एजेंट बनाने के लिए नए टूल

 (openai.com)
1 पॉइंट द्वारा GN⁺ 2025-03-12 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • OpenAI ने production-ग्रेड एजेंट विकसित करना आसान बनाने के लिए Responses API, built-in tools, Agents SDK, और observability tools पेश किए हैं
  • Responses API Chat Completions API की सादगी और Assistants API की tool-use क्षमताओं को जोड़ता है, जिससे web search, file search, और computer use को एक ही flow में संभाला जा सकता है
  • नए integrations के लिए Responses API के उपयोग की सिफारिश की गई है, और Assistants API को feature parity हासिल होने के बाद 2026 के मध्य तक बंद करने के लक्ष्य के साथ deprecation प्रक्रिया में डाला जाएगा
  • built-in tools ताज़ा web जानकारी, बड़े पैमाने पर document search, और mouse/keyboard-आधारित computer task automation को support करते हैं, लेकिन computer use के लिए खासकर non-browser environments में human supervision की सिफारिश की जाती है
  • डेवलपर्स API, tools, SDK, और tracing/evaluation features को एक ही platform पर जोड़कर एजेंट बना, deploy, और optimize कर सकते हैं

एजेंट डेवलपमेंट के लिए नए components

  • OpenAI एजेंट को ऐसे system के रूप में देखता है जो उपयोगकर्ताओं की ओर से स्वतंत्र रूप से काम पूरे करता है
  • पिछले एक साल में advanced reasoning, multimodal interaction, और नई safety techniques के आने से जटिल multi-step tasks संभालने की नींव बनी है
  • ग्राहकों को इन क्षमताओं को production-ready agents में बदलने की प्रक्रिया में कठिनाई हुई
    • व्यापक prompt iteration की आवश्यकता होती है
    • custom orchestration logic खुद बनानी पड़ती है
    • पर्याप्त visibility और built-in support की कमी होती है
  • इस बार जारी किए गए components ये हैं
    • Responses API: Chat Completions API की सादगी और Assistants API की tool-use क्षमताओं का संयोजन
    • built-in tools: web search, file search, computer use
    • Agents SDK: single-agent और multi-agent workflows को orchestrate करता है
    • observability tools: agent workflow execution को track और inspect करते हैं

Responses API

  • Responses API OpenAI के built-in tools का उपयोग करके एजेंट बनाने के लिए नया API primitive है
  • यह Chat Completions की सादगी और Assistants API की tool-use क्षमताओं को जोड़ता है
  • एक ही Responses API call में कई tools और कई model turns का उपयोग करके अधिक जटिल tasks संभाले जा सकते हैं
  • शुरुआती support किए गए tools ये हैं
    • web search
    • file search
    • computer use
  • usability improvements भी शामिल हैं
    • unified item-based design
    • अधिक सरल polymorphism
    • intuitive streaming events
    • response.output_text जैसे SDK helpers
  • यह उन डेवलपर्स के लिए डिजाइन किया गया है जो अलग-अलग APIs या बाहरी vendors को अलग से integrate किए बिना OpenAI models और built-in tools को अपने app में जोड़ना चाहते हैं
  • OpenAI में data store करने पर tracing और evaluation features के जरिए agent performance evaluation आसान हो जाता है
  • OpenAI डिफ़ॉल्ट रूप से business data का उपयोग model training के लिए नहीं करता, और data OpenAI में store होने पर भी यही नीति लागू होती है
  • यह आज से सभी डेवलपर्स के लिए उपलब्ध है, कोई अलग शुल्क नहीं है, और tokens व tools का बिल pricing page की standard rates के अनुसार लिया जाएगा
  • शुरुआत के लिए दस्तावेज़ Responses API quickstart guide में उपलब्ध हैं

