Python : transformer ses fonctions en outils avec OpenAI Agents SDK

Un script Python n’a pas besoin d’être réécrit pour être piloté par un agent. En décorant des fonctions existantes et en les confiant au OpenAI Agents SDK, un modèle décide quand et comment les appeler. Un exemple de surveillance de sites web illustre la démarche, avec GPT-5.6 Luna cité comme option de modèle.

Des usages élargis et des modèles cités comme plus abordables

L'IA agentique est présentée comme une méthode pratique pour automatiser des flux de travail. De plus en plus d'entreprises utilisent des agents pour gérer des tâches en plusieurs étapes plutôt que de s'appuyer sur des scripts fixes. Il mentionne également que des modèles moins coûteux comme GPT-5.6 Luna rendent l'exécution de systèmes utilisant des outils, voire de systèmes multi-agents à grande échelle, plus accessible. Plusieurs exemples d'applications sont proposés : analyse de fichiers CSV pour filtrer des lignes, calculer des métriques et détecter des tendances ; supervision de serveurs en vérifiant le CPU, la mémoire, le disque et les processus ; exploration de journaux pour compter les erreurs et extraire des événements ; automatisation d'API pour récupérer des données, mettre à jour des enregistrements ou créer des rapports.

Mettre en place le projet et exposer les fonctions comme outils

La préparation consiste à créer un nouveau projet Python et à installer les paquets openai-agents et requests, puis à définir la variable d'environnement OPENAI_API_KEY. Le OpenAI Agents SDK fournit un environnement d'exécution pour les agents, les outils, les transferts, les sessions et le traçage. Pour transformer une fonction Python en outil, il suffit d'ajouter le décorateur @function_tool. Le SDK convertit automatiquement la signature de la fonction en schéma JSON et utilise le nom et la docstring pour décrire l'outil. Dans ce schéma, le code Python continue d'effectuer le travail, tandis que l'agent apporte la compréhension du langage naturel, la sélection d'outils et l'orchestration.

Du script fixe à l’agent : ce qui change dans le flux de travail

Le script initial envoie une requête HTTP avec un timeout de 10, lit le code de statut, mesure la latence et retourne le résultat. Sans agent, il faut écrire en Python toute la logique pour vérifier plusieurs sites, comparer les temps de réponse ou identifier un site défaillant, généralement via une boucle explicite. En exposant la fonction comme outil, le modèle d'IA décide quand l'appeler, quelles URL vérifier, combien de fois l'utiliser et comment exploiter les résultats, puis produit la réponse.

Créer l’agent et piloter l’exécution avec Runner

La création de l'agent s'effectue avec Agent et Runner du module agents. Dans l'exemple, l'agent nommé Website Monitor utilise le modèle gpt-5.6-luna, reçoit des instructions pour surveiller des sites web, comparer les résultats et expliquer les problèmes, et dispose de la fonction check_website dans sa liste d'outils. Runner.run_sync exécute une requête demandant de tester python.org, github.com et openai.com afin d'identifier le site le plus lent, puis le résultat final est accessible via result.final_output.

La boucle d’outillage : décisions itératives jusqu’à la réponse

Le Runner gère l'interaction entre le modèle et les outils au sein d'une boucle. Si le modèle estime manquer d'informations, il peut rappeler l'outil, et la boucle se poursuit jusqu'à la production de la réponse finale. Le caractère agentique vient du fait que le modèle choisit les actions à entreprendre selon la demande et les résultats successifs, plutôt que de suivre une séquence fixe. Dans l'exemple, la docstring de la fonction décrit la vérification du statut HTTP et du temps de réponse, et les mesures retournées indiquent 1.59 secondes pour python.org, 0.83 secondes pour github.com et 0.49 secondes pour openai.com, tous avec un statut HTTP 200.