OpenAI place le moteur de Codex derrière une seule API

L’Agents API donne aux développeurs accès au moteur agentique de Codex, avec sessions persistantes, outils, sous-agents et environnements d’exécution gérés ou auto-hébergés.

Un agent reçoit une mission, ouvre des fichiers, exécute du code, interroge des services externes, délègue plusieurs recherches et reprend son travail après une interruption. Jusqu’ici, assembler ce fonctionnement demandait de construire une bonne partie de l’infrastructure autour du modèle. OpenAI propose désormais de la fournir comme un service.

L’Agents API entre en bêta publique pour tous les développeurs. Elle expose le même moteur agentique que celui utilisé par Codex, avec une interface chargée de gérer les sessions, les outils, le contexte, les environnements de calcul, les sous-agents et la reprise après une coupure.

Ce lancement ne correspond pas à un nouveau modèle. Le développeur choisit celui qui exécutera la tâche, GPT-6 Astra figurant dans les exemples publiés. La nouveauté se situe dans le « harness », la couche logicielle qui organise le travail autour du modèle et lui donne les moyens d’agir au-delà d’une réponse textuelle.

Un appel peut définir le modèle, les instructions, les outils disponibles, les identifiants de coffre-fort, le nombre de sous-agents et l’environnement d’exécution. Il peut aussi transmettre directement la première mission. L’API crée alors une session durable et renvoie les événements produits pendant son déroulement.

La distinction avec une simple requête adressée à un modèle est importante. Une réponse classique commence avec une entrée et se termine avec une sortie. Une session agentique conserve un état, enchaîne plusieurs appels au modèle, attend les résultats des outils, manipule des fichiers et peut demander une information supplémentaire avant de reprendre.

L’application cliente peut suivre l’avancement en streaming ou attendre des notifications envoyées par webhook. Elle peut ajouter une nouvelle instruction à une session terminée, mais aussi intervenir pendant une tâche pour corriger la direction prise. Fermer le flux d’événements n’annule pas automatiquement le travail en cours.

Cette persistance vise les missions qui durent plusieurs heures, voire plusieurs jours. OpenAI cite l’analyse d’incidents, la revue documentaire, l’exploration de dépôts logiciels et l’interrogation de bases de données. L’agent peut revenir sur les fichiers produits lors des tours précédents sans que l’application doive reconstituer tout son historique à chaque requête.

Le contexte du modèle ne devient pas illimité pour autant. À mesure qu’une session approche de sa capacité maximale, l’Agents API compacte automatiquement les échanges les plus anciens. Elle en conserve une synthèse afin que le travail puisse continuer dans une nouvelle fenêtre de contexte.

Cette opération évite aux développeurs d’écrire leur propre système de résumé et de transfert entre plusieurs fenêtres. Elle implique aussi qu’une partie de l’historique n’est plus présentée au modèle sous sa forme intégrale. Pour un projet long, les informations qui doivent rester exactes gagnent donc à être enregistrées dans des fichiers, une base de données ou un autre état structuré plutôt que confiées uniquement à la conversation.

L’agent peut utiliser des fonctions définies par l’application, des serveurs MCP et des outils intégrés comme la recherche web. Des compétences et des plugins peuvent compléter ses instructions avec des procédures spécialisées. Le système se rapproche ainsi d’un poste de travail configurable plutôt que d’un simple catalogue d’outils appelés ponctuellement.

Une fonction de recherche d’outils évite de charger toutes leurs définitions dans chaque requête. Le modèle découvre celles dont il a besoin en cours de travail. OpenAI cherche à réduire la place occupée par les descriptions techniques et à préserver le cache du début de la conversation, mais une recherche supplémentaire peut elle-même ajouter des appels et des résultats à traiter.

Le « programmatic tool calling » confie au modèle un environnement de code pour organiser plusieurs appels. Il peut les exécuter simultanément, les enchaîner et filtrer leurs résultats avant de ne renvoyer dans son contexte que les éléments utiles. L’intérêt devient sensible quand une tâche doit consulter de nombreux services ou parcourir un volume important de données.

Les sous-agents étendent cette logique à plusieurs contextes de travail. L’agent principal découpe la mission, attribue chaque partie à une instance distincte, attend les résultats puis prépare la synthèse. Une recherche peut, par exemple, répartir l’étude de plusieurs documents entre différents sous-agents plutôt que de les faire lire l’un après l’autre.

Chaque sous-agent garde son propre contexte. Cette séparation limite les interférences entre des missions indépendantes et réduit la quantité d’informations que chacun doit transporter. Ils partagent cependant le même système de fichiers lorsqu’un environnement d’exécution est utilisé, ce qui demande d’organiser les chemins et les droits d’accès si plusieurs tâches peuvent modifier les mêmes ressources.

La documentation multi-agent fixe à six le nombre de sous-agents simultanés par défaut, sans compter le coordinateur. Le développeur peut choisir une autre limite lors de la création de la session. Les sous-agents héritent des connexions MCP, des identifiants associés, de la recherche web et des outils en ligne de commande, mais ils ne prennent pas encore en charge les fonctions personnalisées.

Le parallélisme ne garantit pas systématiquement une exécution plus rapide. Une mission doit pouvoir être découpée en parties réellement indépendantes, puis réunie sans ajouter plus de coordination que de travail utile. Plusieurs sous-agents multiplient aussi les appels au modèle et peuvent relire chacun une partie du contexte. Une réduction de la latence peut donc s’accompagner d’une hausse de la consommation.

OpenAI publie le témoignage de Ciridae, qui dit avoir fait progresser son score d’évaluation de 0,71 à 0,85 et divisé par quatre la latence de son ancien système grâce aux sous-agents. Cette mesure vient d’un client présenté dans l’annonce. Le