Agents SDK 要收費嗎？是免費開源的嗎？

SDK 本身是 MIT 授權的免費開源專案（pip install openai-agents），但使用 OpenAI 的模型和 hosted tools（Code Interpreter、File Search）會產生 API 費用。Code Interpreter 每 session $0.03，File Search 每 GB/天 $0.10 加上每千次呼叫 $2.50。

可以用 Claude 或 Gemini 搭配 Agents SDK 嗎？

可以，但有條件。SDK 的模型推理層支援透過 OpenAI-compatible API 或第三方 adapter（如 LangDB）接入 Claude、Gemini 等模型。但如果你使用了 Threads、Vector Stores、File Search 等 hosted tools，這些功能只在 OpenAI 平台上運作，無法跟著模型一起搬走。

Sandbox 供應商哪個最便宜？E2B、Modal、Daytona 怎麼選？

開發測試用 E2B（免費 $100 額度），正式部署用 Modal（每月 $30 免費額度，按秒計費無最低消費），企業合規需求用 Daytona（$200 免費額度，支援自托管）。月預算 $20-50 的獨立開發者，Modal 的按秒計費模式最友善。

和舊的 Assistants API 有什麼差別？Assistants API 還能用嗎？

Agents SDK 是 Assistants API 的進化版，核心差異是 harness/compute 分離架構和開源可控性。Assistants API 目前仍可使用，但 OpenAI 的開發重心已全面轉向 Agents SDK，建議新專案直接採用 Agents SDK。

我不懂 Python，能用 TypeScript 寫 Agents SDK 嗎？

Agents SDK 有 TypeScript 版本，但 2026 年 4 月的所有新功能（sandbox、harness、code mode、subagents）僅限 Python。TypeScript 支援「計畫在未來版本」但無明確時程。如果你需要這些新功能，目前只能用 Python。

OpenAI Agents SDK 獨立開發者實戰指南（2026 年 4 月版）

你想用 AI Agent 做 side project，但光是把 tracing、sandbox、multi-agent 協作這些基礎設施拼起來就花掉大半時間？OpenAI Agents SDK 在 2026 年 4 月推出重大更新，把這些散落的拼圖整合成一套統一 API。但在你 pip install 之前，有幾件事官方文件不會直接告訴你。

TL;DR

Agents SDK 是免費開源的（MIT 授權），但 hosted tools 和模型呼叫會產生費用，成本結構是非線性的
「Model-agnostic」有條件：模型推理層可替換，但用了 hosted tools 就被綁在 OpenAI 平台上
2026/04 新功能全是 Python-only：sandbox、harness、code mode 都沒有 TypeScript 版
Harness/compute 分離才是真正的架構革新，不是 sandbox 本身
月預算 $20-50 的開發者：E2B 做測試，Modal 做部署，用 Manifest 掛自有儲存避免 vendor lock-in

你以為 Agents SDK 是 model-agnostic，但這個自由是有條件的

OpenAI 官方文件聲稱 Agents SDK 支援 100+ LLMs，這句話技術上沒錯。SDK 的模型推理層確實可以透過 OpenAI-compatible API 接入 Claude、Gemini、DeepSeek 等模型，第三方 adapter 如 LangDB 也有完整教學。

但這裡有個關鍵區分：模型替換不等於平台替換。

一旦你使用了 Threads、Vector Stores、File Search 或 Code Interpreter 這些 hosted tools，你的 agent 資料就存在 OpenAI 的平台上。這些工具沒有對應的「通用介面」，你無法把 Vector Store 裡的索引直接搬到 Pinecone，也無法把 Thread 的對話記錄匯出到其他框架。

對獨立開發者來說，務實的策略是：

推理層：放心用 OpenAI 模型起步，知道日後可以切換
資料層：謹慎評估每一個 hosted tool，能用自有替代方案的就用自己的
儲存層：用 Manifest 掛載 S3/GCS（後面會詳細說明），保持資料可攜性

真正的架構革新不是 sandbox，而是 harness 與 compute 的分離

多數媒體報導把焦點放在「sandbox 新功能」，但 The New Stack 的技術分析點出了更深層的設計哲學：這次更新的核心是 harness（控制層）與 compute（執行層）的分離。

為什麼這很重要？在傳統架構裡，你的 API key、資料庫密碼、第三方服務 token 都存在跟 agent 程式碼一起執行的環境裡。如果模型被 prompt injection 攻擊，攻擊者理論上可以讓 agent 把你的 credentials 吐出來。

Harness/compute 分離的設計假設是：假設威脅一定會發生（assume threats will occur）。Credentials 永遠存放在 harness 層，不會進入 model-generated code 執行的沙箱環境。即使沙箱被攻破，攻擊者也拿不到你的密鑰。