मौजूदा APIs के साथ संबंध

  • Chat Completions API OpenAI की सबसे व्यापक रूप से अपनाई गई API है और इसे आगे भी support किया जाएगा
    • जिन डेवलपर्स को built-in tools की ज़रूरत नहीं है, वे इसका उपयोग जारी रख सकते हैं
    • जिन features को built-in tools या कई model calls पर निर्भरता नहीं है, उनके नए models Chat Completions में भी जारी होते रहेंगे
    • Responses API, Chat Completions का superset है और वही performance देता है, इसलिए नए integrations के लिए Responses API की सिफारिश की जाती है
  • Assistants API के beta feedback को Responses API में शामिल किया गया है, जिससे यह अधिक flexible, तेज़, और उपयोग में आसान बना है
    • Assistant-जैसे objects, Thread-जैसे objects, और Code Interpreter tool सहित Assistants API और Responses API के बीच full feature parity पर काम चल रहा है
    • feature parity पूरी होने पर Assistants API deprecation की आधिकारिक घोषणा की जाएगी
    • लक्ष्य समय 2026 का मध्य है
    • deprecation घोषणा के समय data preservation और application migration के लिए migration guide दी जाएगी
    • आधिकारिक deprecation घोषणा से पहले तक Assistants API में भी नए models उपलब्ध कराए जाते रहेंगे
  • OpenAI Responses API को OpenAI पर एजेंट बनाने की भविष्य की दिशा मानता है

Responses API के built-in tools

  • web search

    • डेवलपर्स web से तेज़ और ताज़ा उत्तर स्पष्ट source citations के साथ प्राप्त कर सकते हैं
    • Responses API में web search, gpt-4o और gpt-4o-mini के साथ tool के रूप में उपलब्ध है, और इसे दूसरे tools या function calling के साथ इस्तेमाल किया जा सकता है
    • शुरुआती testing में shopping assistants, research agents, और travel booking agents जैसे ऐसे apps दिखे जिन्हें up-to-date web जानकारी चाहिए
    • Hebbia web search tool का उपयोग करके asset managers, private equity/credit firms, और legal professionals को बड़े public और private datasets से actionable insights तेज़ी से निकालने में मदद करता है
    • API का web search उसी model family पर आधारित है जिसका उपयोग ChatGPT search में होता है
    • SimpleQA में GPT‑4o search preview ने 90% और GPT‑4o mini search preview ने 88% accuracy दर्ज की
    • API के web search responses में news articles और blog posts जैसे स्रोतों के links शामिल होते हैं
    • websites और publishers API web search में दिखने का विकल्प चुन सकते हैं
    • web search tool Responses API में सभी डेवलपर्स के लिए preview के रूप में उपलब्ध है
    • Chat Completions API में gpt-4o-search-preview और gpt-4o-mini-search-preview के जरिए search models को सीधे access किया जा सकता है
    • pricing GPT‑4o search के लिए 1,000 queries पर $30 और 4o-mini search के लिए 1,000 queries पर $25 से शुरू होती है

  • file search

    • बेहतर file search tool के जरिए बड़े पैमाने के documents में प्रासंगिक जानकारी आसानी से खोजी जा सकती है
    • यह कई file formats, query optimization, metadata filtering, और custom reranking को support करता है
    • Responses API में इसे कुछ lines of code से integrate किया जा सकता है
    • use cases ये हैं
      • customer support agent FAQs तक पहुँचता है
      • legal assistant qualified professionals के लिए past cases को तेज़ी से reference करता है
      • coding agent technical documentation देखता है
    • Navan AI-आधारित travel agent में file search का उपयोग करके company travel policies जैसे knowledge-base documents से तेज़ और सटीक उत्तर देता है
    • built-in query optimization और reranking की मदद से बिना अतिरिक्त tuning या configuration के RAG pipeline बनाई जा सकती है
    • user groups के लिए dedicated vector stores रखने पर account settings और user roles के अनुसार उत्तर दिए जा सकते हैं
    • file search Responses API में सभी डेवलपर्स के लिए उपलब्ध है
    • usage pricing 1,000 queries पर $2.50 है, और file storage की कीमत प्रति GB प्रति दिन $0.10 है, जबकि पहला 1GB मुफ्त है
    • यह Assistants API में भी उपलब्ध रहेगा
    • Vector Store API objects में नया search endpoint जोड़ा गया है, जिससे अन्य applications और APIs में उपयोग के लिए data को सीधे query किया जा सकता है

