OpenAI Agents API (public beta) поруч з Anthropic і Bedrock: harness, MCP, sandbox для Bubble-стеку

Для фаундерів і креаторів, які збирають свій MVP на Bubble чи експериментують із вайбкодінгом, створення повноцінних автономних AI-агентів донедавна означало складну інженерну роботу: побудову нескінченних recursive workflows, контроль черг і самостійне збереження стану розмови. Реліз публічної бети OpenAI Agents API (10 вересня 2026 року) суттєво змінює правила гри для швидкого тестування гіпотез. Поруч із цим: OpenAI Agents API (beta): harness,.

Поруч із цим ринок пропонує альтернативи: Anthropic Claude Managed Agents (у публічній беті з квітня 2026 року) та AWS Bedrock AgentCore (загальнодоступний із червня 2026 року). Розглянемо тверезо й без маркетингового хайпу, що саме цей реліз дає no-code розробнику, які технічні компроміси виникають і як зібрати працюючий прототип для перших клієнтів чи інвесторів.

Що таке managed harness простими словами?

Раніше, щоб змусити модель послідовно виконувати кроки (наприклад: знайти дані → перевірити → сформувати звіт), вам доводилося самостійно керувати циклом виконання (tool loop): відправляти запит, отримувати виклик функції, виконувати її в Bubble і повертати результат назад моделі.

OpenAI Agents API бере цей цикл на себе через так званий managed harness (на базі Codex). Це означає, що OpenAI самостійно контролює:

• оркестрацію кроків і виклики інструментів;
• стиснення контексту (context compaction), щоб довгі сесії не виходили за ліміти токенів;
• відновлення після збоїв і збереження стану сесії (Session). Про це окремо: OpenAI Agents API (public beta):.

Для Bubble-розробника це значна економія часу: ви створюєте агента з інструкціями, відкриваєте сесію, передаєте завдання й підписуєтеся на події або вебхуки.

Три кити архітектури: Agent, Environment та MCP

В Agents API є кілька ключових сутностей, які важливо розуміти при проектуванні MVP:

1. Agent та Session: Агент визначає модель, системні інструкції та перелік інструментів. Сесія — це довготривалий робочий простір, де накопичуються повідомлення, проміжні кроки та артефакти.
2. Режим без обчислень (environment.type: none): Найпростіший і найдешевший варіант для Bubble MVP. Якщо вашому агенту потрібно лише читати базу Bubble чи звертатися до зовнішніх API, йому не потрібен віртуальний сервер. У цьому режимі агент викликає звичайні функції застосунку або віддалені інструменти через HTTP MCP.
3. Пісочниці (Sandboxes): Якщо ідея вашого стартапу вимагає аналізу завантажених CSV-файлів, написання та виконання коду Python/Node.js або генерації файлів, OpenAI надає власні ізольовані Linux-контейнери (openai_hosted). Також підтримуються сторонні партнери (наприклад, E2B, Modal, Cloudflare) або self-hosted сервери через codex exec-server.
4. Протокол MCP (Model Context Protocol): Дозволяє підключати зовнішні джерела даних через стандартизовані сервери інструментів (HTTP з боку OpenAI або stdio всередині пісочниці).

Тверезий погляд: чому Bubble все одно потрібен бекенд-прошарок

Поширена ілюзія вайбкодінгу — очікування, що можна просто прив'язати кнопку в Bubble прямо до Agents API. На практиці для надійного MVP необхідний тонкий проміжний сервіс (наприклад, легкий Node.js або Cloudflare Worker) з кількох причин:

• Безпека ключів: Секретні ключі API OpenAI та токени доступу ніколи не повинні передаватися на клієнтську сторону Bubble.
• Обробка тривалих сесій: Агенти можуть виконувати завдання хвилинами. Стандартні API-конектори Bubble мають ліміти очікування (timeouts), тому потрібен сервіс, який прийматиме вебхуки від OpenAI і через Bubble Data API безпечно записуватиме результат у базу вашого додатку.
• Збереження даних і конфіденційність: У публічній беті стан сесії зберігається на боці OpenAI, дані обробляються виключно в США (US-only residency), а режим нульового збереження даних (Zero Data Retention / ZDR) для сесій наразі недоступний. Якщо ви збираєте B2B-продукт для клієнтів із ЄС або чутливими даними, враховуйте це обмеження на рівні архітектури.

Карта вибору: коли дивитися на Anthropic та AWS Bedrock

• OpenAI Agents API: Найшвидший старт для MVP, якщо ви вже будуєте логіку навколо моделей GPT і хочете мінімум інфраструктури. Окремої плати за сам Agents API немає — ви сплачуєте лише за використані токени моделі, виклики вбудованих інструментів та час роботи контейнера (якщо використовується hosted sandbox).
• Anthropic Claude Managed Agents (публічна бета з квітня 2026): Варто обирати, якщо ваш MVP критично залежить від якості міркувань Claude, тонкої роботи зі складними текстами чи специфічної багатоагентної координації.
• AWS Bedrock AgentCore (GA з червня 2026): Рішення для випадків, коли проект із самого початку вимагає суворого ентерпрайз-контролю доступу (AWS IAM), ізоляції чи гіпотетичної можливості змінювати провайдерів моделей усередині платформи без зміни інфраструктури. Схожий розбір: OpenAI Agents API (public beta).

Покроковий план для швидкого тестування MVP

1. Почніть із environment.type: none: Не ускладнюйте MVP контейнерами, якщо не потрібно писати й виконувати код. Використовуйте стандартні function tools або HTTP MCP.
2. Налаштуйте асинхронний UX у Bubble: Показуйте користувачеві статус «Агент працює» з індикатором завантаження, поки вебхук обробляє результат у фоні.
3. Контролюйте токени: Хоча автоматичне стиснення контексту захищає від переповнення вікна, довгі ітеративні сесії агентів можуть швидко спалювати баланс токенів. Розраховуйте економіку вашої підписки або ціни за генерацію до виходу на перших користувачів.