OpenAI Agents SDK 实战——和 LangChain Agent 的本质区别

适读人群：用过 LangChain Agent 的 Python 开发者 | 阅读时长：约 14 分钟 | 核心价值：通过真实对比实验，搞清楚 OpenAI Agents SDK 和 LangChain Agent 的本质差异，以及各自适合的场景

OpenAI 在 2025 年 3 月把之前的 Swarm 正式升级成 Agents SDK，我当时看到发布公告，第一反应是"又一个框架，先观望"。

但一个星期后我在项目里实际用了，然后花了一天把项目里的 LangChain Agent 对比测了一遍。

结论让我有点意外：这两个东西解决问题的思路是不一样的，说"谁更好"没有意义，关键是用对场景。

这篇文章把对比实验的过程和结论都写出来。

---

先说本质差异

在写代码之前，先把我理解的核心差异讲清楚：

LangChain Agent 的思路：框架驱动

LangChain 给你一套抽象层：工具、记忆、链、提示模板、输出解析器……你通过组合这些抽象组件来构建 Agent。框架做了很多"帮你想"的事情：工具描述怎么格式化给 LLM、如何解析 LLM 的工具调用输出、如何管理对话历史。

代价是：学习成本高，调试困难（你不知道框架帮你做了什么），版本升级经常破坏性变更。

OpenAI Agents SDK 的思路：极简原语

SDK 的设计哲学非常清晰：给你最少的抽象，让你直接控制。核心就三个概念：Agent（配置了工具和指令的 LLM）、Handoff（Agent 之间的交接）、Runner（执行器）。

没有复杂的链、没有各种 Memory 实现、没有输出解析器。你拿到的就是 LLM 的原始输出，解析是你自己的事。

这种极简设计的好处：代码非常透明，你能看到每一步在做什么；坏处：你需要自己处理更多细节。

---

实验任务

我设计了一个任务来做对比，目标明确、有工具调用、有条件逻辑：

任务：技术新闻分析助手

• 搜索最近的 AI 技术新闻
• 分析新闻内容，判断是否值得关注
• 如果判断"值得关注"，进一步抓取详情，生成简报

这个任务有工具调用（搜索、抓取）、有条件判断（是否继续深入）、有多步骤，能比较全面地测试两个框架。

---

用 LangChain Agent 实现

# langchain_agent_demo.py
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import AIMessage, HumanMessage
import httpx
import json

# 定义工具
@tool
def search_ai_news(query: str) -> str:
    """搜索AI技术相关新闻。query是搜索关键词。返回新闻标题和摘要列表。"""
    # 模拟搜索结果（实际项目里接真实搜索API）
    mock_results = [
        {"title": "OpenAI 发布 GPT-5，推理能力大幅提升", "summary": "OpenAI 宣布发布新一代模型 GPT-5，在数学推理和代码生成上显著优于 GPT-4o。", "url": "https://example.com/1"},
        {"title": "Google Gemini 2.0 更新", "summary": "Google 发布 Gemini 2.0，多模态能力增强。", "url": "https://example.com/2"},
        {"title": "LangChain 发布 v0.3", "summary": "LangChain 发布新版本，改进了 LCEL 性能。", "url": "https://example.com/3"},
    ]
    return json.dumps(mock_results, ensure_ascii=False)

@tool
def fetch_article_detail(url: str) -> str:
    """获取文章详细内容。url是文章链接。返回文章全文。"""
    # 模拟文章内容
    mock_details = {
        "https://example.com/1": "GPT-5 在多项基准测试中超越了之前所有模型。在 MATH 数据集上得分 97.5%，在 HumanEval 上得分 98%。OpenAI CEO Sam Altman 表示这是里程碑式的发布。新模型支持 256k 上下文，推理速度比 GPT-4o 快 2 倍。",
        "https://example.com/2": "Gemini 2.0 改进了视频理解能力，支持实时多模态交互。",
        "https://example.com/3": "LangChain v0.3 重构了内部架构，提升了运行效率。",
    }
    return mock_details.get(url, "无法获取文章内容")

# 构建 Agent
def build_langchain_agent():
    llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
    tools = [search_ai_news, fetch_article_detail]
    
    prompt = ChatPromptTemplate.from_messages([
        ("system", """你是一个AI技术新闻分析师。
你的任务：
1. 搜索最新AI技术新闻
2. 判断哪些新闻值得深入关注（重大技术突破、影响大的发布）
3. 对值得关注的新闻获取详情，生成简报