  • computer use

    • computer use tool Responses API में computer tasks करने वाले agents बनाने की सुविधा है
    • यह Operator को संभव बनाने वाले Computer-Using Agent(CUA) model से संचालित है
    • research preview model ने ये benchmark results दर्ज किए
    • built-in computer use tool model द्वारा generated mouse और keyboard actions को capture करता है
    • डेवलपर्स इन actions को अपने environment में executable commands में बदलकर computer use tasks को automate कर सकते हैं
    • use cases में web app QA और legacy systems के बीच data entry जैसे browser-based workflow automation शामिल हैं
    • Unify computer use tool का उपयोग ऐसे revenue growth system में करता है जहाँ agents intent समझते हैं, account research करते हैं, और buyers से संपर्क करते हैं
    • agent उन जानकारियों का भी उपयोग कर सकते हैं जिन्हें API के जरिए access नहीं किया जा सकता था
      • उदाहरण के लिए, property management company online maps के जरिए यह सत्यापित कर सकती है कि किसी business ने अपनी real-estate footprint बढ़ाई है या नहीं
    • Luminai API और standardized data के बिना legacy systems वाले बड़े enterprises में जटिल operational workflows automate करने के लिए computer use tool को integrate करता है
      • एक बड़े community service organization pilot में इसने application processing और user enrollment प्रक्रियाओं को कुछ ही दिनों में automate कर दिया
      • पारंपरिक RPA इसी काम को महीनों की कोशिश के बाद भी हासिल करने में कठिनाई महसूस करता
    • CUA को Operator में लॉन्च करने से पहले misuse, model mistakes, और frontier risks के तीन क्षेत्रों में व्यापक safety testing और red teaming की गई
    • API में CUA के जरिए Operator capabilities के local operating systems तक विस्तार से जुड़े जोखिमों को संभालने के लिए अतिरिक्त safety evaluations और red teaming भी की गई
    • डेवलपर्स के लिए अतिरिक्त mitigations भी जोड़े गए
      • prompt injection defense के लिए safety checks
      • sensitive tasks के लिए confirmation prompts
      • environment isolation में मदद करने वाले tools
      • संभावित policy violations के लिए बेहतर detection
    • mitigations जोखिम को कम करते हैं, लेकिन model खासकर non-browser environments में अनचाही गलतियाँ कर सकता है
    • OSWorld पर 38.1% performance यह दिखाती है कि operating-system task automation में अभी उच्च reliability नहीं है, इसलिए ऐसे मामलों में human supervision की सिफारिश की जाती है
    • API-विशिष्ट safety work का विवरण updated system card में देखा जा सकता है