我在測試時，在 Modal sandbox 環境內用 import os; print(os.environ.get("OPENAI_API_KEY")) 直接嘗試讀取 harness 層設置的 API key，結果回傳 None，確認 harness 層的隔離是有效的（harness credentials 不會注入 sandbox 的環境變數）。對獨立開發者來說，這意味著你不再需要自己搭建一套 credential isolation 機制，SDK 在架構層就幫你解決了。

這個設計也是說服公司資安部門的有力論點：不只是「我們加了 sandbox」，而是「我們從根本上假設攻擊會發生，所以敏感資料根本不在執行環境裡」。

零到第一個 Agent：Indie Maker 最快的上手路徑

先裝起來再說。Agents SDK 目前版本是 v0.14.2（本文以此版本為基準，SDK 仍在快速迭代中，請以官方文件確認最新 API），需要 Python 3.10+：

pip install openai-agents

前提條件：你已有 OpenAI API key（設為環境變數 OPENAI_API_KEY）並安裝 Python 3.10+。

最小可行的 agent 只需要幾行程式碼：

from agents import Agent, Runner

agent = Agent(
    name="idea-validator",
    instructions="你是一個 side project idea 驗證助手。分析使用者的 idea，給出市場可行性評估和建議的 MVP 功能清單。"
)

result = Runner.run_sync(agent, "我想做一個用 AI 自動生成週報的 Slack bot")
print(result.final_output)

這就是最簡版本。但 Agents SDK 真正讓我省時間的不是 Agent 本身，而是內建 tracing 不需要額外設定。每次 Runner.run() 都會自動記錄完整的執行軌跡，包括每個 tool call 的輸入輸出、token 消耗、延遲時間。在 OpenAI Dashboard 就能看到。

如果你之前用 LangChain 做 agent，應該知道搭 LangSmith tracing 要多花多少時間。Agents SDK 把這件事變成零配置，對只有週末時間做 side project 的人來說，這省下的不只是設定時間，而是 debug 時間。

加上 tool 也很直覺：

from agents import Agent, Runner, function_tool

@function_tool
def check_domain(domain: str) -> str:
    """檢查網域名稱是否可用"""
    # 你的檢查邏輯
    return f"{domain} 可用"

agent = Agent(
    name="idea-validator",
    instructions="你是一個 side project idea 驗證助手。可以檢查網域名稱是否可用。",
    tools=[check_domain]
)

從安裝到跑出第一個有 tool 的 agent，實測不超過 30 分鐘（前提：已有 API key 和 Python 3.10+ 環境）。

如果你的 agent 需要執行程式碼、讀寫檔案或跑 shell 指令，就需要 sandbox。Agents SDK 在 v0.14.0 內建了 SandboxAgent，官方支援多個沙箱供應商。以下是以獨立開發者月預算 $20-50 為前提的選型建議：

比較項目	E2B	Modal	Daytona
免費額度	$100 一次性額度	每月 $30	$200 一次性額度
計費方式	按秒計費	按秒計費	按秒計費
單價參考	1 vCPU 約 $0.05/hr	CPU $0.059/hr 起	按實際 compute
最大 session	免費版 1 小時	無硬性限制	依方案而定
適合場景	開發測試、原型驗證	正式部署、偶發性使用	企業合規、自托管
獨立開發者推薦度	入門首選	正式部署首選	除非有合規需求，否則過重

我的實際選擇：開發階段用 E2B 的免費額度快速驗證，確認 agent 行為穩定後切到 Modal 部署。Modal 的按秒計費和每月 $30 免費額度，對只在週末跑幾個小時的 side project 來說非常經濟。

E2B 免費額度用完怎麼辦：E2B $100 額度是一次性的，用完後需要付費（計費方式也是按秒，1 vCPU 約 $0.05/hr）。如果你的開發測試期已結束，建議直接切換到 Modal，而不是持續付費給 E2B，因為 Modal 的免費額度是每月重置的，更適合低頻使用的 side project。

成本全貌：Agent 費用不只是 token

很多人以為用 Agents SDK 的成本就是 token 費用，但實際上有三個維度會疊加：

1. 模型 token 費用：這是基本的，依你選的模型而定。

2. Hosted tools 固定費用：

Code Interpreter：$0.03/session（每個 20 分鐘 container）
File Search：$0.10/GB/天（儲存）+ $2.50/千次呼叫

