Tutorial: como criar um agente LLM que escreve e executa código com OpenAI Agents SDK e Docker

Como construir um agente LLM que escreve e executa código: tutorial com OpenAI Agents SDK e Docker

A execução de código é provavelmente a capacidade mais útil que podemos dar a um agente de LLM. Uma vez que o agente consegue escrever e rodar código, tarefas como inspecionar arquivos, processar dados e gerar relatórios com gráficos se tornam possíveis. Este tutorial prático de Shuai Guo mostra como construir um agente de código usando o OpenAI Agents SDK com isolamento via Docker.

Os três componentes de um agente executor de código

1. O modelo: o LLM que toma decisões sobre quais arquivos inspecionar, que tipo de análise executar, qual código escrever e como iterar com base nos resultados. A qualidade do raciocínio do modelo é o teto do agente.

2. O workspace: o espaço onde os arquivos de entrada entram e os artefatos saem. O usuário faz upload dos dados (CSV, PDF, documentos) e o agente trabalha sobre eles, salvando os resultados de volta.

3. O ambiente de execução: onde o código gerado realmente roda. Pode ser um sandbox gerenciado pela plataforma ou um container Docker que você controla — a segunda opção oferece mais controle sobre dependências, rede e acesso ao shell.

Na prática: analisando um CSV com o agente

O tutorial caminha por um caso real: fazer o agente analisar um arquivo CSV e retornar um relatório com gráficos. O fluxo é direto:

• Definir o Manifest (quais arquivos locais vão para o workspace)
• Criar o SandboxAgent com modelo, instruções e o manifest
• Configurar o sandbox Docker com as dependências necessárias (pandas, matplotlib)
• Conectar agente e sandbox em tempo de execução
• Coletar os artefatos de volta do workspace

O ponto mais prático do tutorial é a discussão sobre controle: que dependências pré-instalar na imagem Docker, se o agente deve ter acesso à rede, quais arquivos entram e quais saem. São decisões de design que separam um protótipo de laboratório de um sistema que funciona em produção.

O código completo está disponível no artigo e usa gpt-5.4 como modelo, com suporte a qualquer imagem Docker customizada via DockerSandboxClientOptions.