Agents SDK और workflow orchestration

  • एजेंट्स को core logic और tool access के साथ-साथ workflow orchestration भी चाहिए
  • नया open-source Agents SDK multi-agent workflow orchestration को सरल बनाता है
  • यह पिछले साल जारी किए गए experimental SDK Swarm से बेहतर है
  • मुख्य features ये हैं
    • Agents: स्पष्ट instructions और built-in tools वाले आसानी से configured LLMs
    • Handoffs: agents के बीच control का intelligent transfer
    • Guardrails: input और output validation के लिए configurable safety checks
    • Tracing & Observability: agent execution traces को visualize करके debugging और performance optimization में मदद
  • लागू किए जा सकने वाले real-world use cases में customer support automation, multi-step research, content generation, code review, और sales lead generation शामिल हैं
  • Coinbase Agents SDK का उपयोग करके AgentKit को तेज़ी से prototype और deploy करता है, जिससे AI agents crypto wallets और onchain activity के साथ interact कर सकें
    • कुछ ही घंटों में इसने Developer Platform SDK के custom actions को fully working agents में integrate कर दिया
    • AgentKit की simplified architecture नए agent actions जोड़ना आसान बनाती है
  • Box ने कुछ ही दिनों में web search और Agents SDK का उपयोग करने वाला agent बनाया, जो Box के भीतर के unstructured data और public internet sources से search, query, और insight extraction कर सकता है
    • enterprise customers सिर्फ latest information ही नहीं, बल्कि internal permissions और security policies का पालन करते हुए proprietary internal data भी search कर सकते हैं
    • उदाहरण के लिए, एक financial services company Box में stored internal market analysis को web की real-time news और economic data के साथ जोड़ने वाला custom agent बना सकती है
  • Agents SDK, Responses API और Chat Completions API दोनों पर काम करता है
  • यदि Chat Completions-style API endpoints दिए जाते हों, तो इसे अन्य providers के models के साथ भी उपयोग किया जा सकता है
  • इसे Python codebases में तुरंत integrate किया जा सकता है, और Node.js support जल्द आने वाला है
  • OpenAI ने Agents SDK के design में Pydantic, Griffe, MkDocs के काम से प्रेरणा ली है
  • OpenAI इसे open-source framework के रूप में आगे भी विकसित करेगा ताकि community इस approach को बढ़ा सके

एजेंट platform के विस्तार की दिशा

  • OpenAI का मानना है कि एजेंट जल्द ही workforce का मुख्य हिस्सा बनेंगे और उद्योगों में productivity को काफी बढ़ाएँगे
  • जैसे-जैसे जटिल tasks में AI के उपयोग की मांग बढ़ रही है, कंपनी डेवलपर्स और enterprises को वास्तविक प्रभाव डालने वाले autonomous systems बनाने के components देने पर केंद्रित है
  • यह घोषणा भरोसेमंद और उच्च-प्रदर्शन वाले AI agents को अधिक आसानी से build, deploy, और scale करने के लिए शुरुआती components का सेट है
  • जैसे-जैसे model capabilities और अधिक agentic बनेंगी, OpenAI APIs में गहरे integrations और production agents के deployment, evaluation, और optimization में मदद करने वाले नए tools में निवेश जारी रखने की योजना रखता है
  • लक्ष्य एक seamless platform experience देना है, जिससे किसी भी industry में विविध tasks में मदद करने वाले agents बनाए जा सकें

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2025-03-12
Hacker News की राय

  • किसी डेवलपर के लिए जो असली product में OpenAI जोड़ना चाहता है, समझ नहीं आता कि ऐसे API बदलाव कितने मददगार होंगे
    conversations, messages, prompt forwarding वगैरह संभालने वाली vendor-managed state machine मेरे use case में आखिरकार या तो कम पड़ गई, या बहुत ज्यादा assumptions ले आई, या रास्ते में बाधा बनी
    आखिर में मैं सिर्फ structured outputs ऑन करके Chat Completions API इस्तेमाल करता हूं, और उसी के अंदर tool use, recursive conversations, RAG वगैरह पर्याप्त रूप से कर रहा हूं
    अपने “agent” की state management किसी third party को सौंपने में मुझे value नहीं दिखती; ऐसी चीजें local रखना कहीं ज्यादा autonomous है
    मुख्य बात बस इतनी है कि किसी string literal को black box में डालो और बदले में नई string, बेहतर हो तो JSON जैसे मांगे गए format में, मिलती है
    हर बार सही string compose करने के नजरिए पर ध्यान दें तो बाकी सब गायब हो जाता है, और यह database की business state से highly structured string बनाने जैसा हो जाता है
    यह असल में PHP से web page को server-side render करने जैसा ही काम है, असली फर्क सिर्फ delivery के तरीके में है

