OpenAI 最新发布的 AgentKit 是一个创新的工具包，它允许开发者通过直观的视觉化工作流界面，轻松设计、连接和部署 AI 智能体（Agent）。AgentKit 将 Agent Builder、ChatKit 以及内置的工具集成（如网络搜索、GitHub、MCP 服务器）融为一体，让你能够快速高效地将想法转化为可运行的 Agent。
本指南将通过一个实际操作的演示，带你一步步构建一个能够自动扫描 GitHub 仓库、分类未解决议题（Open Issues）、检测重复项，并将所有信息汇总成简洁报告的 Agent 工作流。你将学会如何：
- 使用 Agent Builder 界面进行视觉化工作流设计。
- 配置两个协作 Agent：一个负责抓取和分析 GitHub 议题，另一个负责进行总结。
- 通过 ChatKit 运行、测试和发布你的工作流，实现真实的自动化。
最终，你的 AgentKit 工作流将呈现如下：
如果你对 OpenAI 还不熟悉，建议查阅我们的 OpenAI Fundamentals 技能路径。
什么是 AgentKit？
AgentKit 是 OpenAI 最新的框架，用于构建、部署和优化 AI Agent。它旨在帮助你从原型阶段快速进入生产环境，而无需复杂的后端设置。
AgentKit 的核心围绕两个关键组件展开：Agent Builder 和 ChatKit。
Agent Builder：视觉化工作流设计
Agent Builder 提供了一个拖放式的视觉化界面，让你无需编写代码即可设计完整的 AI 工作流。你可以组合多个 Agent 节点（由 GPT 模型驱动），并以逻辑顺序将它们连接起来。
每个 Agent 都可以拥有自己的指令、工具（如 Web Search、Code Interpreter 或 API 调用）以及结构化输出 Schema，你可以将它们串联起来形成多步骤自动化。Agent Builder 自动处理节点间的上下文传递、模型调用和数据格式化，使得原型开发即使是复杂的工作流也变得异常简单。
ChatKit：无缝部署与集成
一旦你的工作流准备就绪，ChatKit 便能将其部署到任何地方。它充当集成层，允许你将工作流嵌入聊天界面，通过 API 暴露它，或通过基于 Schema 的配置管理用户会话。
你甚至可以下载 SDK 并自行托管，以获得对 Agent 运行方式的灵活性和控制权。
AgentKit 还与 Connector Registry 无缝集成。Connector Registry 是一个中央枢纽，允许管理员管理数据源和工具如何在 OpenAI 产品之间连接。
这种集成意味着你的 Agent 可以安全地访问企业资源，如 GitHub、Notion 或内部 API，而无需硬编码凭证或管理单独的集成。
OpenAI AgentKit 演示：构建 GitHub Issue 审查工作流
在本节中，我们将逐步演示如何使用 AgentKit 的 Agent Builder 构建一个自动化的 GitHub Issue 审查工作流。这个工作流结合了两个相互连接的 Agent：一个负责分析 GitHub 仓库中的议题，另一个负责将结果总结成一份简洁的报告。
工作流的运作方式如下：
- 输入 GitHub 仓库 URL（例如：
https://github.com/OWNER/REPO）。 - GitHub Agent 会抓取最新的未解决议题，将它们分类为 Bug、Feature 或 Question，并生成搜索查询以识别潜在的重复项。
- 它还会根据过去的贡献者或评论者建议可能的负责人。
- 总结 Agent（Summary Agent）随后接收这个结构化的 JSON 输出，并生成一份易于维护者理解并立即采取行动的摘要报告。
最终，你将拥有一个功能齐全的多 Agent 工作流，能将原始的 GitHub 议题转化为可操作的洞察。
步骤一：设置 Agent Builder 环境
前往 AgentKit Playground，使用你的 OpenAI 账户登录或注册。登录后，你将进入视觉化工作流编辑器，在这里可以通过易于使用的界面设计、连接和配置 Agent。
现在，让我们创建一个工作流来开始。
步骤二：创建新工作流
在构建 Agent 之前，我们首先需要一个工作流来定义 Agent 如何连接和交互。工作流充当不同节点（如输入、处理和输出）之间的控制流。
