一、事件把 Codex 的底层开放成一个 API9 月 11 日OpenAI 公开测试Agents API。一句话概括过去只有 Codex 和企业版 ChatGPT 才能用的『代理大脑』现在任何开发者都能用 API 调用。维度官方口径产品形态代理框架与基础设施 API公测前身驱动 Codex 与企业版 ChatGPT 的内部代理架构计费无 API 订阅费按实际消耗 token 及工具调用量计费沙箱自托管沙箱与 Codex 及 ChatGPT 共用同一基础设施源码基于开源的 Codex 执行框架公开代码库可查 注意一个信号OpenAI 自己披露该 API 的早期客户已在成本、效率与可靠性三个指标上得到显著改善——这是把内部 TV 直接端给客户的「自证」姿势。二、计价与沙箱把「推理工具」做成按量计费的基础设施Agents API 的定价逻辑和传统的「按 token 卖模型」完全不同无订阅费API 本身免费接入收入与实际使用量直接挂钩——用多少付多少双维度计费token 消耗 工具调用量适合「长会话、高频工具」的 Agent 型负载自托管沙箱与 Codex / ChatGPT 共用沙箱基础设施支持快速启动与弹性扩展开发者可以控制 Agent 的执行环境与网络边界。对开发者而言这意味着评估门槛归零不需要先买企业版、不需要签商务单直接用自己的一行 key 就能跑起来测。三、生态9 一级集成伙伴代码公开可审计与 API 同时公开的是一张「集成清单」OpenAI 已与Blaxel、Cloudflare、Daytona、DigitalOcean、E2B、Modal、甲骨文、Runloop、Vercel等生态伙伴达成一级集成协议提供差异化的私有云部署、存储机制及 CPU/GPU/内存配置选项。关于透明与可控两件事值得记录开源的 Codex 执行框架开发者可以查阅公开代码库搞清模型调用、工具协调与上下文管理的核心逻辑——这在以往闭源代理产品里几乎不可想象自动跟随迭代OpenAI 负责维护并持续优化该框架开发者在每次模型升级时可自动获益无需自行重构代理架构。四、对开发者和创业者三个值得立刻做的事拿自己的真实负载做一次 A/BAgents API 与「模型 API 自建工具循环」的性能与成本曲线不同只有用你的多步工具调用场景实测才知道哪条路更划算把 MCP 与自定义函数跑通官方明确支持 MCP 协议、自定义函数、网页搜索三种内置工具——如果你的 Agent 已经在用 MCP迁移成本最低值得第一时间试盯住『默认更新』条款框架跟随模型自动升级是便利也是风险——做长时间运行的 Agent 服务要给自己留一层版本锁定或回归护栏。启示OpenAI 这次做的事情本质是把『让 Agent 稳定执行』从内部能力升级为标准件。对创业者当巨头把执行层打到按量计费你的价值只剩『数据』与『场景』两端——尽早把自己从『写 Agent』切换到『喂 Agent』。来源华尔街见闻2026-09-11OpenAI Agents API 公测。本文为 AI 辅助整理的真实行业事件分析不构成投资建议。 延伸阅读 · 我的付费专栏觉得这篇文章对你有帮助我把同类主题的系统化内容沉淀成了付费专栏欢迎订阅支持持续输出专栏定价内容大模型工程师修炼手记19.9 元AI 编程 / Agent 深度实战AI时代程序员的自我提升49.9 元AI 时代成长方法论 一杯咖啡的价格换来系统化的知识体系你的订阅是我持续创作的最大动力。本文配套代码 / 资料包欢迎在评论区留言「求代码」我会私信发送完整资源
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