    • मुझे भी ऐसा ही लगता है
      simple structured generation call के ऊपर मेरी जरूरत की चीजें जोड़ने वाला agent framework मुझे अभी तक नहीं मिला
      ज्यादातर LLM requests “prompt input, structured output” होनी चाहिए, और यह एक काम अच्छे से करने वाली Unix philosophy से भी मेल खाता है
      agent frameworks बहुत जल्दी आ गए हैं; वे बस अभी तक common नहीं हुए design patterns के bundle के ऊपर abstraction layer हैं
      abstraction तभी बनानी चाहिए जब साफ हो कि सब लोग wheel दोबारा बना रहे हैं, लेकिन agents में invent करने जैसा कोई wheel नहीं है; सब simple language model calls ही हैं
      मैं अक्सर कहता हूं, “language model code का सबसे boring हिस्सा होना चाहिए”
      ज्यादातर समय actual software और tools बनाने में लगना चाहिए, और LLM software का छोटा component होना चाहिए
      agent frameworks मेरी पसंद के हिसाब से codebase में language model की मौजूदगी बहुत बढ़ा देते हैं
    • मेरी भी यही सोच है
      OpenAI का function calling abstraction तक parameters और schemas hallucinate करता है, और JSON Schema खुद भी इतना verbose है कि बहुत simple 5 function calls से थोड़ा भी complex होते ही पूरी तरह बिखर जाता है
      यह पहले से टूटे हुए black-box abstraction के ऊपर और layer चढ़ाने जैसा दिखता है, और real applications में ज्यादा उपयोगी नहीं है
      छोटे proof-of-concept app जल्दी बनाने में शायद मदद कर सकता है
    • सही
      ऐसी API के ऊपर company खड़ी करने के लिए भोला होना पड़ेगा
      LLM commodity बन जाएंगे, और OpenAI को अपनी valuation और लगातार जरूरी investment scale justify करने के लिए उस fate से लड़ना ही पड़ेगा
      अगर आपने Assistant API के ऊपर बनाया है, तो hint समझिए और Responses API पर बस rewrite मत कीजिए; अपना product खुद own कीजिए
      आज के LLM को black box में लपेटकर रखना बेहतर है
    • ऐसा लगता है कि हमें मौजूदा API से non-technical reasons की वजह से धकेला जा रहा है
      वजह यह हिस्सा है: “Chat Completions इस्तेमाल करते समय model हमेशा response से पहले web से जानकारी लाता है। अगर आप चाहते हैं कि gpt-4o और gpt-4o-mini जैसे models जरूरत पड़ने पर ही web_search_preview को tool के रूप में call करें, तो Responses API पर switch करें”
      नए Responses API पर port करना आसान नहीं है, और हमारे पास पहले से history, RAG, और assistant के लिए जरूरी चीजें मौजूद हैं
    • इससे बेहतर कहना मुश्किल है
      मैंने सिर्फ function calling और structured outputs से कई agents develop किए हैं, और उन्हें एक साल से ज्यादा production में चला रहा हूं
      पहले हम इसे agent भी नहीं कहते थे
      यह चीज उन लोगों को target करती लगती है जो पहले से agent frameworks और OpenAI API साथ में इस्तेमाल कर रहे हैं

  • नई API के designer ने कई design decisions की पृष्ठभूमि समझाते हुए अच्छा Twitter thread लिखा है: https://twitter.com/athyuttamre/status/1899541471532867821
    Twitter में login नहीं करने वालों के लिए एक alternative link भी है: https://nitter.net/athyuttamre/status/1899541471532867821

