OpenAI Agents API public beta: harness managed, tool permission আপনার দায়িত্ব
OpenAI-এর ১০ সেপ্টেম্বরের ঘোষণা অনুযায়ী, Agents API public beta এখন সব developer-এর জন্য উন্মুক্ত। এতে Codex-এর managed harness, দীর্ঘস্থায়ী session, context management, tool use ও subagent orchestration পাওয়া যায়; কাজ চালানোর জন্য OpenAI-hosted sandbox, নিজস্ব infrastructure অথবা সমর্থিত partner environment বেছে নেওয়া যায়।
১১ সেপ্টেম্বরের AgentRiot-এর স্বাধীন পর্যালোচনা launch-এর তারিখ ও public-beta status যাচাই করে API-টিকে নতুন chat model বা application process-এ চলা Agents SDK নয়, hosted Codex agent loop হিসেবে ব্যাখ্যা করেছে। এর লক্ষ্য agent-এর দীর্ঘ কাজ চালু রাখা; কোন instruction, tool, credential বা system সেই agent ব্যবহার করবে, তা application owner-এর সিদ্ধান্তই থাকে।
Managed harness আসলে কী পরিচালনা করে
Agents API-এর মূল সুবিধা শুধু model-এ প্রবেশাধিকার নয়; এটি agent lifecycle ও orchestration পরিচালনা করে। Application task, model, tools ও environment নির্ধারণ করে session তৈরি করে। এরপর harness model call ও tool call সমন্বয়, session-এর context সংরক্ষণ এবং সক্ষম করা থাকলে কাজকে subagent-এর মধ্যে ভাগ করার দায়িত্ব নেয়।
দীর্ঘ session context limit-এর কাছে পৌঁছালে আগের কাজ compact করে প্রয়োজনীয় তথ্য ধরে রাখার ব্যবস্থা রয়েছে। Tool search প্রয়োজন অনুযায়ী প্রাসঙ্গিক tool definition আনে, আর programmatic tool calling code-এর মাধ্যমে বড় ফল filter বা combine করে কেবল দরকারি অংশ context-এ ফেরাতে পারে। পৃথক subagent নিজস্ব context-এ কাজ করলেও মূল agent তাদের ফল একত্র করে।
এই managed অংশটি কাজ চালানোর প্রক্রিয়া, access policy নয়। কোনো repository, customer database, observability service বা deployment system ব্যবহারের অধিকার harness নিজে তৈরি করে না। Session configuration-এ দেওয়া MCP server, custom function ও built-in tool-ই agent-এর কার্যকর সক্ষমতার ভিত্তি।
App থেকে human approval: পাঁচ স্তরের দায়িত্ব
Orply-এর architecture analysis orchestration, session ও context management-কে OpenAI পরিচালিত অংশ হিসেবে এবং instruction, tool, data access, runbook ও execution environment-কে builder-এর নিয়ন্ত্রণাধীন অংশ হিসেবে চিহ্নিত করেছে। সেখানে production incident investigation-এর উদাহরণটি কাল্পনিক; agent evidence সংগ্রহ ও mitigation প্রস্তাব করে, কিন্তু production change সম্পাদন করে না।
- App স্তর: application ব্যবহারকারীর পরিচয় ও অধিকার যাচাই করে, task ও business rule নির্ধারণ করে এবং ফল কোথায় পাঠানো বা সংরক্ষণ করা হবে তা ঠিক করে।
- Managed harness স্তর: OpenAI agent loop, session, context handling, tool-call coordination এবং সক্ষম করা multi-agent orchestration চালায়।
- Sandbox স্তর: code, file ও artifact কোন compute boundary-তে থাকবে, তা নির্বাচিত environment নির্ধারণ করে। OpenAI-hosted sandbox provision ও পরিচালনার দায়িত্ব OpenAI নিলেও সেখানে দেওয়া file, package, skill ও plugin application configuration-এর অংশ।
- Tool ও data স্তর: কোন MCP server, function, repository বা data store agent পাবে এবং access read-only নাকি write-enabled হবে, তা application team ঠিক করে। সংশ্লিষ্ট credential-এর scope-ও এই স্তরের নিয়ন্ত্রণ।
- Human approval স্তর: deploy, rollback, deletion, payment বা permission change-এর আগে মানুষের অনুমোদন প্রয়োজন হলে gate-টি application workflow-তে রাখতে হবে। Public-beta harness-কে সব application-এর জন্য স্বয়ংক্রিয় approval policy হিসেবে উপস্থাপন করা হয়নি।
এই বিভাজনের সরল অর্থ হলো, hosted orchestration মানেই hosted accountability নয়। Harness session সচল রাখতে পারলেও অতিরিক্ত ক্ষমতাসম্পন্ন tool, অস্পষ্ট instruction বা বিস্তৃত credential থেকে তৈরি ঝুঁকি application-এর security design-এর মধ্যেই পড়ে।
