Die "OpenAI Agents API" ist kein einzelnes Produkt. Es ist eine Familie von Schnittstellen zum Bauen von Agenten, also Modellen, die schlussfolgern, Tools aufrufen und in einer Schleife arbeiten, bis eine Aufgabe erledigt ist. Sie wurden in Etappen veröffentlicht: die Responses API und das Open-Source-Agents-SDK im März 2025, AgentKit im Oktober 2025 und eine verwaltete Laufzeitumgebung, die die Schleife für dich ausführt. Das Wichtigste, bevor du loslegst: Ein Agent ist eine Schleife, kein einzelner Aufruf. In dieser Schleife stecken die ganze Stärke und alle Überraschungen.
Wenn du heute eine Schnittstelle auswählst, sind die langlebigen die Responses API, das Agents SDK und die verwaltete Agents API. Der No-Code-Agent-Builder ist auf dem Weg nach draußen (weg am 30. November 2026). Und wenn du eigentlich einen funktionierenden Support-Agenten willst statt einer Schleife, die du bauen und warten musst, dann ist das der Tausch, den eesel anbietet: ein einsatzbereites Teammitglied zum festen Monatspreis ab $299 für 500 Credits, ohne Orchestrierung, die dir gehört.
Was die "OpenAI Agents API" eigentlich ist
Das lohnt sich zuerst zu entwirren, denn der Begriff meint mehrere verwandte Dinge, die zu verschiedenen Zeiten erschienen sind, und die Namensgebung ist wirklich verwirrend.
Es begann im März 2025, als OpenAI die Responses API und das Open-Source-Agents-SDK zusammen mit den ersten integrierten Tools veröffentlichte. Die Responses API ist der Baustein: eine Obermenge der Chat Completions API, über die Modelle Antworten erzeugen und an die sich jedes gehostete Tool anschließt. Sie ist außerdem der künftige Ersatz für die ältere Assistants API. Das Agents SDK ist die Orchestrierungsschicht darüber und übernimmt die Agenten-Schleife, die Übergaben zwischen Agenten und die Guardrails innerhalb deiner eigenen Anwendung.
Im Oktober 2025 folgte dann AgentKit, eine Sammlung von Tools für alle, die die Schleife nicht von Hand schreiben wollten: Agent Builder (eine Drag-and-drop-Oberfläche), die Connector Registry, ChatKit (eine einbettbare Chat-Oberfläche) und erweiterte Evals. Zuletzt hat OpenAI eine vollständig verwaltete Agents API-Laufzeitumgebung ergänzt, die die Schleife für dich auf ihrem eigenen Codex-Harness ausführt, mit Kontextkomprimierung und Multi-Agenten-Orchestrierung von Haus aus.
Ich entwickle die Integrationen von eesel und habe genau diese Schleife mehr als einmal von Hand gebaut. Das hilfreichste mentale Modell ist dieses: Nichts davon ist Magie. Ein Agent ist ein Modell, dem du eine Aufgabe, eine Reihe von Tools und die Erlaubnis gegeben hast, sich so lange selbst aufzurufen, bis die Aufgabe erledigt ist. Alles andere, das SDK, die verwaltete Laufzeitumgebung, die visuelle Oberfläche, ist nur eine andere Antwort auf eine Frage: Wer führt diese Schleife aus, und wo?
Wie die Agenten-Schleife wirklich funktioniert
Das ist das wichtigste Konzept und das, über das jedes neue Team stolpert. Ein normaler API-Aufruf ist eine Anfrage und eine Antwort. Ein Agent ist eine Schleife aus solchen Aufrufen.
Du gibst dem Agenten eine Aufgabe. Das Modell denkt darüber nach, stellt fest, dass es Informationen braucht, und ruft ein Tool auf (eine Websuche, eine Datenbankabfrage, eine Funktion, die du geschrieben hast). Das Tool liefert ein Ergebnis, das Ergebnis wird in den Kontext des Modells zurückgespeist, und das Modell schlussfolgert erneut mit den neuen Informationen. Ist es fertig, antwortet es. Wenn nicht, ruft es das nächste Tool auf. Das geht so lange, bis die Aufgabe erledigt ist oder ein Limit greift.
OpenAIs eigenes Laufzeitdiagramm macht die Multi-Agenten-Variante anschaulich: Ein Triage-Agent ruft POST /v1/responses auf, trifft auf ein Guardrail, übergibt dann an einen CRM-Agenten, der das Modell erneut aufruft und ein Tool auslöst. Das sind schon mehrere Modellaufrufe für eine einzige Aufgabe.
