OpenAI Agent SDK

기본 개념: Agent SDK란 무엇인가?

OpenAI Agent SDK는 개발자가 손쉽게 AI 에이전트를 구축할 수 있도록 지원하는 파이썬 기반 프레임워크입니다. 이 SDK를 사용하면 대형 언어 모델(LLM)에 **지침(Instructions)**과 **툴(Tools)**을 부여하여 특정 작업을 수행하는 에이전트를 만들고, 여러 단계의 작업을 자동으로 **오케스트레이션(Orchestration)**할 수 있습니다

. 예를 들어 단순한 질문 답변부터 웹 검색, 데이터 조회, 코드 실행 같은 외부 기능 호출에 이르기까지, 에이전트가 스스로 판단하여 작업을 진행하도록 설계할 수 있습니다. Agent SDK는 이전에 실험적으로 제공되었던 에이전트 프레임워크인 Swarm의 개선된 생산 준비판으로서 공개되었으며

, 최소한의 개념으로 최대한의 기능을 제공하도록 설계되었습니다.

Agent SDK의 핵심 개념은 다음 네 가지로 요약됩니다

에이전트(Agent): LLM에 명확한 지침과 필요한 툴, 가드레일 등을 구성하여 특정 역할을 수행하도록 한 것입니다
. 하나의 에이전트는 예를 들어 “고객 지원 도우미”처럼 자신만의 이름과 역할을 가지며, 해당 역할에 맞는 응답을 생성합니다.
핸드오프(Handoff): 에이전트가 요청의 성격에 따라 작업을 다른 에이전트로 넘기는 기능입니다
. 예를 들어 다국어 지원 시스템에서는 사용자 입력 언어에 따라 영어 응답 에이전트 또는 스페인어 응답 에이전트로 핸드오프하여 처리할 수 있습니다.
가드레일(Guardrail): 에이전트의 입력 및 출력에 대한 안전 장치로, 유효성 검사나 정책 위반 방지 등을 수행합니다
. 이를 통해 에이전트가 잘못된 답변을 하거나 금지된 내용을 출력하지 않도록 미리 제약을 걸 수 있습니다.
추적(Tracing): 에이전트의 실행 과정을 추적하여 로그와 결과를 기록하고 시각화하는 기능입니다
. 개발자는 추적 정보를 통해 에이전트가 어떤 단계들을 거쳐 답변을 도출했는지 파악하고, 디버깅이나 성능 최적화를 수행할 수 있습니다.

이러한 개념들을 통해 OpenAI Agent SDK는 복잡한 AI 작업을 간단한 프리미티브(Primitives) 조합으로 표현할 수 있게 해주며, 개발자가 새로운 에이전트를 빠르게 학습하고 구축하도록 돕습니다

. 즉, **내장된 에이전트 루프(agent loop)**가 모델 호출과 툴 사용, 응답 생성을 알아서 반복 처리해주고, Python 언어의 친숙한 문법을 통해 에이전트들을 유연하게 연결 및 확장할 수 있는 구조입니다

. 요약하면 Agent SDK는 LLM의 능력을 현실 세계의 작업에 활용할 수 있도록 해주는 경량 오케스트레이션 도구라고 볼 수 있습니다

설치 및 설정

OpenAI Agent SDK를 사용하려면 Python 환경이 필요합니다. Python 3 버전의 가상환경을 만드는 것을 권장합니다. 설치 및 기본 설정 절차는 다음과 같습니다:

Python 가상환경 생성 (선택 사항): 새로운 프로젝트 디렉토리에서 가상환경을 생성하고 활성화합니다.
python -m venv env source env/bin/activate # Windows에서는 env\Scripts\activate 실행 (가상환경을 사용하면 프로젝트별로 패키지를 관리할 수 있습니다.)
Agent SDK 패키지 설치: pip를 이용하여 OpenAI Agent SDK를 설치합니다.위 명령을 실행하면 SDK에 필요한 모든 종속 패키지가 함께 설치됩니다.
pip install openai-agents
OpenAI API 키 설정: OpenAI의 API를 사용하기 위해 API 키가 필요합니다. OpenAI 플랫폼에서 발급받은 API 키를 환경변수 OPENAI_API_KEY에 설정하세요
. 예를 들어 Linux/Mac에서는 터미널에 export OPENAI_API_KEY="sk-..." 형태로 설정하고, Windows에서는 SET OPENAI_API_KEY="sk-..." 명령으로 설정합니다. 이 키는 SDK가 OpenAI의 모델(예: GPT-4 등)에 접근하는 데 사용됩니다. (Agent SDK는 기본적으로 이 환경변수를 읽어서 API 키를 자동으로 사용하도록 구성되어 있습니다

설치와 키 설정이 완료되었다면, Python 코드에서 SDK를 임포트하여 사용할 준비가 된 것입니다. 다음 섹션에서는 간단한 예제를 통해 Agent SDK의 기본 사용법을 알아보겠습니다.

