Harness yang lebih ringan dan agen pengeksekusi kode lebih cocok untuk tugas terbuka, karena orkestrasi yang terlalu kaku dapat membatasi kinerja model.
Dengan demikian, eksekusi kode dan sandboxing kini menjadi aspek arsitektur inti dalam sistem agentik.
Dalam pengujian kami, Agents SDK mengurangi kompleksitas dan jumlah kode yang diperlukan untuk membuat agen pengeksekusi kode hingga 6 kali lipat.
Selama bertahun-tahun, kemajuan sistem agen berasal dari peningkatan orkestrasi: penyusunan prompt, antarmuka alat, pengelolaan konteks, dan alur kontrol yang lebih ketat. Namun, seiring meningkatnya kemampuan agen pengodean, keseimbangan itu mulai bergeser.
Dalam banyak alur kerja terbuka, hambatannya bukan lagi perulangan agen itu sendiri, melainkan lapisan eksekusi: sandbox tempat model menulis kode, menjalankan perintah, memeriksa keluaran, dan melakukan iterasi. Seiring berpindahnya lebih banyak penalaran tingkat tugas ke lingkungan tersebut, orkestrasi di sekitarnya perlu disederhanakan agar model dapat menunjukkan kemampuan penuhnya.
Pergeseran inilah yang dimungkinkan oleh versi baru Agents SDK. Berdasarkan pengujian selama akses awal, kami mendapati bahwa alih-alih menambahkan lapisan logika kerangka kerja baru, versi ini menjadikan lapisan eksekusi lebih modular dan mudah dirangkai sehingga bagian sistem lainnya tetap ringan.
Dalam rekayasa harness, kini makin populer untuk menyederhanakan harness hingga bentuk efektif minimumnya. Secara umum, harness adalah perangkat lunak di sekitar model: lapisan yang mengelola konteks, alat, alur kontrol, dan siklus umpan balik agar model dapat bekerja dengan andal.
Dalam beberapa tahun terakhir, banyak peningkatan kinerja agen berasal dari penguatan lapisan tersebut. Alat yang lebih baik, memori dan pengambilan informasi yang lebih baik, penguraian tugas yang lebih eksplisit, serta orkestrasi yang lebih ketat sering kali membuat sistem lebih andal dan lebih mumpuni. Dalam paradigma itu, kemajuan sebagian besar berarti menyematkan lebih banyak logika tugas ke perangkat lunak di sekitar model.
Pola tersebut kini mulai melemah, setidaknya untuk jenis tugas terbuka tertentu. Semakin banyak proyek dan makalah menunjukkan bahwa kinerja tidak selalu meningkat ketika harness menjadi lebih preskriptif. Dalam pengodean berbantuan, tugas berdurasi panjang, penggunaan browser, dan tugas berkonteks panjang, pola yang sama terus muncul: setelah model cukup cerdas, memaksakan terlalu banyak struktur tugas ke perangkat lunak di sekitarnya dapat menjadi kendala, bukan keuntungan.
Dengan demikian, peran harness sedang berubah. Alih-alih mencoba mengantisipasi tugas sejak awal melalui orkestrasi yang kaku, harness kini makin berperan menyediakan lingkungan eksekusi yang tertata: sandbox tempat model dapat memeriksa status, menjalankan kode, pulih dari kesalahan, dan menyesuaikan pendekatannya sendiri, dengan tetap dibatasi oleh antarmuka serta perlindungan sistem. Hal ini mirip dengan pergeseran yang dijelaskan Andrej Karpathy dalam Software Engineer 3.0: sebagian logika yang sebelumnya berada dalam perangkat lunak bergeser ke tingkat yang lebih tinggi, yaitu “prompt”.
Pelajarannya bukanlah bahwa sistem agen harus menghapus struktur di semua bagian. Banyak tugas masih memperoleh manfaat dari alur kerja eksplisit, heuristik, dan pagar pengaman deterministik, terutama jika tugasnya sempit, bervolume tinggi, atau memiliki kriteria keberhasilan yang jelas. Seperti yang kami sampaikan dalam artikel sebelumnya tentang Heuristik untuk Desain Sistem Agentik, orkestrasi yang kuat tetap penting jika alur logika yang andal dapat dan perlu diterapkan.
Untuk tugas terbuka, fokusnya kini bergeser. Tantangannya bukan lagi merancang lapisan orkestrasi yang makin rumit, melainkan membangun lingkungan eksekusi yang cukup sederhana, mudah diamati, dan modular agar model dapat bekerja secara efektif di dalamnya.
Begitu agen dapat membaca file, menulis kode, menjalankan perintah shell, dan memulai tugas berdurasi panjang, tantangan rekayasanya berubah. Bagian tersulitnya bukan lagi sekadar pengoptimalan prompt atau perutean alat. Karena kini beroperasi pada sistem nyata, agen-agen ini menjadi jauh lebih mumpuni, tetapi juga lebih sensitif karena memperluas permukaan risiko keselamatan dan keamanan. Sebagai contoh, agen yang dapat mengeksekusi kode bisa melakukan tindakan berbahaya jika lingkungannya tidak terisolasi dengan baik (lihat Sandbox Bench dari AISI).