评判标准：
- 新的模型发布（尤其是主要厂商）：值得关注
- 工具库小版本更新：不值得深入
- 研究突破：值得关注"""),
        MessagesPlaceholder(variable_name="chat_history"),
        ("human", "{input}"),
        MessagesPlaceholder(variable_name="agent_scratchpad"),
    ])
    
    agent = create_openai_tools_agent(llm, tools, prompt)
    executor = AgentExecutor(
        agent=agent,
        tools=tools,
        verbose=True,
        max_iterations=5,
        return_intermediate_steps=True
    )
    return executor

# 运行
def run_langchain_demo():
    agent = build_langchain_agent()
    result = agent.invoke({
        "input": "分析今天最重要的AI新闻，生成一份简报",
        "chat_history": []
    })
    print("\n=== LangChain Agent 结果 ===")
    print(result["output"])
    print(f"\n中间步骤数: {len(result['intermediate_steps'])}")

---

用 OpenAI Agents SDK 实现

# openai_agents_demo.py
from agents import Agent, Runner, function_tool
import asyncio
import json

# 定义工具——注意：用装饰器，函数的 docstring 直接成为工具描述
@function_tool
def search_ai_news(query: str) -> str:
    """搜索AI技术相关新闻。返回新闻标题、摘要和URL的JSON列表。"""
    mock_results = [
        {"title": "OpenAI 发布 GPT-5，推理能力大幅提升", "summary": "OpenAI 宣布发布新一代模型 GPT-5，在数学推理和代码生成上显著优于 GPT-4o。", "url": "https://example.com/1"},
        {"title": "Google Gemini 2.0 更新", "summary": "Google 发布 Gemini 2.0，多模态能力增强。", "url": "https://example.com/2"},
        {"title": "LangChain 发布 v0.3", "summary": "LangChain 发布新版本，改进了 LCEL 性能。", "url": "https://example.com/3"},
    ]
    return json.dumps(mock_results, ensure_ascii=False)

@function_tool
def fetch_article_detail(url: str) -> str:
    """获取指定URL的文章详细内容。"""
    mock_details = {
        "https://example.com/1": "GPT-5 在多项基准测试中超越了之前所有模型。在 MATH 数据集上得分 97.5%，在 HumanEval 上得分 98%。新模型支持 256k 上下文，推理速度比 GPT-4o 快 2 倍。",
        "https://example.com/2": "Gemini 2.0 改进了视频理解能力，支持实时多模态交互。",
        "https://example.com/3": "LangChain v0.3 重构了内部架构，提升了运行效率。",
    }
    return mock_details.get(url, "无法获取文章内容")

# 构建 Agent
def build_openai_agent():
    agent = Agent(
        name="AI新闻分析师",
        model="gpt-4o-mini",
        instructions="""你是一个AI技术新闻分析师。
你的任务：
1. 搜索最新AI技术新闻
2. 判断哪些值得深入（重大技术突破、主要厂商发布）
3. 对值得关注的新闻获取详情，生成简报

评判标准：
- 新模型发布（主要厂商）：值得关注
- 工具库小版本更新：不值得深入
- 研究突破：值得关注""",
        tools=[search_ai_news, fetch_article_detail]
    )
    return agent

async def run_openai_agents_demo():
    agent = build_openai_agent()
    
    result = await Runner.run(
        agent,
        "分析今天最重要的AI新闻，生成一份简报"
    )
    
    print("\n=== OpenAI Agents SDK 结果 ===")
    print(result.final_output)
    
    # 查看执行轨迹
    print(f"\n执行步骤数: {len(result.new_messages)}")

if __name__ == "__main__":
    asyncio.run(run_openai_agents_demo())

