오픈AI(OpenAI)가 코덱스(Codex)의 에이전트 실행 기반을 애플리케이션에서 호출할 수 있는 에이전트 API를 공개했다. 개발자는 에이전트가 쓸 도구와 실행 환경을 정하고, 오픈AI는 세션 유지와 작업 조율, 긴 작업의 맥락 관리와 복구를 맡는다. 코드를 실행하고 파일을 고치는 AI를 직접 구축할 때 가장 손이 많이 가는 부분을 서비스로 묶은 셈이다. 다만 실행 환경을 직접 운영할 수 있어도 데이터 보관과 서비스 종속성 문제까지 사라지는 것은 아니다.
핵심 요약
- 에이전트 API는 코덱스의 실행 기반을 관리형 API로 제공해 개발자가 세션과 작업 흐름을 직접 운영하는 부담을 줄인다.
- 개발자는 도구와 실행 환경을 선택하고, 에이전트는 샌드박스에서 코드 실행·파일 수정·외부 도구 연결 같은 작업을 수행한다.
- 세션 상태가 유지돼 진행 중인 작업을 살피거나 지시를 바꾸고, 다음 요청에서 이전 작업을 이어 갈 수 있다.
- 자체 호스팅 실행 환경을 선택할 수 있지만, API의 데이터 레지던시는 현재 미국만 지원하며 데이터 무보관 정책은 적용되지 않는다.
- 해커뉴스에서는 운영 편의성을 반기는 의견과 모델 선택권·데이터 통제권을 잃을 수 있다는 우려가 맞섰다.
코덱스 실행 기반을 API로
오픈AI가 내놓은 에이전트 API는 에이전트(도구를 사용해 여러 단계의 작업을 수행하는 AI 프로그램)를 애플리케이션에 붙이는 방법이다. 여기서 제공하는 것은 모델 호출 창구만이 아니다. 코덱스 하네스(에이전트의 실행과 상태를 관리하는 기반)를 오픈AI가 운영하고, 애플리케이션은 그 위에서 에이전트에 필요한 도구와 실행 환경을 지정한다. 개발자가 실행 흐름 전체를 직접 짜는 방식과 역할 분담이 다르다.
오픈AI가 맡는 범위에는 세션 관리, 오케스트레이션(여러 작업의 흐름을 조율하는 일), 컨텍스트 압축(앞선 작업을 요약해 모델이 다룰 맥락을 관리하는 일), 중단 후 복구가 포함된다. 에이전트는 샌드박스(코드와 명령을 실행하는 분리된 환경)에서 코드를 실행하고 파일을 수정할 수 있다. MCP(에이전트를 외부 도구·데이터와 연결하는 규약) 서버에도 연결하며, 작업 결과물을 아티팩트(생성된 파일 등 보관·전달할 수 있는 결과물)로 남긴다.
비용은 한 가지 요금으로 합쳐지지 않는다. 모델 사용량에는 선택한 모델의 API 요금이 적용되고, 오픈AI 도구는 각각의 표준 요금을 따른다. 오픈AI가 호스팅하는 샌드박스에도 표준 컨테이너 요금이 붙는다. 실행 기반을 맡기는 편의와 별개로, 어떤 모델·도구·환경을 조합하는지가 사용 비용을 결정하는 구조다.
에이전트·환경·세션·이벤트
문서는 API를 네 가지 개념으로 설명한다. ‘에이전트’는 사용할 모델과 지시문, 도구, MCP 서버를 묶은 설정이다. ‘환경’은 파일에 접근하고 명령을 실행하는 선택적 샌드박스 또는 컴퓨터를 뜻한다. 같은 에이전트 설정이라도 어떤 환경을 붙이느냐에 따라 실제로 할 수 있는 작업이 달라진다.
‘세션’은 에이전트가 작업을 수행하며 입력에 응답하는 지속적인 실행 단위다. 요청 한 번에 답 하나를 받고 끝내는 대신, 같은 세션에 후속 작업을 보낼 수 있다. ‘이벤트와 항목’은 세션으로 들어간 입력과 진행 과정에서 나온 출력을 나타낸다. 개발자는 최종 답변뿐 아니라 작업이 어떻게 진행되는지도 이 경로로 받는다.
