OpenAI ha presentado una actualización del Agents SDK orientada a facilitar la creación de agentes capaces de trabajar con archivos, ejecutar comandos, editar código y completar tareas de larga duración dentro de entornos controlados. La idea central del anuncio es clara: para construir agentes útiles no basta con disponer de buenos modelos, también hace falta una infraestructura que permita operar de forma segura, organizada y adaptable.
La actualización introduce dos ejes principales. Por un lado, un harness nativo para el modelo, pensado para que los agentes trabajen mejor con archivos, herramientas y sistemas. Por otro, ejecución nativa en sandbox, para que ese trabajo pueda realizarse en entornos controlados con los recursos necesarios para cada tarea.
Un SDK pensado para pasar del prototipo a sistemas más completos
El texto parte de una premisa concreta: los desarrolladores necesitan algo más que un modelo avanzado si quieren construir agentes realmente útiles. Según OpenAI, esos agentes deben poder inspeccionar archivos, ejecutar código, usar herramientas y seguir trabajando a lo largo de muchos pasos.
En ese contexto, el anuncio plantea que las opciones actuales tienen limitaciones cuando los equipos intentan avanzar desde prototipos hacia producción:
- Los frameworks agnósticos respecto al modelo ofrecen flexibilidad.
- Los SDK de proveedores concretos pueden estar más cerca del modelo.
- Las APIs gestionadas simplifican el despliegue.
Sin embargo, OpenAI sostiene que esos enfoques también implican compromisos, ya sea en aprovechamiento de capacidades del modelo, visibilidad sobre el harness o control sobre el entorno donde se ejecuta el agente y accede a datos sensibles.
Un harness más capaz para el bucle del agente
Una de las piezas centrales de la actualización es la mejora del harness del Agents SDK. OpenAI lo describe como una infraestructura más capaz para agentes que trabajan con documentos, archivos y sistemas.
Entre las capacidades que incorpora ahora se incluyen:
- Memoria configurable.
- Orquestación consciente del sandbox.
- Herramientas de sistema de archivos similares a Codex.
- Integraciones estandarizadas con primitivas que OpenAI considera cada vez más comunes en sistemas de agentes avanzados.
El texto menciona de forma explícita varias de esas primitivas:
- Uso de herramientas mediante MCP.
- Divulgación progresiva mediante skills.
- Instrucciones personalizadas mediante AGENTS.md.
- Ejecución de código con la herramienta shell.
- Edición de archivos mediante apply patch.
La tesis de OpenAI es que el harness seguirá incorporando nuevos patrones y primitivas agentic con el tiempo, para que los desarrolladores dediquen menos esfuerzo a mantener la infraestructura base y más a la lógica específica de dominio que hace útil a cada agente.
Alinear la ejecución con el funcionamiento natural del modelo
Otro de los argumentos del texto es que el harness no solo aporta herramientas, sino que ayuda a que la ejecución se alinee con la forma en que los modelos funcionan mejor. Según OpenAI, eso permite mantener a los agentes más cerca de su patrón operativo natural.
La compañía vincula esa alineación con dos beneficios principales:
- Mejor fiabilidad.
- Mejor rendimiento en tareas complejas.
Ese punto cobra especial relevancia, según el artículo, cuando el trabajo es prolongado o cuando el agente debe coordinarse con un conjunto diverso de herramientas y sistemas.
Al mismo tiempo, OpenAI subraya que no todos los productos encajan en un único molde. Por eso presenta el Agents SDK como una infraestructura que quiere ser, a la vez, lista para usar y flexible, de forma que cada equipo pueda adaptarla a su propia pila tecnológica, incluyendo herramientas, memoria y entorno sandbox.
Ejecución nativa en sandbox para trabajar de forma controlada
La segunda gran novedad del anuncio es el soporte nativo para sandbox execution. Con esta capacidad, los agentes pueden ejecutarse en entornos informáticos controlados que incluyen los archivos, herramientas y dependencias que necesitan para una tarea concreta.
OpenAI plantea que muchos agentes útiles requieren un espacio de trabajo donde puedan:
- Leer y escribir archivos.
- Instalar dependencias.
- Ejecutar código.
- Usar herramientas de forma segura.
