> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# OpenAI의 AI Agent 전략

> 이 문서는 **[GenAI 개념](/blog/guides/genai-concepts/overview)** 섹션의 일부입니다.

## 2. Agents SDK -- 멀티에이전트 오케스트레이션

### 배경: Swarm에서 Agents SDK로

| 구분    | Swarm (2024.10) | Agents SDK (2025.03)       |
| ----- | --------------- | -------------------------- |
| 성격    | 실험적 교육용 프레임워크   | 프로덕션 레디 SDK                |
| 지원 언어 | Python만         | Python + TypeScript        |
| 모델    | OpenAI만         | 모델 무관(Model-agnostic)      |
| 추적    | 없음              | 내장 Tracing + OpenTelemetry |
| MCP   | 없음              | 네이티브 지원                    |

### 4가지 핵심 구성 요소

#### (1) Agent -- 역할 정의

```python theme={null}
from agents import Agent, Runner

sales_agent = Agent(
    name="Sales Agent",
    instructions="""당신은 영업팀 전문 상담사입니다.
    - 제품 가격, 라이선스, 할인 정책에 대해 정확히 답변하세요.
    - 기술적 질문은 직접 답하지 말고, 기술 상담 에이전트로 넘기세요.""",
    model="gpt-4.1",
    tools=[pricing_tool, crm_lookup_tool],
)
```

#### (2) Handoff -- 에이전트 간 위임

```python theme={null}
from agents import Agent, handoff

tech_agent = Agent(
    name="Tech Support Agent",
    instructions="기술적인 질문에 답변합니다.",
    tools=[docs_search_tool, code_executor_tool],
    handoffs=[handoff(sales_agent)],
)

triage_agent = Agent(
    name="Triage Agent",
    instructions="""사용자 요청을 분류하여 적절한 에이전트로 라우팅하세요.""",
    handoffs=[handoff(sales_agent), handoff(tech_agent)],
)
```

#### (3) Guardrail -- 입출력 안전장치

Guardrail은 에이전트의 입력과 출력을 **자동으로 검증** 합니다. 별도의 Safety Agent가 입력을 판단하고, `tripwire_triggered`로 차단 여부를 결정합니다.

#### (4) Tracing -- 실행 추적

Runner.run()을 호출하면 자동으로 트레이스가 생성되며, OpenTelemetry 프로토콜을 지원하여 기존 관측 인프라에 통합 가능합니다.

### 완성 예제: 멀티에이전트 고객 상담 시스템

```python theme={null}
from agents import Agent, Runner, handoff, trace
import asyncio

order_agent = Agent(
    name="Order Agent",
    instructions="주문 조회, 배송 상태 확인을 담당합니다.",
    tools=[lookup_order],
)

refund_agent = Agent(
    name="Refund Agent",
    instructions="환불, 반품 관련 문의를 처리합니다.",
    tools=[check_refund_policy],
)

triage_agent = Agent(
    name="Triage Agent",
    instructions="""고객 문의를 분류하여 적절한 에이전트로 전달하세요.""",
    handoffs=[handoff(order_agent), handoff(refund_agent)],
)

async def main():
    with trace("customer-support"):
        result = await Runner.run(
            triage_agent,
            "주문번호 ORD-2026-1234 배송이 언제 오나요?"
        )
        print(result.final_output)

asyncio.run(main())
```

***

## 3. Responses API -- Agent의 기반 API

### Chat Completions vs Responses API

| 비교 항목 | Chat Completions API      | Responses API                                                   |
| ----- | ------------------------- | --------------------------------------------------------------- |
| 출시    | 2023.03                   | 2025.03                                                         |
| 패러다임  | 단일 요청-응답                  | **에이전틱 루프**                                                     |
| 도구 호출 | function calling (개발자 구현) | **Built-in tools**                                              |
| 내장 도구 | 없음                        | `web_search`, `file_search`, `code_interpreter`, `computer_use` |

### Built-in Tools 상세

| 도구                 | 용도     | 설명                  |
| ------------------ | ------ | ------------------- |
| `web_search`       | 실시간 검색 | Bing/자체 인덱스 기반 웹 검색 |
| `file_search`      | 파일 검색  | 벡터 스토어에서 RAG 검색     |
| `code_interpreter` | 코드 실행  | Python 샌드박스에서 코드 실행 |
| `computer_use`     | 컴퓨터 제어 | 스크린샷 기반 GUI 자동화     |

> **주의**
> **Assistants API는 2026년 상반기 중 폐기 예정** 입니다. 새로운 Agent 프로젝트는 처음부터 Responses API를 권장합니다.