이 구분은 애플리케이션의 책임을 나눌 때 중요하다. 에이전트 설정에는 무엇을 할지와 어떤 도구를 쓸지를 담고, 환경에는 어디서 파일을 읽고 명령을 실행할지를 정한다. 세션은 그 설정으로 시작한 작업의 연속성을 담당한다. 오픈AI가 하네스를 관리하더라도, 도구와 실행 장소를 고르는 일은 애플리케이션 쪽에 남아 있다.
만들고, 지켜보고, 다시 지시하기
오픈AI 호스팅 샌드박스를 쓰는 시작 절차는 세션 생성부터다. 개발자가 에이전트를 설정해 세션을 만들면 오픈AI가 실행 환경을 준비한다. 환경이 준비된 뒤 사용자 입력을 보내면 한 차례 작업이 시작된다. 이때 애플리케이션은 작업을 직접 실행하기보다 입력을 보내고 발생한 이벤트를 받는다.
진행 상황은 출력 스트리밍(결과를 생성되는 대로 연속 전달하는 방식)이나 웹훅(상태 변화가 생겼을 때 보내는 알림)으로 확인할 수 있다. 에이전트가 작업을 마쳤는지, 추가 입력이 필요한지에 맞춰 다음 동작을 정하는 방식이다. 작업이 끝난 뒤 같은 세션에 새 요청을 보내 이어 갈 수도 있다. 현재 진행 중인 차례에 지시를 보내 방향을 바꾸는 기능도 문서에 포함됐다.
핵심은 세션 상태를 유지한다는 점이다. 애플리케이션이 매 요청마다 대화와 작업 맥락을 다시 구성하지 않아도 이전 차례에 이어 작업할 수 있다. 작업 중단과 재개가 필요한 흐름에서는 이 지속성이 단순한 응답 생성보다 중요해진다. 다만 세션에 어떤 입력을 주고 언제 개입할지는 여전히 이를 사용하는 서비스가 설계해야 한다.
긴 작업을 버티게 하는 기능들
관리형 하네스는 샌드박스에서 명령과 코드를 실행하고, 관련 스킬과 지시를 적용하도록 설계됐다. 에이전트는 도구나 MCP를 통해 외부 데이터에 접근할 수 있고, 작업 중간에도 새로운 지시를 받을 수 있다. 따라서 파일 수정이나 자료 조사처럼 여러 행동을 이어 붙여야 하는 작업을 한 세션 안에서 다룬다. 도구 연결만 제공하는 API와 구별되는 대목이다.
긴 작업을 위한 장치도 있다. 앞선 작업을 요약해 컨텍스트를 관리하고, 큰 일을 하위 작업으로 나눠 서브에이전트(일부 작업을 위임받는 별도 에이전트)에 맡길 수 있다. 세션이 멈춘 지점에서 다시 시작하는 기능도 제공한다. 개발자가 직접 만들 경우 실행 기록과 맥락을 어떻게 이어 붙일지 고민해야 하는 부분을 하네스가 담당한다.
그렇다고 모든 판단을 API가 대신하는 것은 아니다. 어떤 도구를 연결하고 어떤 지시를 주느냐에 따라 에이전트가 접근할 수 있는 데이터와 수행할 수 있는 행동이 정해진다. 특히 명령 실행, 파일 수정, 외부 서비스 연결은 각각 다른 권한을 수반한다. 관리형 하네스를 도입할 때는 자동화할 범위와 개발자가 확인할 지점을 함께 정해야 한다.
예제가 가리키는 실제 작업
문서의 첫 예제는 오픈AI 호스팅 샌드박스에서 디렉터리 구조를 출력하는 스크립트를 만들고 실행하는 작업이다. 다른 예제는 서브에이전트들이 릴리스 노트를 비교하게 한 뒤 발견한 내용을 하나의 답으로 합친다. 전자는 코드 실행 환경을, 후자는 하위 작업 위임과 결과 취합을 보여 준다. 에이전트 API가 답변 생성뿐 아니라 작업 수행 과정을 대상으로 한다는 설명과 맞닿아 있다.