  • ये AI agent वाली कोशिशें मूल बात से ही भटकी हुई लगती हैं
    क्योंकि ये नया तरीका बनाने के बजाय मौजूदा systems में इंसान को replace करने की कोशिश कर रही हैं
    economy और life, सब कुछ आखिरकार human-to-human interaction के बारे में है, इसलिए यह बुनियादी रूप से short-sighted है
    अभी का AI agent approach उस joke का variation लगता है कि “एक sentence को AI लंबा और polished email बना देता है, और receiving side का AI उस लंबे email को फिर एक sentence में summarize कर देता है”
    मौजूदा systems के tasks automate करने की usefulness समझ में आती है, लेकिन असली opportunity मौजूदा systems के ज्यादातर हिस्से हटाने में है
    इंसान इतने भी बुरे नहीं हैं
    AI से humans के लिए UI बनवाना और फिर AI से वही UI operate करवाना — क्या सच में आगे बढ़ने का रास्ता यही है, इस पर शक है

    • अगर “economy और life, सब कुछ human-to-human interaction के बारे में है”, तो आप रोज हाथ से गूंथे और human-powered kiln में पकाए गए handmade clay bowls कितने इस्तेमाल करते हैं?
      हाथ से तोड़ी गई टहनियों से बुनी baskets कितनी इस्तेमाल करते हैं?
      इतिहास दिखाता है कि जिसे automate किया जा सकता है, वह automate होता है, और जिसे सस्ता या तेज बनाया जा सकता है, उसके साथ भी यही होता है
    • मुझे लगता है कि current-generation AI models के लिए सबसे valuable रास्ता उन्हें products के configuration और management area में integrate करना है
      उदाहरण के लिए B2B SaaS ecosystem में, organization के power users द्वारा customer configuration और project management tasks को macro-ize करने के लिए assistant user experience की तरह इस्तेमाल करना
      अगर abstraction, context और user set अच्छी तरह सीमित हों, तो tool use काफी stable हो सकता है

  • जो चीज़ साफ़ तौर पर छूटी है: Model Context Protocol
    https://www.anthropic.com/news/model-context-protocol

    • 100% सहमत, लेकिन यह वही चीज़ नहीं है और न Agent SDK को replace करेगा, न उल्टा
      agents को हमेशा किसी न किसी रूप में communication protocol की ज़रूरत होती है, और agentic framework की दुनिया logos के समुद्र जैसी है, इसलिए खुले standard के बिना मुश्किल हो जाता है
      मैं अभी Comet में हूँ, MCP implementation पर खुद काम किया है और Agent SDK में native integration और test suite improvements के रूप में contribute भी किया है
      https://github.com/comet-ml/opik-mcp
      https://github.com/openai/openai-agents-python/pull/91
      हालिया integration पहले ही दिन launch किया था
      https://www.comet.com/docs/opik/tracing/integrations/openai_...
      मुझे लगता है OpenAI जिस मूल दिशा में जा रहा है, वह developers को easy-to-use components के ज़रिए simplicity देने की है
      strategy या pricing पर नहीं बोलूँगा, लेकिन developer के नज़रिए से पहली बार देखने पर SDK का simple modular approach और बिना extra clutter होना ताज़गी भरा लगा
    • खुद implement नहीं किया है, इसका मतलब यह नहीं कि support नहीं है: https://github.com/dylibso/mcpx-openai-node
      यह general-purpose नहीं है, बल्कि mcp.run tool calls को OpenAI models के साथ इस्तेमाल करने के लिए है
      फिर भी MCP को सीधे support न करना developers के लिए सबसे hostile moves में से एक के करीब है, और OpenAI से यह हैरानी वाली बात नहीं
      अगर जोड़ा जाए तो बहुत अच्छा होगा
    • main thread में इसका ज़िक्र है: https://nitter.net/athyuttamre/status/1899511569274347908
      “क्या Agents SDK MCP connection को support करता है? क्या MCP client-server connection के ज़रिए किसी खास agent को tools आसानी से दे सकते हैं?” इस सवाल पर जवाब था कि “आप अपने मनचाहे tools define कर सकते हैं, इसलिए function calling से MCP tools implement कर सकते हैं”
      सार यह है कि थोड़ी plumbing work आपको खुद करनी होगी
      संबंधित issue: https://github.com/openai/openai-agents-python/issues/23
    • दोनों के बीच कुछ हद तक bridge कर सकता है: https://github.com/SecretiveShell/MCP-Bridge
    • अगर आपने MCP इस्तेमाल किया है, तो आपका क्या सोचना है, जानना चाहूँगा