***

## 4. GPT-4.1 -- Agent 특화 모델

GPT-4.1(2025년 4월)은 OpenAI가 **처음으로 "Agent용"을 명시적으로 표방한** 모델입니다.

| 개선 영역                     | 내용                       |
| ------------------------- | ------------------------ |
| **Instruction Following** | 시스템 프롬프트의 복잡한 규칙을 정확히 준수 |
| **Tool Calling 신뢰성**      | Function calling 정확도 향상  |
| **Long Context 처리**       | 1M 토큰 컨텍스트               |

### 가격 비교

| 모델               | Input (1M tokens) | Output (1M tokens) | 컨텍스트 |
| ---------------- | ----------------- | ------------------ | ---- |
| **GPT-4.1**      | \$2.00            | \$8.00             | 1M   |
| **GPT-4.1 mini** | \$0.40            | \$1.60             | 1M   |
| **GPT-4.1 nano** | \$0.10            | \$0.40             | 1M   |

> **성공**
> **비용 최적화 팁**: Triage Agent에 **nano**, Specialist Agent에 **mini** 또는 **4.1**, 최종 품질 중요한 응답에만 **4.1** 을 사용하면 비용을 90% 이상 절감할 수 있습니다.

## 5. Codex -- 코딩 에이전트

### Cloud Codex vs CLI Codex

| 구분    | Cloud Codex       | CLI Codex       |
| ----- | ----------------- | --------------- |
| 환경    | ChatGPT 내 클라우드 실행 | 로컬 터미널          |
| 실행 방식 | 샌드박스 VM에서 자율 실행   | 로컬 repo에서 직접 실행 |
| 소스    | SaaS              | **오픈소스 (Rust)** |
| 주요 용도 | PR 생성, 리팩토링       | 로컬 개발 보조        |

***

## 6. Operator & Deep Research

### Operator -- 브라우저 자동화 에이전트

Computer-Using Agent(CUA) 기술 기반. 스크린샷 → 분석 → 클릭/타이핑 → 새 스크린샷의 반복 루프로 작동합니다. 민감한 작업 시 사용자에게 제어권을 반환합니다.

### Deep Research -- 자율 리서치 에이전트

o3 모델 기반으로, 5\~30분에 걸쳐 수십 개의 웹 페이지를 탐색하여 **구조화된 보고서** 를 생성합니다. 사람이 며칠간 할 리서치를 자동화하는 개념입니다.

### ChatGPT Agent Mode로의 통합

2025년 7월, Operator + Deep Research + 기존 도구들을 **ChatGPT Agent Mode** 라는 통합 경험으로 결합했습니다. o3가 최초로 ChatGPT의 모든 도구를 에이전틱하게 사용할 수 있는 모델입니다.

***

## 7. 추론 모델 (o3, o4-mini)

o3과 o4-mini는 **체인 오브 쏘트(Chain-of-Thought) 추론 중에 도구를 호출** 할 수 있는 최초의 모델입니다.

| 모델          | Input (1M) | Output (1M) | 특징                          |
| ----------- | ---------- | ----------- | --------------------------- |
| **o3**      | \$10.00    | \$40.00     | 최고 추론 성능                    |
| **o4-mini** | \$1.10     | \$4.40      | o3 대비 80% 저렴, 추론 성능의 90% 유지 |
| GPT-4.1     | \$2.00     | \$8.00      | 추론 없음. 빠른 응답, Agent 최적화     |

> **주의**
> **o3 vs GPT-4.1 선택 기준**: 정확한 추론이 필수 → o3, 빠른 응답과 도구 활용이 중요 → GPT-4.1

***

## 8. GPT-5 / GPT-5.2 -- 최신 모델 동향

| 모델          | 출시        | 주요 특징                     |
| ----------- | --------- | ------------------------- |
| **GPT-5**   | 2025년 중반  | 전반적 성능 도약. 추론+생성 통합       |
| **GPT-5.2** | 2025년 12월 | 환각 30% 감소. 가장 신뢰할 수 있는 모델 |