기본 사용법

Agent SDK를 사용하여 가장 간단한 에이전트를 만들어보고 동작을 확인해보겠습니다. **“Hello World”**에 해당하는 예제로, 특정 질문에 답변하는 기본 에이전트를 구축해보겠습니다.

먼저 SDK의 주요 클래스를 임포트하고 에이전트를 생성합니다. 에이전트를 만들 때는 Agent 클래스를 사용하며, 이름(name)과 행동 지침(instructions)을 설정해 줄 수 있습니다. 그런 다음 Runner.run_sync() 함수를 이용해 에이전트에 질문을 입력하고, 결과를 받아옵니다:

from agents import Agent, Runner  

# 에이전트 생성: 간단한 도움을 주는 어시스턴트
agent = Agent(name="Assistant", instructions="You are a helpful assistant")  

# 에이전트에게 질문을 하고 동기적으로 결과 얻기
result = Runner.run_sync(agent, "Write a haiku about recursion in programming.")  

print(result.final_output)

위 코드를 실행하면 에이전트가 OpenAI API를 통해 LLM(GPT 모델)에 질의를 보내고 응답을 받아옵니다. result.final_output에는 최종 산출된 답변이 들어있으며, print를 통해 출력할 수 있습니다. 예를 들어, **“프로그래밍의 재귀”**에 대한 하이쿠를 요청한 결과는 다음과 같이 출력됩니다

#Code within the code,  
#Functions calling themselves,  
#Infinite loop's dance.

이처럼 Agent SDK를 이용하면 몇 줄의 코드로 LLM 기반의 응답을 생성할 수 있습니다

. 여기서 Runner.run_sync 함수를 사용하여 동기적으로 결과를 받았지만, 비동기로 동작시키고 싶은 경우 asyncio를 통해 Runner.run(agent, input) 코루틴을 await하는 방식으로 사용할 수도 있습니다. 기본적으로 Agent를 생성할 때 특별히 모델을 지정하지 않으면 OpenAI의 기본 챗 완료(chat completion) 모델이 사용되며, instructions로 전달한 시스템 메시지에 따라 에이전트의 역할이 결정됩니다. 개발자는 필요한 경우 Agent 생성 시 model이나 세부 model_settings를 조정하여 GPT-4, GPT-3.5 등 원하는 모델이나 파라미터를 설정할 수도 있습니다.

고급 기능

기본적인 Q&A 에이전트 외에, OpenAI Agent SDK를 활용하면 툴을 사용하거나 여러 에이전트를 조합하는 등 더 다양한 AI 기능을 구현할 수 있습니다. 이번 섹션에서는 SDK의 주요 고급 기능인 툴 활용, 다중 에이전트 구성(핸드오프), 가드레일 설정, 그리고 추적 및 모니터링에 대해 알아보겠습니다.

툴 활용으로 기능 확장하기

에이전트는 **툴(Tool)**을 사용하여 자체적인 LLM 능력을 보완할 수 있습니다. 툴이란 에이전트가 필요에 따라 호출할 수 있는 외부 기능으로, 예를 들어 외부 API 호출, 데이터베이스 조회, 파일 시스템 접근 또는 코드 실행 등을 수행할 수 있습니다

. OpenAI Agent SDK에서는 두 가지 형태의 툴을 제공합니다: **호스팅 툴(Hosted Tools)**과 **파이썬 함수 툴(Function Tools)**입니다.