완성형 애플리케이션 예시에는 사고 대응 에이전트도 있다. 알림을 조사한 뒤 복구 조치를 취하기 전 승인을 요청하는 흐름이다. 슬랙(Slack) 봇은 연결된 업무 도구를 써서 요청을 조사하고, 데이터 분석 에이전트는 읽기 전용 SQL로 데이터 창고에 관한 질문에 답한다. 조사, 조회, 승인 요청이 각각 다른 권한으로 설계될 수 있음을 보여 주는 사례다.
깃허브 이슈 조사 도구는 보고된 버그를 재현하고 발견한 내용을 GitHub에 공유한다. 문서 검토 도구는 정책 관련 스킬과 전문 에이전트를 활용해 문서를 살핀다. 예시들은 모두 에이전트가 외부 자료를 읽거나 작업 결과를 남기는 흐름을 포함한다. 어느 단계에서 조회만 허용하고 어느 단계에서 변경이나 게시를 허용할지가 실제 구현의 중요한 선택이 된다.
자체 환경을 붙이는 설정
문서의 세션 생성 코드는 개발자가 조합할 수 있는 항목을 구체적으로 보여 준다. 예시 에이전트에는 gpt-6-astra 모델과 지시문을 지정하고, 프로그램 방식 도구 호출, 오픈AI 문서 MCP 서버, 웹 검색을 도구로 넣었다. 다중 에이전트 기능을 켜고 동시에 실행할 서브에이전트의 최대 수를 4로 설정한 부분도 있다. 같은 설정이 여러 언어의 SDK 예시와 HTTP 요청 예시로 제시된다.
이 코드는 앞서 설명한 오픈AI 호스팅 샌드박스 시작 절차와 달리, 자체 호스팅 환경을 선택한다. 작업 디렉터리를 /workspace로, 스킬을 담은 디렉터리를 /workspace/capabilities/skills로 지정한다. 개발자가 에이전트 실행 환경을 직접 마련하면서도 세션과 하네스는 API를 통해 이용하는 구성이다. ‘관리형’이 반드시 실행 공간까지 오픈AI에 맡겨야 한다는 뜻은 아니다.
예시 입력은 MCP 서버를 에이전트에 연결하는 방법을 조사하고 최근 변경 사항을 확인해 권장 설정을 요약하라는 요청이다. 이 한 요청에 문서 접근, 웹 검색, 필요할 때의 하위 작업 위임이 함께 들어간다. 실제 서비스에서는 필요한 도구만 고르고, 환경이 접근할 수 있는 파일과 기능도 작업에 맞춰 정해야 한다. 샌드박스 선택권은 실행 위치를 정하는 수단이지, 에이전트에 줄 권한을 대신 결정해 주는 장치는 아니다.
이어지는 세션, 남는 데이터 제약
에이전트 API는 세션 상태를 보존하므로 여러 차례에 걸쳐 작업을 이어 갈 수 있다. 이전 대화 맥락을 매번 다시 만들지 않아도 된다는 점이 이 설계의 이점이다. 사용하지 않는 세션과 게시된 결과물은 삭제할 수 있다고 문서는 설명한다. 지속성이 필요한 작업과 수명이 끝난 작업을 구분해 관리할 수 있는 셈이다.
데이터 관련 조건은 별도로 확인해야 한다. 오픈AI는 에이전트 API의 데이터 레지던시(데이터의 보관 지역에 관한 조건)가 현재 미국에서만 지원된다고 명시했다. 또한 데이터 무보관 정책인 ZDR(Zero Data Retention)을 지원하지 않는다. 자체 호스팅 샌드박스를 선택해도 에이전트 API가 ZDR 적용 대상이 되는 것은 아니다.
따라서 실행 환경의 위치와 API에 적용되는 데이터 정책은 같은 문제가 아니다. 자체 환경에서 명령을 실행하더라도 세션을 관리하는 API를 이용한다는 사실은 그대로 남는다. 반대로 오픈AI 호스팅 환경을 택하면 실행 환경 준비와 관리까지 맡길 수 있다. 개발자는 운영 부담을 어디까지 넘길지와 세션에 어떤 데이터를 실을지를 함께 판단해야 한다.