***

## 9. Databricks 환경에서의 시사점

### OpenAI 모델을 Databricks에서 사용하는 방법

| 방법                        | 설명                                | 적합한 경우         |
| ------------------------- | --------------------------------- | -------------- |
| **Foundation Model APIs** | Databricks가 호스팅하는 모델              | 오픈소스 모델 사용 시   |
| **External Models**       | 외부 모델을 Model Serving endpoint로 래핑 | OpenAI 모델 필요 시 |
| **직접 API 호출**             | 코드에서 OpenAI API 직접 호출             | 간단한 프로토타이핑     |

```python theme={null}
import mlflow.deployments
client = mlflow.deployments.get_deploy_client("databricks")

response = client.predict(
    endpoint="openai-gpt-4-1",
    inputs={
        "messages": [
            {"role": "system", "content": "당신은 데이터 분석 전문가입니다."},
            {"role": "user", "content": "매출 트렌드를 분석해주세요."},
        ],
        "temperature": 0.1,
    },
)
```

> **성공**
> **External Models의 장점**: OpenAI API 키를 개발자에게 직접 배포하지 않고, Databricks의 **거버넌스와 모니터링** 을 통해 중앙 관리할 수 있습니다.

### Agents SDK + Databricks Agent Framework 조합

| 시나리오                    | 권장 조합                                                  |
| ----------------------- | ------------------------------------------------------ |
| Databricks 데이터 기반 Agent | **Databricks Agent Framework**                         |
| 외부 시스템 연동 멀티에이전트        | **OpenAI Agents SDK**                                  |
| 하이브리드                   | Agents SDK로 오케스트레이션 + Databricks Model Serving으로 모델 호출 |

***

## 10. 고객이 자주 묻는 질문

### Q1. Chat Completions API를 당장 Responses API로 바꿔야 하나요?

아니요, 당장은 아닙니다. 다만 새로운 Agent 프로젝트는 처음부터 Responses API를 권장합니다.

### Q2. Agents SDK vs LangGraph vs Databricks Agent Framework?

| 기준       | OpenAI Agents SDK | LangGraph | Databricks Agent Framework |
| -------- | ----------------- | --------- | -------------------------- |
| 복잡도      | 낮음                | 높음        | 중간                         |
| 데이터 거버넌스 | 별도 구현             | 별도 구현     | Unity Catalog 내장           |
| 추천 상황    | OpenAI 중심 멀티에이전트  | 복잡한 워크플로우 | Databricks 데이터 중심 Agent    |

### Q3. GPT-4.1과 o3 중 어떤 모델을 Agent에 사용해야 하나요?

대부분의 Agent에는 GPT-4.1이 적합합니다. o3는 수학적 추론이나 복잡한 논리 문제에서 우수합니다.

### Q4. OpenAI Agent 기술을 Databricks 환경에서 사용할 때 보안/거버넌스는?

**External Models + Unity Catalog 조합을 권장합니다.** API 키를 Databricks Secret으로 관리하고, External Model endpoint로 래핑하여 노출하지 않습니다.

***

## 11. 참고 자료

| 자료                 | 링크                                                                                                                                         |
| ------------------ | ------------------------------------------------------------------------------------------------------------------------------------------ |
| Agents SDK GitHub  | [github.com/openai/openai-agents-python](https://github.com/openai/openai-agents-python)                                                   |
| Responses API 가이드  | [platform.openai.com/docs/guides/responses-vs-chat-completions](https://platform.openai.com/docs/guides/responses-vs-chat-completions)     |
| GPT-4.1 발표         | [openai.com/index/gpt-4-1/](https://openai.com/index/gpt-4-1/)                                                                             |
| Codex              | [openai.com/index/introducing-codex/](https://openai.com/index/introducing-codex/)                                                         |
| External Models 설정 | [docs.databricks.com/en/generative-ai/external-models/index.html](https://docs.databricks.com/en/generative-ai/external-models/index.html) |