호스팅 툴: OpenAI가 제공하는 기본 내장 툴로, LLM과 같은 서버 측에서 동작합니다. 예를 들어 **웹 검색(WebSearchTool)**을 사용하면 에이전트가 인터넷 검색을 수행하여 최신 정보를 가져올 수 있고, **컴퓨터 제어(ComputerTool)**를 통해 브라우저나 OS 상의 작업을 자동화할 수도 있습니다
```
from agents import Agent, WebSearchTool, FileSearchTool  

agent = Agent(
    name="ResearchAssistant",
    tools=[
        WebSearchTool(),
        FileSearchTool(
            max_num_results=3,
            vector_store_ids=["<VECTOR_STORE_ID>"],
        ),
    ],
)
```
위 에이전트는 웹 검색과 벡터 스토어 검색 능력을 갖추고 있기 때문에, 예를 들어 “샌프란시스코 오늘 날씨와 내 취향을 고려할 때 어떤 커피숍에 가면 좋을까?” 같은 복합 질문도 스스로 웹에서 최신 날씨를 찾아보고 벡터 DB에서 관련 정보를 검색하여 답할 수 있습니다
. 이러한 호스팅 툴은 Agent 생성 시 간단히 리스트에 추가하여 사용할 수 있습니다. 예를 들어, 웹 검색과 파일 검색 툴을 갖춘 에이전트를 생성하는 코드는 다음과 같습니다
, **파일 검색(FileSearchTool)**을 사용하면 벡터 데이터베이스(Vector Store)에 저장된 문서를 의미적으로 검색할 수 있으며
파이썬 함수 툴: 개발자가 임의의 파이썬 함수를 툴로 등록하여 에이전트가 호출하도록 만드는 방법입니다. Agent SDK는 @function_tool 데코레이터를 제공하여 간단하게 함수 하나를 API 함수를 호출하듯 에이전트의 툴로 변환해줍니다. 다음은 사용자 정의 함수 툴의 간단한 예시입니다:위 코드에서는 get_weather라는 파이썬 함수를 정의하고 @function_tool로 데코레이션함으로써, 이 함수를 에이전트가 사용할 수 있는 툴로 등록했습니다. 이처럼 함수 툴을 활용하면 LLM이 알지 못하는 외부 정보나 연산도 처리할 수 있게 되어 에이전트의 활용 범위가 크게 넓어집니다.
. 그런 다음 tools 목록에 해당 함수(get_weather)를 추가하여 에이전트를 생성합니다. 이제 에이전트는 사용자의 질문을 처리하는 중에 필요하면 get_weather 함수를 호출하여 도쿄의 날씨 정보를 얻을 수 있고, 최종 답변에 그 결과를 활용합니다. 실제로 OpenAI 공식 문서에 나온 예제에서는 에이전트가 질문 *“도쿄의 날씨가 어떻습니까?”*에 대해 위 함수 툴을 호출함으로써 정확한 날씨 정보를 포함한 답변을 생성하는 모습을 보여줍니다
from agents import Agent, Runner, function_tool @function_tool def get_weather(city: str) -> str: """주어진 도시의 날씨 정보를 반환합니다.""" # (실제 구현에서는 기상 API 호출 등의 로직이 들어갈 수 있습니다) return f"The weather in {city} is sunny." agent = Agent( name="WeatherAgent", instructions="You are a weather assistant.", tools=[get_weather], # 함수 툴 등록 ) result = Runner.run_sync(agent, "What's the weather in Tokyo?") print(result.final_output) # 출력 결과: "The weather in Tokyo is sunny."
. 함수의 시그니처(인자 타입 등)를 자동으로 분석해 JSON 스키마를 만들고, 필요한 경우 입력값 검증도 수행합니다

다중 에이전트 구성과 핸드오프

OpenAI Agent SDK의 또 다른 강력한 기능은 여러 에이전트를 연계하여 복잡한 작업을 처리하는 것입니다. 하나의 에이전트가 모든 일을 처리하지 않고, 요청의 유형이나 단계에 따라 서로 다른 전문 에이전트에게 작업을 넘기는 방식을 취할 수 있습니다. 이러한 에이전트 간 분업을 가능하게 하는 것이 앞서 설명한 핸드오프(Handoff) 기능입니다.