커뮤니티 의견
한 사용자는 에이전트 제품에 맞는 추상화가 아직 정해지는 중이라고 봤다. 직접 하네스를 만들면 상태 보존과 맥락 관리에 큰 공수가 들고, 오픈소스 라이브러리를 써도 실행 환경 문제는 남는다는 주장이다. 다만 모델 제공업체의 서비스에 묶이면 작업에 더 적합한 다른 모델을 고르기 어렵다며, 모델 선택에 자유로운 경쟁자가 유리할 수 있다고 했다.
다른 사용자는 문서에 있는 자체 호스팅 샌드박스 선택에 주목했다. 실행 공간까지 모두 서비스에 맡기는 방식보다 매력적이고, 제공업체를 바꿀 때도 부담을 덜 수 있다는 평가다. 이는 관리형 하네스를 쓰면서 실행 환경은 직접 운영하려는 절충안으로 읽힌다.
가상머신에서 코덱스를 실행하고 휴대전화로 원격 제어한다는 경험담도 나왔다. 이 사용자는 개인 비서 용도로 잘 작동한다며 API로 만드는 방향은 이해하지만, 자체 가상머신을 꾸릴 수 있다면 반드시 서비스에 묶일 필요는 없다고 했다. 답글에서도 서버에 작업별 인스턴스를 띄워 두고 여러 기기에서 세션을 이어 쓰는 방식이 소개됐다.
데이터 보관 조건을 먼저 짚어야 한다는 의견도 있었다. 한 사용자는 문서 끝의 ZDR 미지원 문구를 지적하고, 대화 데이터를 학습에 쓰지 않도록 하는 설정이 어디까지 적용되는지도 우려했다. 사고 과정이나 안전성 평가 기록의 취급에 관한 주장은 이 사용자의 추측으로 제기됐고, 답글에서는 그런 기록만으로 학습에 유용한 맥락을 얻을 수 있는지 되물었다.
또 다른 사용자는 서비스 종속성을 늘리기보다 비용을 내고 사용하는 추론 토큰을 볼 수 있게 해 달라고 요구했다. 답글은 제공업체에 중립적인 대안도 있다고 소개했다. 이 의견은 실행을 대신 관리해 주는 편의보다 모델이 작업하는 과정을 살필 권한을 중시한다.
원격 하네스의 방향 자체가 맞지 않는다는 반론도 나왔다. 로컬 데이터에 접근시키는 일이 이미 어려운데 에이전트까지 원격으로 옮기면 보안과 관리 문제가 더 커진다는 주장이다. 답글은 자체 호스팅 작업자가 도구 호출을 실행할 수 있다고 맞섰지만, 호출 인자에 코드나 데이터가 담겨 네트워크를 지나간다는 점을 남은 문제로 지적했다.
일반 LLM API와 에이전트의 경계가 흐려질 것이라는 의견도 있었다. 사용자는 채팅에서 기술 작업으로 넘어갈 때 맥락을 새 코드 세션으로 옮기는 일이 번거롭다며, 처음부터 컴퓨터를 다룰 수 있는 형태를 선호했다. 반론은 도구 호출이 외부 서비스로 데이터를 보낼 수 있으므로, 데이터 흐름을 통제하려면 하네스를 직접 통제해야 한다는 것이었다.
모델 제공업체가 에이전트 인프라까지 운영하는 구조를 경계하는 의견도 나왔다. 이 사용자는 인프라가 오픈소스와 클라우드 사업자를 중심으로 발전해야 모델 제공업체에 종속되지 않는다고 주장했다. 무엇을 편리하게 위임할지뿐 아니라 나중에 모델과 실행 기반을 갈아 끼울 수 있을지가 선택 기준이라는 뜻이다.
핵심 통찰
에이전트 API가 바꾸는 것은 모델에 질문하는 방법보다, 작업을 오래 실행하고 이어 가는 책임의 위치다. 오픈AI의 하네스를 쓰면 세션 관리와 복구를 직접 구축할 부담은 줄지만, 도구 권한과 데이터 흐름을 설계할 책임은 개발자에게 남는다. 자체 호스팅 환경은 실행 위치의 선택권을 넓힐 뿐 ZDR 제약을 없애지 않는다. 앞으로는 작업 완성도와 비용만큼이나 세션 안의 데이터를 얼마나 통제하고 다른 모델·하네스로 옮길 수 있는지가 도입을 가를 것이다.
토론: Hacker News