Was Leute überrascht, ist das Wachstum des Kontexts. Jedes Tool-Ergebnis landet wieder im Prompt des nächsten Aufrufs, die Schleife vervielfacht also nicht nur die Aufrufe, sondern bläht auch die Größe jedes späteren Aufrufs auf. Ein Entwickler hat die Realität direkter ausgedrückt als jede Doku-Seite:
"I was spending $200/day running agents with tool calls. The problem: tools return huge JSON (search results, DB queries, file listings). Each response bloats context. By turn 10, you're paying for 100k+ tokens on every LLM call."
Das ist keine Warnung, die dich abschrecken soll, sondern das, worauf du dein Design ausrichten solltest. Die Schleife ist deine Stärke (sie erlaubt es einem Agenten, Recherche, Entscheidungen und Aktionen zu verketten) und dein wichtigster Hebel. Kürzere Schleifen, schlankere Tool-Ausgaben und begrenzte Wiederholungsversuche machen den Großteil des Unterschieds zwischen einem günstigen und einem teuren Agenten aus. Die besten KI-Agenten sind die, bei denen jemand gründlich überlegt hat, wie wenige Schritte jede Aufgabe wirklich braucht.
Die vier Laufzeitumgebungen: Wähle, wo die Schleife läuft
Sobald du akzeptierst, dass ein Agent eine Schleife ist, lautet die nächste Entscheidung, wo sie läuft. OpenAI bietet dir inzwischen vier Laufzeitumgebungen, und sie unterscheiden sich vor allem darin, wie viel der Schleife du selbst besitzt.
- Agents API führt die Schleife für dich auf einem verwalteten Codex-Harness aus, mit automatischer Kontextkomprimierung, Multi-Agenten-Orchestrierung und einer optionalen gehosteten Sandbox. Die bequemste Option, und die Komprimierung hilft wirklich, die Schleife schlank zu halten.
- Agents SDK führt die Schleife innerhalb deiner eigenen Anwendung aus. Du kümmerst dich um Deployment, Speicherung und Freigaben; der Runner übernimmt die Schleife und die Übergaben. Hier landen die meisten Teams, die echte Kontrolle wollen.
- Responses API bedeutet, vom Baustein aus zu bauen: Du rufst das Modell direkt auf und richtest Orchestrierung und Verlauf selbst ein. Maximale Kontrolle, maximale Verantwortung.
- ChatKit ist das eingebettete Chat-Frontend, das du in dein Produkt einfügst und das auf jeder der obigen Varianten aufsetzt, die die eigentliche Arbeit macht.
Keine davon ändert, was das Modell oder die Tools tun. Sie ändern, wer dafür verantwortlich ist, die Schleife zu starten, und das ist die Entscheidung, die deine gesamte Architektur prägt. Wenn der Agent dein Produkt sein soll, geben dir das SDK oder die Responses API die Kontrolle. Wenn du einen Agenten innerhalb einer bestehenden App willst, ohne einen Runner zu hosten, ist die verwaltete Agents API die Abkürzung.
Die gehosteten Tools, auf die ein Agent zurückgreifen kann
Ein Agent ist nur so nützlich wie die Tools, die er aufrufen kann. Neben deinen eigenen Funktionen liefert OpenAI eine Reihe integrierter Tools, die sich direkt in die Responses API einklinken:
- Websuche lässt den Agenten Live-Informationen aus dem Internet holen, mit einem Regler
return_token_budget, der begrenzt, wie viele Ergebnis-Tokens zurück ins Modell fließen. Praktisch, denn Suchergebnisse sind genau die Art sperriger Ausgabe, die eine Schleife aufbläht. - Dateisuche durchsucht deine eigenen Dokumente in einem Vektorspeicher und baut auf Embeddings auf. So gibst du einem Agenten deine Wissensdatenbank, und du kannst die Zahl der abgerufenen Ergebnisse begrenzen, um den Kontext schlank zu halten.
- Code Interpreter führt Python in einem Sandbox-Container aus, für Datenanalyse, Dateibearbeitung und Mathematik, die das Modell nicht im Kopf rechnen sollte.
