২৯ সেপ্টেম্বরের DevDay রিক্যাপে OpenAI Agents API-তে কম্পিউটার ব্যবহারের ঘোষণা দেয়। আরও বিস্তৃত প্রকাশনা নিয়ে আমাদের DevDay প্রকাশনা নির্দেশিকা বিস্তারিত তথ্য দেয়। ডেভেলপারের তাৎক্ষণিক কাজটি সাধারণ ব্রাউজার এজেন্টের চেয়ে সীমিত: প্রকাশ্য পৃষ্ঠা খোলা, নির্দিষ্ট উত্তর সংগ্রহ করা এবং ব্রাউজার কী অ্যাক্সেস করেছে তা নথিবদ্ধ করা। ৩০ সেপ্টেম্বর দেখা OpenAI-এর কম্পিউটার ব্যবহার নির্দেশিকা হোস্ট করা ব্রাউজার সেশনের মাধ্যমে এই প্রক্রিয়া ব্যাখ্যা করে। BIG CHANGE নথি পর্যালোচনা করেছে, API চালায়নি।

অ্যাপ্লিকেশন সেশন তৈরি করে, ইনপুট পাঠায়, ইভেন্ট অনুসরণ করে, ওয়েবসাইটের অরিজিন-সংক্রান্ত অনুরোধ ব্যবহারকারীকে দেখায়, উত্তর যাচাই করে এবং পরিষ্কার করে। এজেন্ট হোস্ট করা পরিবেশে ব্রাউজার চালাতে পারে। টার্ন শেষ হলেই চাওয়া তথ্য সঠিক প্রমাণিত হয় না।

বড় পরিবর্তন

OpenAI-এর নতুন Agents API কম্পিউটার-ব্যবহারের পথ ডেভেলপারকে ইভেন্ট স্ট্রিমসহ হোস্ট করা ব্রাউজার সেশন, ওয়েবসাইটের অরিজিনে প্রবেশ নিয়ে ব্যবহারকারীর সিদ্ধান্ত, ব্রাউজার কার্যকলাপের রেকর্ড এবং API দিয়ে পরিষ্কারের সুবিধা দেয়। সীমিত প্রকাশ্য-পৃষ্ঠার টাস্কে বাস্তবসম্মত সংযোগ হলো ধাপগুলো স্পষ্টভাবে সামলানো এবং ফেরত পাওয়া শিরোনাম ও URL যাচাই করা। অরিজিনে প্রবেশাধিকার, টার্ন সম্পন্ন হওয়া এবং উত্তরের সঠিকতা তিনটি আলাদা পর্যবেক্ষণ।

API key ও ব্রাউজার সেশন দিয়ে শুরু করুন

OpenAI-এর Agents API কুইকস্টার্ট নির্দেশিকায় OpenAI Platform প্রজেক্টে অ্যাপ্লিকেশন API key প্রয়োজন। সেশন পরিচালনার জন্য api.agents.read ও api.agents.write এবং মডেল ইনফারেন্সের জন্য api.responses.write নির্দিষ্ট করা হয়েছে। অ্যাপ্লিকেশন পরিবেশে key-টি OPENAI_API_KEY নামে রপ্তানি করে এজেন্টের sandbox-এর বাইরে রাখুন। Agents API beta-সমর্থিত বর্তমান OpenAI SDK ব্যবহার করুন; কম্পিউটার-ব্যবহার নির্দেশিকার JavaScript উদাহরণে openai ও prompt-sync আছে। cURL বিকল্পে Bash, jq এবং স্পষ্ট OpenAI-Beta: agents=v1 header দরকার।

নথিভুক্ত সেশন কনফিগারেশনে { "type": "computer_use" } রাখা হয় agent.tools–এর মধ্যে, environment.type সেট করা হয় openai_hosted হিসেবে, এবং সক্রিয় করা হয় environment.desktop.enabled। প্রকাশ্য-পৃষ্ঠার উদাহরণে network access-ও সক্রিয় করা হয় এবং tool-এ include_screenshots: true সেট করা হয়। সেশন তৈরি হলে পরবর্তী ইভেন্ট ও আইটেম অনুরোধের জন্য একটি ID ফেরত আসে; এতে ব্রাউজার টাস্ক শুরু হয় না। এগোনোর আগে ID-টি সংরক্ষণ করুন। উদাহরণে এজেন্টকে Agents API কুইকস্টার্ট খুঁজে পৃষ্ঠার শিরোনাম ও URL দিতে বলা হয়, সাইন ইন বা সাইটের তথ্য বদলাতে নয়।