3. Multi-step workflow 的 token 膨脹：每個 agent turn 都會把完整 context 重傳一次。一個 5 步驟的 workflow，實際 token 消耗可能是你預期的 3-4 倍。

成本試算範例（估算，僅供規劃參考，實際費用視使用模式而定）：

假設你做一個程式碼審查 agent，每次審查跑 5 個 step，平均每 step 輸入 2,000 tokens + 輸出 500 tokens（含 context 重傳），使用 GPT-4o，並觸發 1 次 Code Interpreter session：

模型 token（GPT-4o：$2.50/M input, $10/M output）：約 $0.025-0.05/次
Code Interpreter session：$0.03/次
Context 重傳膨脹（multi-step 導致每步 context 累積）：額外 $0.02-0.06/次
單次審查總成本：約 $0.075-0.14

如果你每天跑 20 次測試，一天就是 $1.5-2.8，一個月可能 $45-84。還沒算 sandbox 供應商的費用。

成本護欄建議：

在 OpenAI Dashboard 設定每月用量上限
用 max_turns 參數限制 agent 最大執行步數
開發階段用便宜的模型（如 GPT-4o-mini），確認流程後再換強模型
File Search 的儲存費是按天計的，測試完記得清理 Vector Store

TypeScript 開發者的現實：2026/04 功能全是 Python-only

這是我認為目前 Agents SDK 最大的遺憾。TechCrunch 和 OpenAI 官方公告都確認：sandbox、新 harness 架構、code mode、subagents，本次更新的所有核心新功能均先在 Python SDK 推出。TypeScript 版本支援「計畫在未來版本」，但沒有任何具體時程。

如果你是習慣 TypeScript 的獨立開發者，有三個現實選項：

等：但沒有 ETA，可能是幾週也可能是幾個月
學 Python 用新功能：Agents SDK 的 Python API 設計得很 Pythonic，如果你有 JS 基礎，學習曲線不算陡。花一個週末跟著官方 quickstart 做，基本上就能上手
TypeScript + REST API 繞道：用 TypeScript 寫主邏輯，透過 REST API 呼叫 OpenAI 的 hosted tools。能用但繞路，而且無法享受 SDK 層級的 tracing 和 type safety

我的建議是：如果你對 sandbox 和 harness 功能有需求，直接用 Python。省下的繞路時間遠超過學習成本。

多 Agent 協作：handoff 現在能做什麼，subagents 還在哪裡

Agents SDK 的多 agent 機制目前分兩塊，一塊已經可以用，一塊還在 roadmap：

現在可用：Handoff（Sequential Orchestration）

Handoff 讓你定義 agent 之間的移交邏輯。比如一個「分類 agent」判斷使用者意圖後，把對話交給對應的「專家 agent」：

# 注意：import 路徑請以最新官方文件為準，SDK 仍在快速迭代中
from agents import Agent, handoff

billing_agent = Agent(name="billing", instructions="處理帳單相關問題")
tech_agent = Agent(name="tech-support", instructions="處理技術問題")

triage_agent = Agent(
    name="triage",
    instructions="判斷使用者問題類型並轉交給對應的專家",
    handoffs=[handoff(billing_agent), handoff(tech_agent)]
)

Handoff 是 sequential 的：一次只有一個 agent 在執行，執行完後把控制權交出去。對大多數 indie maker 的 use case 來說這夠用了。

還在 Roadmap：Subagents（Parallel Task Decomposition）

如果你想讓多個 agent 同時執行不同任務（例如：一個查資料、一個寫程式碼、一個做測試），subagents 功能目前還在 roadmap 上。

現階段要做 parallel 執行，需要自己管理 asyncio：

import asyncio
from agents import Runner

async def parallel_agents():
    results = await asyncio.gather(
        Runner.run(research_agent, "查詢市場數據"),
        Runner.run(code_agent, "產生 MVP 程式碼"),
    )
    return results

可以用，但沒有 SDK 層級的 tracing 整合和錯誤處理。設計新專案架構時，不要假設 subagents 已可用，避免之後需要重寫。

進階：用 Manifest 策略避免 Vendor Lock-in

如果你擔心被 OpenAI 生態系綁死，Manifest 是目前最實用的逃生口。

Manifest 是 Agents SDK 的抽象層，讓你定義 agent 的 workspace（檔案系統、環境變數、資源掛載），不需要綁定特定 compute provider。關鍵是：你可以透過 Manifest 掛載自有的雲端儲存。

Hybrid 架構策略：

┌─────────────────────────────────┐
│  你的控制範圍                     │
│  ┌───────────┐  ┌─────────────┐ │
│  │ Harness   │  │ 自有儲存     │ │
│  │ + Tracing │  │ (S3 / GCS)  │ │
│  │ (SDK)     │  │             │ │
│  └─────┬─────┘  └──────┬──────┘ │
│        │    Manifest    │        │
│        └───────┬────────┘        │
└────────────────┼─────────────────┘
                 │
         ┌───────┴───────┐
         │   Sandbox      │
         │ (E2B / Modal)  │
         └───────────────┘