- Computer use lässt den Agenten einen Browser oder Desktop bedienen. Für die neuesten Modelle empfiehlt OpenAI eine Code-Ausführungsschleife, bei der das Modell ein Skript schreibt, das deine eigene Sandbox ausführt, statt einer eigenen gehosteten Aktion.
Die Tools machen aus einem Chatbot einen Agenten, und sie gut zu wählen ist die halbe Designarbeit. Ein Support-Agent, der dein Help Center durchsuchen und den Bestellverlauf lesen kann, leistet etwas, was ein einfacher FAQ-Bot nie könnte. Jeder Tool-Aufruf ist außerdem ein Durchlauf der Schleife, die Faustregel lautet also: Gib dem Agenten genau die Tools, die der Job braucht, und keine mehr.
AgentKit und was eingestellt wird
Wenn dir das Schreiben der Schleife von Hand zu viel erscheint, war AgentKit OpenAIs Antwort: eine visuelle Schicht, um Agenten ohne Code zusammenzustellen. Agent Builder ist die Drag-and-drop-Oberfläche, und sie ist einen Blick wert, weil sie die Multi-Agenten-Struktur sichtbar macht.
Dieser Ablauf (Start, ein Jailbreak-Guardrail, ein Klassifizierungs-Agent, eine If/Else-Weiche, die zu einem Rückgabe-, Kundenbindungs- oder Informations-Agenten leitet, dann ein Halluzinations-Guardrail vor der Antwort) ist ein gutes Bild dessen, was ein echter Support-Workflow braucht. Jeder Knoten mit der Bezeichnung "Agent" ist mindestens ein weiteres POST /v1/responses.
Jetzt kommt der Haken, der wichtig ist, wenn du heute eine Schnittstelle auswählst. OpenAI stellt Agent Builder und Evals ein, und ab dem 30. November 2026 sind sie nicht mehr verfügbar. In der Doku stehen sie schon jetzt unter der Überschrift "Legacy APIs", und OpenAI lenkt dich nun zum codebasierten Agents SDK oder zu Workspace Agents in ChatGPT.
Baue also auf den langlebigen Schnittstellen: der Responses API, dem Agents SDK, der verwalteten Agents-API-Laufzeitumgebung, ChatKit und der Connector Registry. Betrachte die visuelle Oberfläche als schöne Möglichkeit zum Prototyping und zum Verständnis der Struktur, nicht als etwas, worauf du die Produktion stützt. Die gute Nachricht: Die Schichten selbst kosten keine eigene Gebühr, OpenAI sagt ausdrücklich, dass die AgentKit-Tools "included with standard API model pricing" sind. Bei der Wahl geht es also um Langlebigkeit, nicht um Kosten.
Wie du wirklich einen baust
Genug Konzepte. Hier ist die Abfolge, der ich folgen würde, um einen ersten Agenten zum Laufen zu bringen, egal welche Laufzeitumgebung du wählst.
- Wähle ein Modell. Passe es an die Aufgabe an, nicht an die Broschüre. Ein einfacher Router oder Klassifizierer ist auf einem günstigeren Modell wie gpt-5.6-luna gut aufgehoben; ein mehrstufiger Recherche- oder Reasoning-Agent braucht ein stärkeres. Du kannst sogar Modelle in einem Multi-Agenten-Ablauf mischen: ein kleines für die Triage, ein größeres für den schwierigen Schritt.
- Wähle eine Laufzeitumgebung. Die verwaltete Agents API, wenn OpenAI die Schleife ausführen soll, das Agents SDK, wenn du sie in deiner eigenen App mit voller Kontrolle ausführen willst.
- Schreibe die Anweisungen und wähle die Tools. Der System-Prompt ist die Stellenbeschreibung des Agenten. Gib ihm dann genau die Tools, die er braucht: integrierte wie Websuche und Dateisuche, plus deine eigenen Funktionsaufrufe für alles, was speziell zu deinem Produkt gehört.
- Füge Guardrails hinzu. Eingabe-Guardrails (Jailbreak- und Themenprüfungen) und Ausgabe-Guardrails (eine Halluzinations- oder Sicherheitsprüfung, bevor die Antwort einen Nutzer erreicht). Das ist der Teil, den Teams überspringen und bereuen.
- Teste, bevor er live geht. Lass den Agenten mit realistischen Eingaben laufen und beobachte die ganze Schleife, nicht nur die endgültige Antwort. Zu sehen, dass ein Agent viermal durchlief, weil die ersten drei Ausgaben die Validierung nicht bestanden, ist genau das, was du entdecken willst, bevor es ein Kunde tut.