টাস্ক অনুসরণ করুন এবং কোন সাইটে যাওয়া যাবে ঠিক করুন

অ্যাপ্লিকেশন যেন প্রথম ইভেন্ট পায়, সে জন্য টাস্ক ইনপুট পাঠানোর আগে সেশনের event stream খুলুন। নথির ইনপুট হলো agent.session.input.message। Stream-এ agent.session.requires_action এলে সেশনের বর্তমান required_actions নিন এবং অপেক্ষমাণ computer_use_approval_request রেকর্ড শনাক্ত করুন। browser_origin_access অনুরোধ এলে চাওয়া অরিজিন ও উল্লেখ করা কারণ ব্যবহারকারীকে দেখান। তাঁর approve, deny অথবা cancel সিদ্ধান্তটি agent.session.input.computer_use_approval_request_result হিসেবে পাঠান, সঙ্গে request_id মিলিয়ে পাঠান।

এই সিদ্ধান্ত ওয়েবসাইটের অরিজিনে প্রবেশ নিয়ে, সেটি প্রকাশ্য হলেও। network.access–কে enabled সেট করলেই অনুমোদন হয় না। অরিজিন অনুমোদন পরবর্তী প্রতিটি ব্রাউজার কাজ নিশ্চিতও করে না। কেনাকাটা বা ধ্বংসাত্মক পরিবর্তনের আগে নিশ্চিতকরণ দরকার হলে, ওই কাজ করতে অক্ষম রিসোর্সে হোস্ট করা ব্রাউজারের প্রবেশ সীমিত করতে বা নিজেদের নিয়ন্ত্রণাধীন ব্রাউজার রানটাইম ব্যবহার করতে OpenAI পরামর্শ দেয়। ওয়েবসাইটের লেখা অবিশ্বস্ত ইনপুট; এটি প্রবেশের অনুমতি দিতে বা ব্যবহারকারীর নির্দেশ অগ্রাহ্য করতে পারে না।

প্রকাশ্য-পৃষ্ঠার উদাহরণে আলাদা browser_authentication অনুরোধ বাতিল হয়। অ্যাকাউন্ট দরকার এমন টাস্কের নিজস্ব সাইন-ইন প্রক্রিয়া আছে; শুধু-পড়ার এই সেটআপে তা নেই। OpenAI জানায়, অনুমোদনের অনুরোধ বাতিল করলেও টাস্ক বাতিল হয় না। অনুমোদনের উত্তর গৃহীত হওয়া মানে সিদ্ধান্ত পৌঁছেছে, নেভিগেশন শেষ হয়েছে—এমন নয়।

ফল যাচাই করুন, কার্যকলাপ দেখুন, তারপর সেশন মুছুন

Event stream-এ উত্তরের লেখা আসতে পারে agent.session.turn.output_text.done–তে। মূল টার্নের জন্য agent.session.turn.completed অপেক্ষা করুন; ব্যর্থতা ও বাতিলের ইভেন্ট আলাদাভাবে সামলান। নথিভুক্ত টাস্কে উত্তরে কুইকস্টার্টের শিরোনাম ও URL সত্যিই আছে কি না দেখুন। Stream বন্ধ হওয়া একাই টার্ন শেষ হওয়ার প্রমাণ নয়; সংযোগ বিচ্ছিন্ন বা ফল অনিশ্চিত হলে একই সেশন পুনরুদ্ধার করতে OpenAI বলে।