예를 들어 다국어 지원 챗봇을 생각해보겠습니다. 사용자가 영어로 질문하면 영어 전용 에이전트가 답하고, 스페인어로 질문하면 스페인어 전용 에이전트가 답하도록 구성할 수 있습니다. 이를 위해 세 개의 에이전트를 설정합니다: 영어 답변 에이전트, 스페인어 답변 에이전트, 그리고 **승인자 역할의 중재 에이전트(Triage Agent)**입니다. 중재 에이전트는 사용자의 입력 언어를 판단한 뒤 해당 언어를 담당하는 에이전트로 핸드오프합니다. 코드로 구현하면 다음과 비슷합니다:

from agents import Agent, Runner  

english_agent = Agent(
    name="EnglishAgent", 
    instructions="You only speak English."
)  

spanish_agent = Agent(
    name="SpanishAgent", 
    instructions="You only speak Spanish."
)  

triage_agent = Agent(
    name="TriageAgent",
    instructions="Respond in the same language as the user. "
                 "Handoff to the appropriate agent based on the request language.",
    handoffs=[english_agent, spanish_agent]  # 두 에이전트를 연결
)  

result = Runner.run_sync(triage_agent, "Hola, ¿cómo estás?")  

print(result.final_output)  
# 출력 결과: "¡Hola! Estoy bien, gracias por preguntar. ¿Y tú, cómo estás?"

위 예에서는 triage_agent가 입력 문장이 스페인어인 것을 판단하고 spanish_agent로 핸드오프하여 응답을 생성했습니다

. 반대로 입력이 영어라면 english_agent가 응답을 처리하게 될 것입니다. 개발자는 이러한 구조를 통해 에이전트별 책임 분리를 할 수 있고, 각 에이전트에 특화된 지침이나 툴을 부여하여 더 효과적으로 다양한 요구사항을 처리할 수 있습니다.

핸드오프는 위 사례처럼 언어 기준으로 분기할 수도 있고, 질문 주제나 작업 유형에 따라 전문 에이전트들로 넘기는 형태로도 확장 가능합니다. 예를 들어 사용자의 요청이 “환불 처리” 관련이면 이를 전문으로 하는 환불 처리 에이전트로 넘기고, 일반 상품 문의라면 제품 상담 에이전트로 넘기는 식입니다. 이러한 다중 에이전트 오케스트레이션을 통해 하나의 거대 모델이 모든 것을 처리하는 대신, 여러 특화된 에이전트들이 협업하여 보다 신뢰성 있고 목적에 부합하는 결과를 낼 수 있습니다

가드레일 설정으로 안전하고 구조화된 응답 얻기

**가드레일(Guardrails)**은 에이전트의 입력이나 출력에 일정한 제약 조건을 부여하여 잘못된 동작을 방지하거나 원하는 포맷을 얻도록 하는 고급 기능입니다

. 가드레일을 통해 개발자는 에이전트의 안전성을 높이고, 출력 형식을 구조화하여 후속 처리에 활용하기 좋게 만들 수 있습니다.

입력 가드레일: 에이전트가 받는 입력에 대해 사전에 검증을 수행합니다. 예를 들어 사용자의 질문에 금지된 표현이 있는지 필터링하거나, 특정 포맷(날짜 형식 등)에 맞지 않는 입력은 거부하도록 설정할 수 있습니다. 입력 가드레일은 Agent 생성 시 input_guardrails 파라미터로 하나 이상의 검증 함수를 전달하여 구성합니다. 검증에 실패하면 에이전트가 바로 중단하거나 사전에 정의된 대응을 하도록 만들 수 있습니다.
출력 가드레일: 에이전트의 출력 내용이나 형태에 제한을 거는 기능입니다. 가장 흔한 예로, 출력 데이터를 구조화된 형식으로 받도록 요구할 수 있습니다. Agent SDK에서는 Agent 생성 시 output_type을 지정하면 모델이 최종적으로 해당 데이터 타입(주로 Pydantic 모델이나 Python 타입)의 JSON 결과를 내놓을 때까지 대화를 이어가게 합니다
. 예를 들어 출력 타입으로 특정 Pydantic 데이터 모델을 설정하면, 에이전트는 자유로운 텍스트 대신 그 모델의 구조에 맞는 JSON 응답을 반환하게 됩니다. 이를 활용하면 에이전트의 답변을 바로 파싱하여 데이터로 활용하기 용이하며, 응답의 형태를 엄격히 통제할 수도 있습니다. (Agent SDK 내부적으로는 함수 호출 형식을 사용하여 모델이 JSON 객체를 생성하도록 유도하고, 그것을 최종 출력으로 간주합니다