La idea es que esta capa de ejecución ya no tenga que montarse manualmente desde cero, sino que llegue integrada en el SDK.
El texto indica además que los desarrolladores pueden optar por aportar su propio sandbox o utilizar el soporte integrado para varios proveedores, entre ellos:
- Blaxel
- Cloudflare
- Daytona
- E2B
- Modal
- Runloop
- Vercel
Un manifiesto para describir el espacio de trabajo del agente
Para hacer portables esos entornos entre distintos proveedores, la actualización introduce una abstracción llamada Manifest. Su función es describir el espacio de trabajo del agente.
Según OpenAI, este manifiesto permite:
- Montar archivos locales.
- Definir directorios de salida.
- Incorporar datos desde proveedores de almacenamiento.
Entre los servicios de almacenamiento citados aparecen:
- AWS S3
- Google Cloud Storage
- Azure Blob Storage
- Cloudflare R2
La utilidad que OpenAI atribuye a esta capa es doble. Por una parte, ofrece una forma consistente de configurar el entorno del agente desde el prototipo local hasta el despliegue en producción. Por otra, da al modelo un espacio de trabajo predecible: dónde encontrar entradas, dónde escribir salidas y cómo mantener el trabajo organizado durante tareas de larga duración.
Separar harness y cómputo como decisión de seguridad y escalabilidad
Uno de los bloques más claros del texto se centra en la separación entre harness y compute. OpenAI sostiene que los sistemas de agentes deben diseñarse asumiendo la existencia de intentos de prompt injection y de exfiltración.
Desde esa premisa, separar ambas capas aporta varias ventajas.
Seguridad
La separación ayuda a mantener las credenciales fuera de los entornos en los que se ejecuta código generado por el modelo. Esa es una de las razones principales que OpenAI ofrece para defender este diseño.
Durabilidad
El texto también subraya que esta arquitectura permite una ejecución más durable. Si el estado del agente está externalizado, perder un contenedor sandbox no implica perder toda la ejecución.
OpenAI señala que, con snapshotting y rehydration integrados, el SDK puede:
- Restaurar el estado del agente en un contenedor nuevo.
- Reanudar la ejecución desde el último punto de control.
- Continuar aunque el entorno original falle o expire.
Escala
Por último, la compañía presenta esta separación como una base para escalar mejor los agentes. Según el artículo, una ejecución puede utilizar uno o varios sandboxes, activar esos entornos solo cuando sea necesario, enrutar subagentes a entornos aislados y paralelizar trabajo entre contenedores para acelerar la ejecución.
Disponibilidad y precio
OpenAI indica que estas nuevas capacidades del Agents SDK están ya generalmente disponibles para todos los clientes a través de la API.
En cuanto al precio, el texto especifica que se aplica la tarificación estándar de la API, basada en:
- Tokens
- Uso de herramientas
Qué viene después
El anuncio también adelanta varias líneas de evolución del producto. OpenAI afirma que seguirá ampliando lo que los desarrolladores pueden construir con el Agents SDK, con el objetivo de facilitar la llegada de agentes más capaces a producción con menos infraestructura personalizada, sin perder flexibilidad ni control.
Entre los siguientes pasos mencionados figuran:
- El lanzamiento inicial del nuevo harness y las capacidades de sandbox en Python.
- Soporte para TypeScript en una futura versión.
- Trabajo adicional para llevar capacidades como code mode y subagents tanto a Python como a TypeScript.
- Ampliación del ecosistema con más proveedores de sandbox, más integraciones y más formas de conectar el SDK con herramientas y sistemas ya utilizados por los equipos.
La tesis del anuncio
El texto no presenta esta actualización solo como una mejora incremental del SDK. Lo que plantea es una propuesta más amplia: ofrecer una infraestructura estandarizada para crear agentes capaces de trabajar con archivos, sistemas y herramientas en tareas más complejas, largas y controladas.
La idea más repetida del artículo puede resumirse así:
- Los agentes útiles necesitan algo más que buenos modelos.
- Ese “algo más” incluye entorno de ejecución, herramientas, memoria, organización del trabajo y control del contexto.
- OpenAI quiere que el Agents SDK cubra esa base de forma más completa.
Fuente
Fuente
OpenAI, “The next evolution of the Agents SDK”, OpenAI, 2026.