OpenAI Agents SDK 发布日，Modal 同步发布了一份完整的工程教程，展示如何用这两者搭建企业级 Agent Harness。
为什么需要自建 Harness
目前市面上有现成的 Agent 产品：Codex、Claude Code、OpenCode 等。但对很多企业来说，这些开箱即用的产品无法满足定制化需求。
Ramp 是一个真实案例。Ramp 用 Modal 部署了一套自定义后台编程 Agent 团队，目前这些 Agent 负责生成超过 50% 的 PR。他们选择自建而不是直接用现成工具，是因为要把 Agent 深度整合进自己的 CI/CD 流水线、代码仓库上下文管理和任务分配系统。
OpenAI Agents SDK 给了这条自建路径更好的"积木"。
Coding Agent 的最小定义
文章给出了 Coding Agent 最简洁的定义：
Agent = for 循环 + LLM + 工具集
一个 Agent 就是一个 for 循环，让 LLM 反复决策调用哪些工具（读文件、写代码、运行命令、执行测试），直到任务完成或满足退出条件。
最简单的实现只需要几行代码。但最简单的实现也有最大的风险：一旦有恶意 Prompt 或模型判断失误，在主机上直接运行代码会导致严重后果。
Modal Sandboxes 解决的问题
Agent 需要一台真实的计算机来运行代码。Modal Sandboxes 就是这台计算机：
隔离执行：每个 Agent 任务在独立容器里运行，彼此隔离，即使代码有问题也不会影响宿主系统。
按需 GPU：Sandbox 可以直接声明需要特定 GPU 配置，任务完成后自动释放，没有常驻费用。
秒级启动：GPU 在几秒内可用，不需要预留集群。
代替在主机直接运行危险命令，Agent 通过 Modal API 启动一个隔离环境，在里面安全地进行代码实验。
并行化：从单任务到多 Agent 协同
OpenAI Agents SDK 的一个关键设计是 Agent 可以将任务"移交"给其他 Agent（Handoffs）。结合 Modal 的扩缩容能力，这让并行架构变得自然：
主 Agent 接收任务（比如：在 Parameter Golf 挑战中找到最优的小模型架构），将任务拆解成多个独立子任务。
多个子 Agent 并行启动，每个在独立的 Modal Sandbox（含 GPU）里运行，分别尝试不同的超参数组合或架构方向。
汇总：主 Agent 收集子 Agent 的实验结果，综合判断下一步方向，再次迭代。
这个架构让原本需要串行跑数天的实验，可以在几小时内完成。
Agents SDK 提供的核心构建块
Agents SDK 在 Agent 循环之上提供了几个关键抽象：
Agent 定义：声明性地定义 Agent 的名称、指令、允许的工具集。
Handoffs：Agent 可以把特定子任务移交给另一个专用 Agent（比如：代码调试 Agent 移交给测试运行 Agent）。
Tracing：内置任务追踪，可以看到 Agent 调用链的完整记录，便于调试。
Guardrails：在输入/输出层设置安全检查，减少因模型判断失误导致的危险操作。
实战案例：Parameter Golf
Modal 用 OpenAI 的 Parameter Golf 挑战演示了完整架构。
目标：用尽可能少的参数训练出能通过智能基线的小模型。
Agent Harness 接收这个目标后：
- 主 Agent 制定实验计划，定义候选架构方向。
- 并行启动多个子 Agent，每个在独立 GPU Sandbox 里编写 PyTorch 训练脚本并运行。
- 子 Agent 汇报实验结果（验证集性能 vs 参数量）。
- 主 Agent 根据结果调整方向，再次并行实验。
这个模式——计划、并行执行、汇总、再计划——是 Agent 在研究类任务中的标准作战流程。
完整代码已开源在 GitHub，可作为自建企业 Agent Harness 的起点。