이외에도 출력 가드레일로 내용 필터링을 적용해, 예를 들어 욕설이나 개인정보가 포함된 답변이 생성되면 자동으로 빈 응답으로 대체하거나 사과 메시지를 출력하도록 하는 등 정책을 구현할 수 있습니다. 가드레일 기능은 SDK 사용자에게 선택사항이지만, 특히 중요한 애플리케이션(예: 의료 자문, 금융 분석 등)에서는 모델의 출력에 신뢰성을 부여하기 위한 도구로 활용될 수 있습니다

추적(Tracing) 및 모니터링

OpenAI Agent SDK의 추적(Tracing) UI 예시 화면입니다. 좌측에는 에이전트들이 주고받은 메시지와 툴 호출 내역이 시간 순서대로 로그로 나타나고, 우측에는 각 단계별 토큰 사용량, 응답 유형, 입력 파라미터 등의 상세 정보가 표시됩니다. 이러한 내장된 추적 기능을 통해 개발자는 에이전트의 동작 과정을 투명하게 살펴볼 수 있으며, 복잡한 멀티 에이전트 시나리오에서도 어디서 문제가 발생했는지 디버깅하고 성능을 최적화할 수 있습니다

. 추적 데이터는 자동으로 수집되며 OpenAI가 제공하는 대시보드를 통해 시각화될 뿐 아니라, 필요에 따라 외부 모니터링 도구와 연동할 수도 있습니다. 예를 들어 SDK는 기본적으로 Logfire, AgentOps, Braintrust 등의 외부 시스템으로 trace 데이터를 전송하는 기능을 지원하여, 운영 환경에서 에이전트 활동을 지속적으로 모니터링하고 분석할 수 있게 해줍니다

. 이처럼 Tracing 기능은 에이전트를 개발 단계에서뿐만 아니라 프로덕션에 배포한 이후에도 신뢰성 있게 관리할 수 있도록 도와주는 중요한 도구입니다.

공식 문서 주요 내용 요약

OpenAI의 공식 문서에서는 Agent SDK의 철학과 기능을 다음과 같이 설명하고 있습니다:

경량성과 학습 용이성: Agent SDK는 필요한 기능을 충분히 갖추되, 프리미티브 개념을 최소화하여 빠르게 배울 수 있도록 설계되었습니다
. 복잡한 추상 계층 없이 Python 언어의 친숙한 문법으로 사용할 수 있으며, 기본 설정만으로도 유용한 결과를 얻을 수 있게 해줍니다.
유연한 커스터마이징: 기본 설정으로 바로 잘 동작하지만, 세부 동작을 개발자가 정밀하게 제어 및 확장할 수 있습니다
. 필요하면 에이전트의 내부 동작 (예: 모델 호출 방식, 툴 사용 순서 등)을 사용자 요구에 맞게 변경할 수 있는 훅(hook)과 설정 옵션들이 제공됩니다.
주요 기능 요소: 앞서 설명한 에이전트, 툴, 가드레일, 핸드오프, 추적 등의 기능을 핵심으로 하여, 멀티에이전트 워크플로우를 간결하게 표현할 수 있습니다. 또한 Python 환경에 자연스럽게 녹아들도록 만들어져 있어, 다른 Python 패키지나 인프라와 쉽게 통합할 수 있습니다 (“Python-first” 디자인).
. SDK가 LLM 호출과 툴 실행을 내장 루프로 처리해주므로 개발자는 복잡한 반복 제어 로직에 신경 쓸 필요 없이 에이전트 간 흐름만 정의하면 됩니다
OpenAI API 및 호환성: Agent SDK는 OpenAI의 Chat Completions API와 Responses API를 기반으로 동작하며, OpenAI 이외의 LLM 공급자의 모델도 Chat Completions 호환 인터페이스만 있다면 사용할 수 있도록 범용적으로 설계되었습니다.
. 현재 Python용 SDK가 우선 제공되고 있으며, Node.js용 SDK도 지원 예정입니다
오픈 소스 개발: 이 SDK는 오픈 소스로 공개되어 있으며, Pydantic, Griffe, MkDocs 등 커뮤니티의 훌륭한 도구들로부터 영감을 받아 만들어졌습니다
. OpenAI는 Agent SDK를 커뮤니티와 함께 발전시켜나갈 계획이며, 개발자들은 GitHub 저장소를 통해 SDK의 개선에 직접 참여하거나 이슈를 제기할 수 있습니다. (Agent SDK 저장소: openai/openai-agents-python)

요약하면, OpenAI Agent SDK 공식 문서는 *"적은 노력으로도 강력한 에이전트를 만들 수 있고, 필요하면 무엇이든 바꿀 수 있을 만큼 유연하다"*는 점을 강조하고 있습니다. 또한 다양한 내장 기능과 개발 도구들을 제공하여 신뢰성 높은 에이전트를 제작하고 관리할 수 있음을 밝히고 있습니다.