Karena itu, sandboxing menjadi aspek krusial dalam kerangka kerja agen. Dalam sistem terdahulu, eksekusi sering dianggap sebagai fitur tambahan: alat yang sekadar dipasang pada harness. Namun, pendekatan tersebut mulai bermasalah ketika eksekusi menyimpan status, berlangsung lama, atau dilakukan dari jarak jauh. Pengelolaan sandbox itu sendiri—termasuk siklus hidup, status, antarmuka, dan integrasinya dengan perulangan agen—dengan cepat menjadi persoalan desain sistem tersendiri. Itulah salah satu alasan makin banyak penyedia menawarkan lingkungan terkelola untuk eksekusi kode, termasuk Container API dan alat shell dari OpenAI, Modal, Cloudflare, Daytona, E2B, dan lainnya.
Batasan ini penting karena eksekusi kode memerlukan isolasi yang lebih kuat dan kontrol runtime yang lebih ketat dibandingkan bagian harness lainnya. Dalam praktiknya, agen pengeksekusi kode yang diterapkan dengan buruk dapat menimbulkan tiga risiko bisnis yang kritis: pengeluaran komputasi yang tidak terkendali, tindakan destruktif pada sistem internal, dan tereksposnya informasi sensitif. Dengan kontainerisasi, isolasi, dan perlindungan runtime yang tepat, risiko tersebut dapat dibatasi hingga tingkat yang dapat diterima untuk penerapan di dunia nyata.
Salah satu cara memahaminya adalah dengan membayangkan agen diberi workspace tertutup sendiri, bukan kunci ke seluruh kantor. Agen tetap dapat melakukan pekerjaan yang berguna di ruang tersebut, tetapi hanya dalam batasan yang ditetapkan dengan jelas. Anda dapat membatasi jumlah komputasi yang digunakannya, membatasi sistem dan file yang dapat diaksesnya, serta sejak awal mengendalikan informasi yang tersedia baginya.
Hal ini tidak sepenuhnya menghilangkan risiko, tetapi mengubah persoalan dari “agen yang berkeliaran bebas di infrastruktur Anda” menjadi “agen yang beroperasi dalam lingkungan terkendali”. Jika lapisan ini akan menjadi bagian standar sistem agen, kerangka kerjanya perlu menyediakan dukungan bawaan penuh. Dengan demikian, sandbox menjadi lapisan eksekusi modular dengan komponen dasar portabel yang dapat digunakan pengembang dengan cepat, dipertukarkan antarpenyedia, dan diskalakan tanpa harus terus-menerus merombak logika agen.
Begitu agen mengeksekusi kode, sandbox itu sendiri perlu diorkestrasi. Peralihan dari bukti konsep lokal ke eksekusi jarak jauh, beberapa backend, atau sesi berdurasi panjang meningkatkan beban operasional secara eksponensial. Anda memerlukan cara yang konsisten untuk membuat dan menghentikan lingkungan, menjeda dan melanjutkannya, mengambil snapshot status, menyambungkannya kembali nanti, serta mengelola semua ini di berbagai penyedia.
Secara konseptual, semua ini memang tidak menarik, tetapi sangat penting dalam praktiknya. Infrastruktur seperti inilah yang menjadi merepotkan ketika setiap tim membangun ulang pipeline agentik dari nol, terutama jika tidak terintegrasi dengan kerangka kerja agen…
Di sinilah dukungan kerangka kerja yang lebih baik menjadi penting. Kami memperoleh akses awal ke OpenAI Agents SDK terbaru dan menggunakannya untuk membuat sendiri agen dalam sandbox. Hal yang paling menonjol adalah pergeseran fokus arsitektur: SDK ini memperlakukan eksekusi sebagai lapisan utama, bukan sebagai alat tambahan. Dalam praktiknya, Anda dapat menjalankan agen dalam sandbox, mengambil snapshot sandbox, atau melanjutkan eksekusi dengan lebih sedikit kode (sekitar 6 kali lebih sedikit dalam beberapa pengujian kami), lalu beralih backend tanpa menulis ulang logika agen di sekitarnya.
Pemisahan tanggung jawab yang lebih jelas ini memungkinkan harness tetap berfokus pada penalaran, konteks, dan alur kerja. Lapisan eksekusi dapat berfokus pada isolasi, portabilitas, dan status runtime. Abstraksi ini memudahkan pembuatan agen pengodean yang lebih mumpuni dan lebih mudah dikembangkan, dapat beralih antara eksekusi lokal dan jarak jauh, mendukung tugas berdurasi lebih panjang, serta mengganti backend eksekusi tanpa harus mendesain ulang seluruh sistem.
Seiring berpindahnya lebih banyak logika tingkat tugas dari harness ke model, sebagian kompleksitas sistem ikut berpindah ke lapisan eksekusi. Eksekusi kode dan sandboxing kini menjadi aspek arsitektur inti dalam sistem agentik, terutama untuk tugas yang sarat pengodean dan bersifat terbuka. Kini merancang lingkungan tempat agen dapat bertindak dengan aman, andal, dan dalam jangka panjang sama pentingnya dengan merancang pipeline agentik.
Inilah alasan abstraksi tingkat tinggi untuk eksekusi dalam sandbox menjadi penting. OpenAI Agents SDK terbaru bergerak ke arah tersebut dengan memperlakukan eksekusi sebagai lapisan sistem yang modular: portabel di berbagai backend, mampu menyimpan status selama tugas berdurasi panjang, dan cukup mudah digunakan tanpa perlu membangun ulang infrastruktur yang sama untuk setiap konfigurasi baru.
Pelajaran yang lebih luas adalah bahwa generasi kerangka kerja agen berikutnya kemungkinan tidak terlalu ditentukan oleh banyaknya logika orkestrasi yang ditambahkan, melainkan oleh seberapa baik kerangka tersebut menata lingkungan eksekusi yang makin diandalkan agen.