Environment বদলালে security boundary-ও বদলায়
OpenAI-hosted sandbox-এ OpenAI workspace provision ও manage করে; agent সেখানে code চালাতে, file নিয়ে কাজ করতে এবং artifact তৈরি করতে পারে। তবে কোন উপকরণ sandbox-এ যাবে এবং তার কাজ কোন downstream system গ্রহণ করবে, তা developer-এর configuration ও সংযুক্ত tool-এর ওপর নির্ভর করে।
Self-hosted বিকল্পে compute application owner-এর infrastructure-এ থাকে। এতে runtime ও file placement-এর ওপর সরাসরি নিয়ন্ত্রণ পাওয়া যায়, কিন্তু provisioning, isolation, patching, reconnect, shutdown এবং host-level logging-এর কাজও owner-এর দিকে সরে আসে। Partner environment নিলে compute তৃতীয় পক্ষ পরিচালনা করতে পারে; তখন secret storage, network route, data location ও contractual control আলাদাভাবে যাচাই করতে হয়।
Sandbox না থাকলেও remote MCP, web search বা application-side function tool দিয়ে coordinator ধরনের agent চালানো সম্ভব। Local shell অনুপস্থিত থাকলেও কোনো remote tool-এর write permission বিস্তৃত হলে বাস্তব system-এ পরিবর্তন ঘটতে পারে। তাই ঝুঁকির প্রকৃত boundary নির্ধারিত হয় agent কোন tool দিয়ে কোন সম্পদে কী action নিতে পারে তার ভিত্তিতে।
Production adoption-এর আগে minimum-control checklist
নিচের baseline ঘোষিত feature list নয়; responsibility split থেকে তৈরি একটি সম্পাদকীয় operational checklist। Public beta থেকে production workload-এ যাওয়ার আগে platform ও security team-এর অন্তত এসব control auditযোগ্য করা প্রয়োজন।
- প্রতিটি session-এর instruction, model, environment type, enabled tools ও permission scope version করুন। Configuration কে বা কোন deployment বদলেছে, সেই পরিচয় audit record-এ রাখুন।
- Application key, environment credential এবং downstream service secret আলাদা রাখুন। প্রতিটি credential-এ কাজের জন্য প্রয়োজনীয় সর্বনিম্ন read বা write scope দিন।
- অনুমোদিত network destination, filesystem path, repository এবং production account নির্ধারণ করুন। Self-hosted executor হলে isolation, patching ও lifecycle-এর জন্য স্পষ্ট owner রাখুন।
- Deploy, delete, payment, permission change ও customer communication-এর মতো উচ্চ-প্রভাবের action-এর সামনে application-side approval gate বসান। Reviewer-এর কাছে agent-এর evidence, uncertainty এবং প্রস্তাবিত পরিবর্তন দৃশ্যমান রাখুন।
- Session event, tool invocation, approval decision, artifact এবং শেষ পর্যন্ত সম্পাদিত action retention policy অনুযায়ী সংরক্ষণ করুন। শুধু final answer রাখলে পরে কোন tool কী data পেয়েছিল বা কে পরিবর্তন অনুমোদন করেছিল, তা পুনর্গঠন কঠিন হতে পারে।
একটি team-কে সব স্তরের দায়িত্ব নেওয়ার প্রয়োজন নেই। Application engineering instruction ও business rule, platform team environment ও credential, security team permission policy এবং operational owner change approval সামলাতে পারে। জরুরি বিষয় হলো, প্রতিটি boundary-র জন্য আগে থেকেই নির্দিষ্ট জবাবদিহিমূলক owner থাকা।
Public beta-তে যা নিশ্চিত, যা এখনও খোলা
বর্তমান public beta-তে OpenAI Codex harness, durable session, context management ও subagent coordination পরিচালনা করছে; developer execution environment এবং agent-এর tools নির্বাচন করছে। Instruction, data access, secret scope ও production action-এর অনুমোদন application architecture-এর অংশই থাকছে।
Beta পর্যায়ে interface, operational limit ও observability capability পরিবর্তিত হতে পারে। সাধারণ প্রাপ্যতার নির্দিষ্ট তারিখ এবং স্থিতিশীল service commitment এখনও প্রকাশিত হয়নি। ফলে production team-এর তাৎক্ষণিক প্রশ্ন শুধু API কত কাজ নিজে চালায় তা নয়—প্রতিটি tool call, credential এবং উচ্চ-প্রভাবের action-এর নিয়ন্ত্রণ ও প্রমাণ কোথায় থাকবে, সেটিও নির্ধারণ করা।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।