29 सप्टेंबरच्या DevDay आढाव्यात OpenAI ने Agents API मधील संगणक-वापराची घोषणा केली. अधिक व्यापक प्रकाशनाची माहिती आमच्या DevDay प्रकाशन मार्गदर्शकात आहे. विकासकासाठी तातडीचे काम सर्वसाधारण ब्राउझर एजंटपेक्षा मर्यादित आहे: सार्वजनिक पृष्ठ उघडणे, विशिष्ट उत्तर मिळवणे आणि ब्राउझरने कशाला प्रवेश केला याची नोंद ठेवणे. 30 सप्टेंबरला तपासलेल्या OpenAI च्या संगणक-वापर मार्गदर्शकात ही प्रक्रिया होस्ट केलेल्या ब्राउझर सत्राद्वारे समजावली आहे. BIG CHANGE ने दस्तऐवज तपासले; API चालवलेला नाही.

अॅप्लिकेशन सत्र तयार करते, इनपुट पाठवते, घटना पाहते, वेबसाइट-मूळ प्रवेशाच्या विनंत्या वापरकर्त्याला दाखवते, उत्तर तपासते आणि साफसफाई करते. एजंट होस्ट केलेल्या वातावरणात ब्राउझर चालवू शकतो. एक फेरी पूर्ण झाली म्हणजे मागितलेली माहिती बरोबर आहे असे सिद्ध होत नाही.

मोठा बदल

OpenAI चे नवे Agents API संगणक-वापर वैशिष्ट्य विकासकांना इव्हेंट प्रवाहासह होस्ट केलेले ब्राउझर सत्र, वेबसाइटच्या मूळ-संकेतस्थळाबाबत वापरकर्त्याचे निर्णय, ब्राउझर क्रियाकलापांच्या नोंदी आणि API द्वारे साफसफाईची सुविधा देते. मर्यादित सार्वजनिक-पृष्ठ कामासाठी, हे टप्पे स्पष्टपणे हाताळून परत आलेले शीर्षक व URL तपासणे हा व्यवहार्य एकत्रीकरणाचा मार्ग आहे. मूळ-संकेतस्थळाला प्रवेश, फेरीची पूर्तता आणि उत्तराची अचूकता ही तीन वेगवेगळी निरीक्षणे आहेत.

API की आणि ब्राउझर सत्राने सुरुवात करा

OpenAI च्या Agents API झटपट सुरुवात मार्गदर्शकात OpenAI Platform प्रकल्पातील अॅप्लिकेशन API की आवश्यक आहे. सत्राच्या कामांसाठी api.agents.read आणि api.agents.write तसेच मॉडेल अनुमानासाठी api.responses.write नमूद केले आहेत. अॅप्लिकेशन वातावरणात की OPENAI_API_KEY या नावाने उपलब्ध करा आणि ती एजंटच्या सँडबॉक्सपासून वेगळी ठेवा. बीटा Agents API असलेला अद्ययावत OpenAI SDK वापरा; संगणक-वापर मार्गदर्शकातील JavaScript उदाहरणात openai आणि prompt-sync आहेत. cURL पर्यायासाठी Bash, jq आणि स्पष्टपणे दिलेले OpenAI-Beta: agents=v1 शीर्षक आवश्यक आहे.

दस्तऐवजातील सत्र संरचनेत { "type": "computer_use" } हे agent.tools मध्ये ठेवले आहे, environment.type चे मूल्य openai_hosted केले आहे आणि environment.desktop.enabled सक्षम केले आहे. सार्वजनिक-पृष्ठ उदाहरणात नेटवर्क प्रवेशही सक्षम केला असून टूलवर include_screenshots: true सेट केले आहे. सत्र तयार केल्यावर पुढील इव्हेंट व आयटम विनंत्यांसाठी ID मिळतो; त्यामुळे ब्राउझरचे काम सुरू होत नाही. पुढे जाण्यापूर्वी तो ID जतन करा. मार्गदर्शकातील उदाहरण एजंटला Agents API झटपट सुरुवात पृष्ठ शोधून त्याचे शीर्षक व URL परत करण्यास सांगते; लॉग इन करणे किंवा वेबसाइटवरील माहिती बदलणे यात अपेक्षित नाही.