실전 적용 사례

Agent SDK는 다양한 분야에서 실용적인 AI 에이전트를 구축하는 데 활용될 수 있습니다

. 다음은 이 SDK가 사용된 혹은 사용할 수 있는 대표적인 사례들입니다:

지능형 챗봇 및 고객 지원: Agent SDK를 사용하면 고객 문의에 자동으로 답변하는 챗봇이나, 내부 지식 기반을 활용하는 AI 고객 지원 도우미를 만들 수 있습니다. 실제 OpenAI도 이 SDK가 고객 지원 자동화, 세일즈 영업 지원 등 대화형 에이전트 분야에 활용될 수 있다고 소개하고 있습니다
. 예를 들어, 사용자의 계정 문의나 주문 취소 요청에 대해 관련 정보를 조회하고 적절한 해결책을 제시하는 챗봇을 구현할 수 있습니다. 이러한 에이전트는 시간대나 업무량과 상관없이 일관된 지원을 제공하여 고객 만족도를 높일 수 있습니다.
업무 프로세스 자동화 (RPA): 사람의 개입 없이 반복적인 업무를 자동화하는 에이전트를 구축할 수 있습니다. 특히 OpenAI가 제공하는 컴퓨터 제어 툴을 활용하면, 웹 브라우저나 데스크톱 응용 프로그램 상에서 마우스/키보드 작업을 수행하는 RPA 기능의 에이전트를 만들 수 있습니다. 예를 들어, 어떤 회사에서는 Agent SDK 기반 에이전트를 활용해 수작업으로 처리하던 데이터를 시스템에 입력하고 검증하는 일을 자동화하여, 기존 솔루션으로는 몇 달이 걸리던 작업을 불과 며칠 만에 구현해낸 사례가 있습니다
. 이처럼 Agent SDK를 이용한 자동화 에이전트는 사무 업무, 데이터 정리, 웹 크롤링 등 다양한 분야에서 사람의 부담을 덜어주고 효율성을 높일 수 있습니다.
데이터 검색 및 분석 도구: 방대한 문서나 데이터에서 필요한 정보를 찾아 요약하거나, 여러 출처의 데이터를 통합하여 인사이트를 도출하는 에이전트도 구현 가능합니다. 예를 들어, 기업의 내부 데이터베이스와 인터넷 뉴스를 모두 참조하여 최신 동향을 분석해주는 리서치 에이전트를 만들 수 있습니다. 실제로 클라우드 저장소 업체인 Box는 Agent SDK와 웹 검색 툴을 활용해, 사내 문서(비정형 데이터)와 공개 웹 자료를 동시에 검색하고 질의응답을 수행하는 지능형 데이터 분석 에이전트를 개발했습니다. 이 밖에도 Agent SDK의 코드 실행 능력을 활용하여 데이터셋에 대한 요약 및 통계 분석을 자동으로 수행하는 등, 다양한 데이터 분석 시나리오에 적용할 수 있습니다.
. 이를 통해 사용자는 최신 외부 정보와 사내 정보를 결합한 통찰을 얻을 수 있었는데, 예컨대 금융 서비스 기업에서는 내부 시장 분석 리포트와 실시간 경제 뉴스를 결합해 투자 의사결정에 참고하는 맞춤형 에이전트를 구현할 수 있습니다

以上와 같이, OpenAI Agent SDK는 챗봇, 자동화 시스템, 데이터 분석 도구 등 광범위한 영역에서 활용 가능한 강력한 도구입니다. 공식 SDK와 문서를 통해 기본을 익힌 후에는, 자신의 프로젝트에 맞게 에이전트를 커스터마이징하고 확장하여 창의적인 AI 솔루션을 만들어보세요. OpenAI Agent SDK를 활용한 에이전트 개발은 비교적 간단하면서도 그 활용 가능성은 매우 다양하므로, 초급 단계에서 익힌 개념을 바탕으로 작은 실험을 거듭하다 보면 곧 실제 현업에 적용할 수 있는 수준의 에이전트를 구축할 수 있을 것입니다.

저작자표시 비영리 변경금지 (새창열림)

Imitaion .NET