সেশন আইটেম ব্রাউজারের কাজকে আরেকভাবে দেখায়। computer_use_call আইটেমে কার্যকলাপের শিরোনাম, টার্ন ID ও অবস্থা থাকে। Screenshot চালু থাকলে কোনো আইটেমে computer_screenshot ছবির URL থাকতে পারে; কিছু কাজ তবু ছবি ফেরত দেয় না। আইটেমগুলো ব্রাউজারের কাজ দেখায়, চূড়ান্ত রায় নয়। পরিবেশ পরিষ্কারের অনুরোধে সেশন মোছার আগে সংরক্ষিত আইটেম এবং অ্যাপ্লিকেশনের দরকারি ফল বা screenshot দেখুন। Screenshot-এ সংবেদনশীল পৃষ্ঠা বা অ্যাকাউন্টের তথ্য থাকতে পারে; তাই অনুমোদিত দর্শকের মধ্যেই সীমিত রাখতে এবং অ্যাপ্লিকেশন লগে না রাখতে নথিতে পরামর্শ দেওয়া হয়েছে।

প্রবেশাধিকার ও খরচ আলাদা সিদ্ধান্ত

OpenAI তার DevDay রিক্যাপে জানায়, কম্পিউটার ব্যবহার API-তে এবং Pro 500 ও Enterprise-এর Codex ও ChatGPT Work-এ পাওয়া যায়। এই নির্দেশিকা API পথ নিয়ে, যার জন্য Platform credentials ও permissions লাগে। পণ্যের পরিকল্পনা সম্পর্কে ওই বক্তব্য API-তে প্রবেশাধিকার দেয় না বা API ব্যবহারের খরচ অন্তর্ভুক্ত করে না।

Agents API ওভারভিউ অনুযায়ী মডেল ব্যবহার নির্বাচিত মডেলের API rates ধরে বিল হয়; OpenAI-হোস্ট করা sandbox-এ মানক container rates প্রযোজ্য। পর্যালোচিত পাতায় কম্পিউটার-ব্যবহার টুলের আলাদা ফি নেই; তাতে হোস্ট করা ব্রাউজার সেশন বিনা খরচে চলে না। বাজেটের আগে মডেল ও container-এর বর্তমান দাম যাচাই করুন। উদাহরণে beta API পদ্ধতি আছে, যা বদলাতে পারে। নিবন্ধের জন্য কোনো API সেশন, ব্রাউজার টাস্ক বা SDK চালানো হয়নি।

সূত্র ও আরও পড়ুন

  • OpenAI, “Computer use”, দেখা হয়েছে ৩০ সেপ্টেম্বর ২০২৬। ব্রাউজার কনফিগারেশন, ইভেন্টের নাম, অরিজিন ও authentication অনুরোধ, ফল যাচাই, কার্যকলাপ এবং মুছে ফেলার প্রধান সূত্র। পাতায় প্রকাশের তারিখ দেখা যায়নি।
  • OpenAI, “Agents API quickstart”, দেখা হয়েছে ৩০ সেপ্টেম্বর ২০২৬। Platform key-এর permissions, beta header ও SDK-র পূর্বশর্ত বলে; সাধারণ coding উদাহরণটি কম্পিউটার-ব্যবহারের ধাপ থেকে আলাদা।
  • OpenAI, “Agents API” এবং “OpenAI-hosted sandboxes”, দেখা হয়েছে ৩০ সেপ্টেম্বর ২০২৬। সেশন মডেল এবং মডেল ও হোস্ট করা container-এর পৃথক খরচ ব্যাখ্যা করে। কোনোটিতেই প্রকাশের তারিখ ছিল না।
  • OpenAI API-এর মূল্য, দেখা হয়েছে ৩০ সেপ্টেম্বর ২০২৬। নির্বাচিত মডেল ও হোস্ট করা container-এর বর্তমান হার দেখা উচিত; নির্দিষ্ট রান-খরচ এখানে অনুমান করা হয়নি।
  • OpenAI, “DevDay 2026 Recap”, প্রকাশিত ২৯ সেপ্টেম্বর ২০২৬। ফিচার চালু এবং API ও Codex/ChatGPT Work-এর Pro 500 ও Enterprise পরিকল্পনার পৃথক প্রাপ্যতা নিয়ে OpenAI-এর বক্তব্যের সূত্র।