---

Handoff 是 OpenAI Agents SDK 的杀手特性

OpenAI Agents SDK 有一个 LangChain 没有的特性：Handoff——Agent 之间的交接。

这不是普通的多 Agent 调用，而是一个 Agent 可以决定把控制权完全移交给另一个 Agent，并且后者继承整个对话历史。

这在特定场景里非常有用：

# handoff_demo.py
from agents import Agent, Runner, handoff
import asyncio

# 专门的深度分析 Agent
detail_analyst = Agent(
    name="深度分析师",
    model="gpt-4o",  # 用更强的模型
    instructions="""你是一个AI技术深度分析师，专门处理被转交过来的重要新闻。
你需要：
1. 对新闻内容进行深度技术分析
2. 评估对行业的影响
3. 给出投资/关注价值评级（A/B/C）
格式化输出深度报告。""",
)

# 主 Agent，负责初步筛选
screening_agent = Agent(
    name="新闻筛选师",
    model="gpt-4o-mini",
    instructions="""你是新闻初步筛选师。
对每条新闻快速判断重要性。
如果发现重大新闻（主要厂商的旗舰模型发布等），
使用 transfer_to_detail_analyst 把分析任务交给深度分析师。
普通新闻直接总结即可。""",
    tools=[
        search_ai_news,
        handoff(detail_analyst)  # 这是 Handoff 的声明方式
    ]
)

async def run_handoff_demo():
    result = await Runner.run(
        screening_agent,
        "搜索今天的AI新闻，重要的做深度分析"
    )
    print(result.final_output)
    
    # 查看 Handoff 是否发生
    for msg in result.new_messages:
        if hasattr(msg, 'role') and msg.role == 'tool':
            print(f"工具调用: {msg}")

asyncio.run(run_handoff_demo())

Handoff 和普通的多 Agent 调用的区别在于：控制权转移是完整的。主 Agent 的全部对话历史被带给下一个 Agent，下一个 Agent 知道之前发生了什么，不需要重新解释上下文。

---

对比实验结果

我用相同的测试场景跑了两个框架，记录了关键数据：

代码量对比：

指标	LangChain Agent	OpenAI Agents SDK
核心代码行数	~80 行	~45 行
工具定义方式	@tool + docstring	@function_tool + docstring
Prompt 设置	ChatPromptTemplate（复杂）	instructions 字符串（简单）
异步支持	额外配置	原生异步

调试体验：

LangChain 的 verbose=True 会打出很多日志，但格式不统一，不容易 parse。中间步骤藏在 intermediate_steps 里，需要遍历才能看清楚。

OpenAI Agents SDK 的 result.new_messages 是标准的消息列表，格式清晰，每个工具调用都能看到完整的输入输出。

稳定性：

在这个任务上两个框架的最终输出质量差不多。但 LangChain Agent 偶尔会因为工具输出格式问题触发重试，OpenAI Agents SDK 没有这个问题（因为它用的是 OpenAI 原生的 tool calling 协议）。

---

什么情况下选哪个

选 OpenAI Agents SDK：

• 你的整个技术栈都在 OpenAI 生态里
• 你想要极简的代码，不需要复杂的框架抽象
• 你的场景需要 Handoff（多 Agent 交接控制权）
• 你重视调试透明度

选 LangChain Agent：

• 你需要接入多种 LLM（OpenAI、Anthropic、本地模型），LangChain 的模型抽象很有价值
• 你需要 LangChain 生态里的工具（有大量现成的工具集成）
• 你已经有大量 LangChain 代码，迁移成本高
• 你需要 LangGraph 做复杂工作流编排（LangGraph 只能配合 LangChain）

不要根据"哪个更新更好"来选。 OpenAI Agents SDK 新，但这不意味着它更好——它解决的问题和 LangChain 不完全一样。如果你需要支持多种 LLM 后端，LangChain 的优势仍然明显。

---

一个实际的迁移案例

我把之前一个 LangChain Agent 迁移到了 OpenAI Agents SDK，迁移过程里的感受：

工具迁移很简单，把 @tool 换成 @function_tool，docstring 写法一样，5 分钟搞定。

Prompt 迁移也简单，把 ChatPromptTemplate 换成 instructions 字符串，反而更直接了。

最难的是测试迁移。LangChain 有 AgentExecutor 的各种配置（max_iterations、回调等），OpenAI Agents SDK 里需要自己处理类似的逻辑。

迁移完之后，代码量减少了约 35%，运行速度略有提升（少了一层框架抽象），调试体验明显改善。

总体值得做，但如果你的 LangChain Agent 运行得好好的，没有明显痛点，也不一定要迁移。工程里不应该为了"用新的"而迁移，只有有明确收益时才迁移。