कामाचा मागोवा घ्या आणि कोणत्या साइटवर प्रवेश देता येईल ते ठरवा

कामाचा इनपुट पाठवण्यापूर्वी सत्राचा इव्हेंट प्रवाह उघडा, म्हणजे अॅप्लिकेशनला सुरुवातीच्या घटना मिळतील. दस्तऐवजातील इनपुट हा agent.session.input.message आहे. प्रवाहात agent.session.requires_action दिसल्यावर सत्रातील सध्याचा required_actions मिळवा आणि प्रलंबित computer_use_approval_request नोंदी शोधा. browser_origin_access विनंती आल्यास मागितलेले मूळ-संकेतस्थळ आणि दिलेले कारण वापरकर्त्याला दाखवा. वापरकर्त्याचा approve, deny किंवा cancel निर्णय agent.session.input.computer_use_approval_request_result शी जुळणाऱ्या request_id सह पाठवा.

हा निर्णय सार्वजनिक साइटचाही समावेश असलेल्या वेबसाइट-मूळ संकेतस्थळावरील प्रवेशाबद्दल आहे. network.access चे मूल्य enabled ठेवल्याने मंजुरी मिळत नाही. मूळ-संकेतस्थळाला मंजुरी दिल्याने नंतरची प्रत्येक ब्राउझर कृतीही निश्चित होत नाही. खरेदी किंवा नुकसानकारक बदलांपूर्वी खात्रीशीर पुष्टी आवश्यक असल्यास, अशा कृती करू न शकणाऱ्या साधनांपुरताच होस्ट केलेला ब्राउझर मर्यादित ठेवावा किंवा स्वतःच्या नियंत्रणातील ब्राउझर रनटाइम वापरावा, असे OpenAI सांगते. वेबसाइटवरील मजकूर हा अविश्वसनीय इनपुट आहे; तो प्रवेशाची परवानगी देऊ शकत नाही किंवा वापरकर्त्याच्या सूचनांवर मात करू शकत नाही.

सार्वजनिक-पृष्ठ प्रक्रियेत स्वतंत्र browser_authentication विनंती रद्द होते. खाते लागणाऱ्या कामासाठी स्वतंत्र साइन-इन प्रक्रिया आहे; केवळ वाचनासाठीचे हे सेटअप ती समाविष्ट करत नाही. मंजुरीची विनंती रद्द केल्याने काम रद्द होत नाही, असेही OpenAI नमूद करते. मंजुरीचा प्रतिसाद स्वीकारला म्हणजे निर्णय मिळाला; नेव्हिगेशन पूर्ण झाले असे नाही.

निकाल तपासा, क्रियाकलाप पाहा आणि सत्र हटवा

इव्हेंट प्रवाहात उत्तराचा मजकूर agent.session.turn.output_text.done मध्ये मिळू शकतो. मुख्य फेरीसाठी agent.session.turn.completed ची वाट पाहा आणि अपयश व रद्दीकरणाच्या घटना स्वतंत्रपणे हाताळा. दस्तऐवजातील कामासाठी उत्तरात झटपट सुरुवात पृष्ठाचे शीर्षक व URL खरोखर आहेत का ते तपासा. प्रवाह बंद झाला म्हणजे फेरी पूर्ण झाली असे सिद्ध होत नाही; कनेक्शन तुटल्यास किंवा निकाल अनिश्चित असल्यास त्याच सत्रातून काम पुन्हा सुरू करण्यास OpenAI सांगते.