  • swyx हूँ
    नए API के बारे में API/DX team से पहले से देखने और अक्सर पूछे जाने वाले सवाल पूछने का समय मिला
    https://latent.space/p/openai-agents-platform
    दिलचस्प मुख्य बात यह है कि अब responses default रूप से free में store होते हैं, तो क्या Responses API को database की तरह abuse किया जा सकता है
    HN लोगों को पसंद आने वाले सवाल भी हैं
    web search के hyperparameters, यानी DIY Deep Research बनाते समय search की depth और breadth कैसे adjust करें
    अब जब OAI Responses API के हिस्से के रूप में RAG और reranking built-in दे रहा है, तो अपना RAG कब बनाना चाहिए
    निजी तौर पर मुझे लगता है किसी को Files API के RAG performance का benchmark करना चाहिए। community की impression शायद Assistants API के पहले launch के समय से ज्यादा update नहीं हुई है
    Agents SDK और OAI Swarm का फर्क मोटे तौर पर types, tracing, और replaceable LLM है
    यह भी उत्सुकता है कि search-preview और computer-use-preview fine-tuning GPT5 में merge होगी या नहीं

    • “qtns” क्या है?
    • अगर Agents SDK पसंद है लेकिन framework का OpenAI से बंध जाना पसंद नहीं, तो PydanticAI मुझे काफी अच्छा लगता है
      0 - https://ai.pydantic.dev/
    • web search hyperparameter वाले सवाल के लिए धन्यवाद
      ऐसे AI search tools खुद बनाने की मुख्य वजहों में से एक यह है कि depth और breadth पर पूरा control मिलता है, और loaders को भी अपनी पसंद के data या sites के हिसाब से customize कर सकते हैं
      फिलहाल web search transparent नहीं है कि किन sites पर full text नहीं है और किन sites के लिए केवल snippets इस्तेमाल होते हैं
      computer use और web search का साथ होना निश्चित रूप से powerful है। मूल रूप से यह OpenAI के Deep Research जैसा ही है

  • घोषणा में कीमतों का खुलासा नहीं किया गया
    शायद इसलिए कि उन्हें पता था कि यह बहुत महंगा होगा
    वेब सर्च [0]: GPT‑4o search और 4o-mini search के लिए क्रमशः $30, $25 प्रति 1,000 क्वेरी
    फ़ाइल सर्च [1]: $2.50 प्रति 1,000 क्वेरी, फ़ाइल स्टोरेज $0.10/GB/दिन, पहला 1GB मुफ़्त
    कंप्यूटर उपयोग टूल(computer-use-preview मॉडल) [2]: $3 प्रति 10 लाख इनपुट टोकन, $12 प्रति 10 लाख आउटपुट टोकन
    [0] https://platform.openai.com/docs/pricing#web-search
    [1] https://platform.openai.com/docs/pricing#built-in-tools
    [2] https://platform.openai.com/docs/pricing#latest-models