- Live schalten, dann die Lauf-Kosten beobachten. Entscheidend ist der ganze Lauf, Wiederholungen und Tool-Aufrufe eingeschlossen, nicht ein einzelner Token-Preis. Miss von Tag eins an die Schleifenlänge pro Aufgabe.
Wenn sich diese Liste wie ein echtes Entwicklungsprojekt liest, dann deshalb, weil es eines ist. Einen Agenten auf Rohinfrastruktur zu bauen ist die richtige Wahl, wenn der Agent dein Produkt ist und du Kontrolle bis auf den einzelnen Token willst. Es ist die falsche Wahl, wenn du einfach eine Aufgabe erledigt haben willst, etwa guten Kundenservice, und nicht für immer eine Schleife, ein Eval-Framework und einen Monitoring-Stack besitzen möchtest.
Was es kostet (die Kurzfassung)
Es gibt keinen einzelnen "Agents-API-Preis". Du stapelst Modell-Tokens bei jedem Durchlauf, Gebühren pro Aufruf für gehostete Tools und Container-Zeit für Code-Ausführung, und die Schleifenlänge bestimmt, wie sich die Rechnung tatsächlich bewegt. Die Modellpreise reichen von $0.20 pro 1M Tokens beim günstigsten Modell bis zu $10 pro 1M Input-Tokens beim besten; Websuche kostet $10 pro 1.000 Aufrufe, Dateisuche $2.50 pro 1.000 Aufrufe.
Das ist die Überschrift, aber die echte Rechnung steckt in der Schleife, deshalb haben wir ihr einen eigenen Leitfaden gewidmet: die komplette Aufschlüsselung, ein durchgerechnetes Beispiel und ein Live-Kostenrechner finden sich in OpenAI Agents API Preise. Wenn du Anbieter vergleichst, rechnet unser Beitrag OpenAI API vs Anthropic API dieselben Zahlen für Claude durch.
eesel ausprobieren und die Schleife komplett überspringen
Hier die ehrliche Einordnung. Die OpenAI Agents API ist Infrastruktur: das Rohmaterial, aus dem du einen Agenten zusammensetzt, plus die Schleife, die Evals und das Monitoring, die du selbst baust und pflegst. Das ist die richtige Wahl, wenn der Agent dein Produkt ist.
eesel ist das andere Ende dieses Tauschs: keine Infrastruktur, sondern ein einsatzbereites Teammitglied. Du stellst das KI-Support-Teammitglied ein, schließt es an dein Helpdesk an, und es kennt dein Unternehmen schon aus deinen bisherigen Tickets und deinem Help Center. Wir bringen seit Jahren KI-Agenten in laufende Support-Warteschlangen, weshalb jeder Rollout gegen deine historischen Tickets simuliert wird, bevor er einen einzigen echten Kunden beantwortet. Es gibt keine Schleife, die du messen musst, denn der Preis ist fest: ab $299 im Monat für 500 Credits, wobei 1 Credit ein Ticket oder ein Chat ist, nicht abgerechnet nach der Zahl der Modellaufrufe oder Tool-Sprünge, die zur Lösung nötig waren. Die unberechenbare Schleife ist unser Problem, nicht deins.
Und wenn dich die programmatische Kontrolle an der Agents API gereizt hat, bleibt sie bei eesel erhalten. Es gibt eine echte öffentliche CLI (@eesel/cli) plus einen MCP-Server, Webhooks und Netzwerkzugriff, sodass du eine Integration verbinden, die Standardanweisungen des Agenten bearbeiten, Human-in-the-Loop-Aktionen auflisten und freigeben und das lauf-für-lauf geführte Aktivitätsprotokoll von einem Terminal oder Skript aus lesen kannst. Die Doku sagt es klar, "everything on this site can be done from the terminal", und Coding-Agenten wie Claude Code und Cursor können sie direkt steuern. Du bekommst die agentenfreundliche Schnittstelle, ohne den Agenten selbst bauen und beaufsichtigen zu müssen.
Wenn du einen Agenten baust, weil du jeden Token selbst besitzen willst, ist die OpenAI Agents API ein wirklich guter Ort dafür. Wenn du einen baust, weil du Kundenservice erledigt haben willst, starte eine kostenlose Testphase und lass das Teammitglied die Arbeit machen.