首先点击“+ Create”创建一个新工作流，并将其命名为类似“GitHub Issue Assistant”的名称。创建后，你将看到一个空白画布，其中包含一个“Start”节点，该节点是工作流中所有操作的入口点。
我们的画布已准备就绪，现在我们可以开始添加并连接多个节点来构建工作流的逻辑。
步骤三：构建 GitHub Agent
在此步骤中，我们将在“Start”节点旁边添加一个 GitHub Agent 节点，以帮助处理用户输入的仓库链接。你可以通过以下 6 个简单步骤完成：
- 在侧边栏中，点击“Agent”，并在“Start”节点旁边添加一个 Agent 节点。
- 双击该 Agent 节点以访问其参数，并将 Agent 名称更改为“GitHub Agent”。
- 在指令框中添加以下指令：
[此处为 GitHub Agent 的具体指令，请根据实际需求填写。例如： “你是一个 GitHub Issue 分析专家。当用户提供一个 GitHub 仓库 URL 时，你需要： 1. 访问该 URL 并获取所有未解决（open）的 Issue。 2. 对每个 Issue 进行分类，判断其是 'bug'、'feature' 还是 'question'。 3. 为每个 Issue 生成可能的重复项搜索查询。 4. 根据 Issue 历史贡献者或评论者，建议可能的负责人。 5. 将分析结果以 JSON 格式输出。”] - 在“Tools”选项卡下，点击“+”并为该 Agent 启用 Web Search 工具。
- 最后，点击输出格式选项卡旁边的切换按钮，选择 JSON 作为结构化输出。此时将弹出一个类似 Excel 的窗口，并按如下所示填充参数：
你可以点击“Generate”让 GPT 自动为你填充此 Schema。
- 点击“Update”保存设置。
现在，我们的 GitHub Agent 已准备好分析仓库并对议题进行分类。
步骤四：构建总结 Agent
接下来，让我们将 GitHub Agent 生成的所有内容总结成一份报告。为此，我们设置一个总结 Agent，它接收上一个节点的 JSON 输出，并返回文本摘要作为输出。
- 在侧边栏中，点击“Agent”，并在“Start”节点旁边添加一个 Agent 节点。
- 双击该 Agent 节点以访问其参数，并将 Agent 名称更改为“Summary Agent”。
- 在指令选项卡中添加以下指令：
[此处为 Summary Agent 的具体指令，请根据实际需求填写。例如： “你是一个报告总结专家。你将接收一个包含 GitHub Issue 分析结果的 JSON 数据。请根据这些数据，生成一份清晰、简洁、易于维护者理解的报告。报告应包含： 1. 关键问题概述和分类分布。 2. 潜在的重复项列表。 3. 建议的 Issue 负责人。 4. 优先级建议（如果可能）。 请确保报告内容结构化且易于阅读。”] - 选择输出格式为“Text”。
现在，你的总结 Agent 将生成一份面向开发者的报告，最终的工作流将如下所示：
步骤五：预览与发布
要运行此工作流，请点击“Preview”并交互式地测试你的工作流。
一旦你对工作流满意，请点击“Publish”来发布你的工作流，以便通过 API 进行调用。部署工作流后，你可以将其 ID 传递给 ChatKit 集成，或者下载 Agents SDK 代码来自行部署工作流。
注意：Agent Builder 仍处于 Beta 阶段，但工具的使用费用将按照 gpt-4o-mini 或 gpt-5 等模型的标准 API 用量进行计费。你可以在 OpenAI 官网了解 API 定价。
这里有一个 OpenAI 关于 Agent Builder 的视频，你可能会觉得有用： OpenAI Agent Builder 视频
总结与展望
本教程展示了如何使用 OpenAI 的 AgentKit 构建一个自动化的 GitHub Issue 审查工作流。其强大之处在于所有逻辑和编排都得到了无缝处理，让你能够专注于设计智能工作流，而不是管理基础设施。
在此基础上，你可以连接真实的 GitHub MCP 服务器以实现实时议题追踪，集成文件搜索以分析拉取请求（Pull Requests）或文档，并添加 Guardrails 以确保数据隐私和结构化响应。你甚至可以将其与 ChatKit 扩展，用于自动化更新或发布报告，探索 Agent 的无限潜力。
你可以在我们关于 2025 年最值得构建的 10 个 AI Agent 项目 的指南中找到更多 Agentic AI 项目。
关于
关注我获取更多资讯