    • खासकर वेब सर्च की कीमत तो बेतुकी है
      समझ नहीं आता कि यह API https://www.anthropic.com/news/model-context-protocol से कैसे बेहतर है
      प्रेरणा “यूज़र के लिए और उपयोगी कैसे बनें” से ज़्यादा “और पैसा कैसे कमाएँ” जैसी दिखती है
    • आखिरकार, लगता है अक्षरों को वजन के हिसाब से बेचने से वेब सर्च और क्लाउड स्टोरेज बेचने की ओर pivot कर रहे हैं
      पसंद आया, साहसिक कदम
      जब तक Google के सुस्त लोग आखिरकार बराबरी कर पाएँगे, शायद Google के लिए बहुत देर हो चुकी होगी
    • जिन्हें ढूँढना हो उनके लिए, Brave Search $3 प्रति 1,000 requests है [0]
      वेब सर्च करने वाली और काफी अच्छी तरह काम करने वाली एक script भी लिखी है। vercel ai sdk का इस्तेमाल किया है [1]
      [0] - https://brave.com/search/api/
      [1] - https://gist.github.com/bramses/41e90b27d156590154bcefd4119f...

  • Responses API से कहीं ज़्यादा सरल और शक्तिशाली version मैंने खुद बनाया है, और यह सभी LLM providers के साथ काम करता है
    https://github.com/Anilturaga/aiide

    • हैरानी है कि GitHub stars इतने कम होने के बावजूद दो दिनों में aiide project को चौथी बार देख रहा हूँ
      देखने में अच्छा है, सच में काफी अच्छा लग रहा है

  • एक पंक्ति है: “Assistant API के deprecation की आधिकारिक घोषणा करने की योजना है और target sunset date 2026 के मध्य की है”
    नया Responses API सही दिशा में एक कदम है, जिसमें built-in “handoff” फीचर भी शामिल है
    हालांकि agentic use cases के लिए यह अभी भी थोड़ा सीमित लगता है, और आधिकारिक guardrails·state machine logic की कमी है
    कहा गया कि “लक्ष्य developers को agents बनाने के लिए एक seamless platform experience देना है,” तो यह देखना दिलचस्प होगा कि इस platform की ओर कैसे बढ़ेंगे
    लगता है कुछ महीनों में graph-based control flow देखने को मिलेगा
    अभी भी open-source solutions अनगिनत हैं, लेकिन ज़्यादातर अधूरे हैं या बेवजह opacity और complexity जोड़ते हैं
    tool calls और JSON responses के संयोजन से agentic flows बनाए जा सकते थे, लेकिन अभी भी वह higher-level component गायब है जिसे किसी ने ठीक से solve नहीं किया है

  • यहाँ बताए गए Computer Use की प्रगति प्रभावशाली है, इसलिए उत्सुकता है कि क्या यह usability testing में इस्तेमाल करने लायक mature हो चुका है
    आम तौर पर, अगर कोई UI AI के लिए navigate करना मुश्किल है, तो क्या यह मानना ठीक होगा कि इंसानों के लिए भी वह अपेक्षाकृत मुश्किल होगा, और उसे किसी न किसी तरह simplify या improve करना चाहिए?

    • समझ नहीं आता कि ऐसा अनुमान क्यों लगाया जाए
      LLM जिस तरीके से UI से interact करता है और इंसान जिस तरह UI इस्तेमाल करते हैं, वे काफी अलग हैं

  • linked Agents SDK 404 दिखा रहा है
    संदर्भ के लिए, MindRoot में task API का इस्तेमाल करके Responses और File Search के कुछ हिस्सों जैसा कुछ है: https://github.com/runvnc/mindroot/blob/main/api.md
    इसे mr_kb plugin के query_kb tool के साथ जोड़ा जा सकता है, और यह multiple KB searches की अनुमति देता है, इसलिए वास्तव में File Search से बेहतर भी हो सकता है
    जो लोग मेरे program में मदद करना, plugin बनाना या PR भेजना चाहते हैं, वे GitHub, email, Discord/Telegram(runvnc) पर बेझिझक संपर्क कर सकते हैं

    • लिंक ठीक हो गया: https://openai.github.io/openai-agents-python/
    • मेरी तरफ तो ठीक से खुल रहा है
      शायद इसलिए क्योंकि मैं logged in हूँ