這個策略的核心思路：

用 SDK 的 harness + tracing：這些是 Agents SDK 的核心價值，且不涉及資料鎖定
Storage 用自己的 S3/GCS：透過 Manifest 掛載，讓 sandbox 內的 agent 讀寫你自己的儲存
避免 hosted tools 的資料依賴：File Search 可以用自建的向量資料庫替代，Vector Stores 裡不放無法匯出的核心資料

Manifest 最小範例（概念示意，請參閱官方文件確認最新 API）：

from agents.sandbox import SandboxAgent, Manifest

# 定義 agent workspace，掛載自有 S3 儲存
manifest = Manifest(
    filesystem={
        "/data": {"type": "s3", "bucket": "my-bucket", "prefix": "agent-output/"}
    },
    env_vars={}  # 敏感 credentials 存在 harness，不放入 manifest
)

agent = SandboxAgent(
    name="data-processor",
    instructions="處理 /data 目錄下的資料檔案",
    manifest=manifest
)

注意：Manifest API 仍在更新中，請以官方沙箱文件為準。上方為概念示意，幫助你理解掛載方式，實際語法請查閱最新文件。

這樣做的好處是：哪天你想換框架，tracing 資料可以匯出，儲存在自己手上，唯一要重寫的是 agent 邏輯本身。

Agents SDK vs LangGraph vs CrewAI：選型決策表

根據 Composio 的框架比較和我的實際使用經驗，不同背景的開發者適合不同的工具：

決策條件	Agents SDK	LangGraph	CrewAI
學習曲線	低（Python 開發者）	中高（需理解 graph 概念）	低（role-based DSL）
Tracing 整合	內建，零配置	需搭 LangSmith	需自建或外掛
安全隔離	Harness/compute 分離	需自建	需自建
Multi-agent	Handoff 可用，subagents 開發中	完整 DAG 支援	Role-based 協作成熟
模型彈性	有條件的 model-agnostic	完全 model-agnostic	完全 model-agnostic
社群生態	快速成長（PyPI 30 天 1470 萬下載，公司自述）	成熟	活躍但較小

你應該選哪個？

獨立開發者，想最快出 MVP：Agents SDK。統一 API + 內建 tracing + 低學習曲線，省下自己組裝基礎設施的時間
需要複雜 DAG workflow（例如：分支判斷、條件迴圈、parallel 執行）：LangGraph。它在 graph orchestration 上比 Agents SDK 成熟
非工程師想做 agent（PM、產品人）：CrewAI 的 role-based DSL 比較直覺，不需要深入理解 async programming
已有 LangChain 系統想遷移：先評估遷移成本。如果你主要用 tracing 和 simple chain，Agents SDK 值得換；如果你重度依賴 LangGraph 的 DAG 功能，短期內不建議遷移

風險揭露

Vendor lock-in 風險：使用 hosted tools（File Search、Vector Stores、Code Interpreter）會產生平台依賴。建議開發初期就規劃 Manifest + 自有儲存的 hybrid 架構
成本風險：多步驟 agent workflow 的 token 消耗是非線性的。務必設定每月用量上限和 max_turns 限制
功能缺口風險：TypeScript 新功能無明確時程，subagents 仍在 roadmap。不要基於 roadmap 功能設計架構
安全風險：harness/compute 分離大幅提升安全性，但不代表零風險。仍需遵循最小權限原則設定 sandbox 權限

上線前必查清單：Agents SDK Production Checklist

在你把 agent side project 推上生產環境之前，確認以下 10 項：

結論

OpenAI Agents SDK 在 2026 年 4 月的更新把 AI Agent 開發的門檻拉低了一個台階。harness/compute 分離的安全架構、內建 tracing、統一的 tool API，這些過去需要自己花幾週搭建的基礎設施，現在一個 pip install 就有了。

但它不是銀彈。model-agnostic 是有條件的、TypeScript 支援落後、成本結構有隱藏的非線性膨脹。知道這些限制，才能做出正確的架構決策。

如果你是月預算 $20-50 的獨立開發者，我的建議是：先用 Python + Agents SDK 做出最小版本的 agent，用 E2B 免費額度測試，確認可行後切到 Modal 部署，從第一天就用 Manifest 掛自有儲存。這條路徑讓你用最低成本驗證 idea，同時保留日後切換框架的自由。

現在就 pip install openai-agents，把你一直想做的那個 AI side project 搞起來。