सत्रातील आयटम ब्राउझरच्या कामाची दुसरी झलक देतात. computer_use_call आयटममध्ये क्रियाकलापाचे शीर्षक, फेरीचा ID आणि स्थिती असते. स्क्रीनशॉट सक्षम असल्यास एखाद्या आयटममध्ये computer_screenshot चित्र URL असू शकतो; काही कृतींसाठी तरीही चित्र मिळत नाही. या आयटममध्ये ब्राउझरच्या कृती दिसतात, कामाविषयीचा अंतिम निर्णय नाही. वातावरणाची साफसफाई मागण्यासाठी सत्र हटवण्यापूर्वी जतन केलेले आयटम आणि अॅप्लिकेशनला हवे असलेले निकाल किंवा स्क्रीनशॉट तपासा. स्क्रीनशॉटमध्ये संवेदनशील पृष्ठ किंवा खाते माहिती असू शकते; त्यामुळे अधिकृत लोकांनाच ते दाखवावे आणि अॅप्लिकेशनच्या लॉगमध्ये ठेवू नयेत, असा दस्तऐवजाचा सल्ला आहे.

प्रवेश आणि खर्च हे वेगवेगळे निर्णय आहेत

OpenAI च्या DevDay आढाव्यानुसार संगणक-वापर सुविधा API द्वारे तसेच Pro 500 व Enterprise योजनांतील Codex आणि ChatGPT Work मध्ये उपलब्ध आहे. हा मार्गदर्शक API चा मार्ग सांगतो; त्यासाठी Platform प्रमाणपत्रे आणि परवानग्या लागतात. उत्पादन योजनेविषयीच्या विधानामुळे API प्रवेश मिळत नाही किंवा API वापराचे शुल्क समाविष्ट होत नाही.

Agents API च्या आढाव्यानुसार मॉडेलचा वापर निवडलेल्या मॉडेलच्या API दरांनुसार आकारला जातो, तर OpenAI-होस्टेड सँडबॉक्ससाठी मानक कंटेनर दर लागू होतात. तपासलेल्या पृष्ठांमध्ये संगणक-वापर टूलचे स्वतंत्र शुल्क नमूद नाही; पण याचा अर्थ होस्ट केलेले ब्राउझर सत्र मोफत आहे असा होत नाही. कामाचा खर्च ठरवण्यापूर्वी सध्याचे मॉडेल व कंटेनर दर तपासा. उदाहरणांतील बीटा API पद्धती बदलू शकतात. या लेखासाठी कोणतेही API सत्र किंवा ब्राउझर काम केलेले नाही आणि SDK चालवलेला नाही.

स्रोत आणि पुढील वाचन

  • OpenAI, “Computer use”, 30 सप्टेंबर 2026 रोजी पाहिले. ब्राउझर संरचना, इव्हेंट नावे, मूळ-संकेतस्थळ व प्रमाणीकरण विनंत्या, निकाल तपासणी, क्रियाकलाप आणि हटवणे यांचा मुख्य संदर्भ. पृष्ठावर प्रकाशन तारीख दिसली नाही.
  • OpenAI, “Agents API quickstart”, 30 सप्टेंबर 2026 रोजी पाहिले. Platform की परवानग्या, बीटा शीर्षक आणि SDK ची पूर्वतयारी सांगते; सर्वसाधारण कोडिंग उदाहरण संगणक-वापर उदाहरणापेक्षा वेगळे आहे.
  • OpenAI, “Agents API” आणि “OpenAI-hosted sandboxes”, 30 सप्टेंबर 2026 रोजी पाहिले. सत्राची रचना तसेच मॉडेल व होस्ट केलेल्या कंटेनरचे स्वतंत्र शुल्क समजावतात. दोन्ही पृष्ठांवर प्रकाशन तारीख नव्हती.
  • OpenAI API किंमत, 30 सप्टेंबर 2026 रोजी पाहिले. निवडलेल्या मॉडेलचे व होस्ट केलेल्या कंटेनरचे सध्याचे दर तपासावेत; विशिष्ट रनचा खर्च येथे मोजलेला नाही.
  • OpenAI, “DevDay 2026 Recap”, 29 सप्टेंबर 2026 रोजी प्रकाशित. Agents API च्या प्रारंभाचा तसेच API आणि Codex/ChatGPT Work Pro 500 व Enterprise योजनांतील उपलब्धतेविषयीच्या वेगळ्या विधानांचा स्रोत.