L'Agents API d'OpenAI peut désormais relire les actions de votre agent. C'est désactivé par défaut, et le budget est illimité par défaut
By Surya Pratap
1 novembre 2026
7 min read
AI & Technology
1 novembre 2026
7 min read
Voir les quatre valeurs par défautHover to exploreDeux jours après la publication par OpenAI d'un Model Spec qui demande aux agents de rester dans un périmètre convenu, son SDK Python a livré un réglage qui confie une partie de ce travail à la plateforme. La version 3.42.0, publiée le 31 octobre 2026, permet d'activer la revue automatique des actions d'un agent dans l'Agents API. Elle permet aussi de choisir comment le contexte de l'agent est compacté, et lui donne une notion expérimentale du temps. Rien de tout cela n'a fait les gros titres. Pour les fondateurs qui font tourner des agents sur cette API, le plus utile n'est pas la nouveauté elle-même, mais le fait que la référence dise clairement ce que fait chaque réglage quand vous l'omettez.
Cet article s'appuie sur la version 3.42.0 d'openai-python et sur la référence d'API livrée avec elle, lue intégralement pour les réglages de session et d'agent de l'Agents API ; les citations viennent de cette référence. L'Agents API est en bêta. L'interprétation à partir de la section 3 est la mienne.
La version liste dix nouveautés. Trois d'entre elles changent le comportement d'une session d'agent :
review avec deux valeurs, none et auto_review.compaction qui choisit entre une compaction en arrière-plan et une compaction bloquante.experimental.time_awareness qui fournit au modèle des « rappels périodiques de l'heure actuelle ».La même version ajoute aussi la gestion de clés externes au niveau de l'organisation et le cloisonnement des clés d'API par requête, ce qui compte pour les équipes sécurité mais ne change pas le comportement de l'agent. Un quatrième réglage utile ici existait déjà : spend_control, une limite de dépense par session en cents de dollar.
La référence décrit chaque mode de revue en une ligne. none conserve « le comportement d'exécution existant sans revue automatique des actions ». auto_review sert à « relire automatiquement les actions éligibles » et à « refuser le recours à la validation manuelle ».
Trois détails comptent. D'abord, si vous omettez le champ, vous obtenez none. Ensuite, vous pouvez changer plus tard le mode de revue de la session, mais le changement devient la revue par défaut « pour les nouveaux tours racine » : les tours existants et leurs sous-agents gardent leur mode. Un tour déjà en cours, et chaque sous-agent qu'il a lancé, continuent comme avant. Enfin, l'objet de session renvoie le mode, et l'omet quand il vaut none.
La référence ne dit pas quelles actions sont « éligibles », par rapport à quoi le relecteur les vérifie, quel modèle fait la relecture, ni si la relecture a un coût. Aujourd'hui, la seule demande de validation qu'une session peut renvoyer à votre application est une demande d'utilisation de l'ordinateur, par exemple autoriser un navigateur à ouvrir une nouvelle origine ou à se connecter. Telle que je lis la formule « refuser le recours à la validation manuelle », activer auto_review signifie qu'une action qui aurait attendu la validation de votre application est refusée à la place. C'est un choix raisonnable pour un agent qui travaille sans surveillance. C'est aussi un changement de comportement que vos utilisateurs remarqueront : testez-le avant de compter dessus.
Le nouveau réglage décide qui relit les actions de votre agent. L'omettre décide aussi : personne, à part votre propre code.
Toute exécution longue d'un agent finit par dépasser sa fenêtre de contexte, et le harness résume l'ancien contexte pour continuer. En septembre, nous avons écrit sur des modèles qui inscrivaient des instructions dans ces résumés. Vous pouvez désormais choisir quand ce résumé a lieu.
La compaction en arrière-plan est la valeur par défaut, et la référence l'accompagne d'un avertissement : elle « peut augmenter la consommation de tokens ». Passez async à false et la compaction devient bloquante. La référence ne chiffre pas les tokens supplémentaires. Si vous facturez vos clients à la tâche ou travaillez avec des marges serrées, mesurez-le sur vos propres charges avant d'accepter la valeur par défaut.
La conscience du temps est désactivée par défaut et marquée comme expérimentale : ces fonctionnalités « peuvent changer ». Elle répond à un vrai problème. Un agent qui tourne depuis des heures, ou qui reprend le lendemain, ne sait pas combien de temps s'est écoulé si rien ne le lui dit. Si votre agent travaille avec des échéances, des heures ouvrées ou un latest_time dans son périmètre, cet indicateur mérite d'être testé. Tant qu'il reste expérimental, continuez à vérifier les échéances dans votre propre code.
La méthode est la même pour les quatre : fixez chaque valeur explicitement à la création de la session, puis relisez les valeurs effectives dans l'objet de session et journalisez-les avec l'exécution. Tous les noms de champ ci-dessous viennent de la référence 3.42.0 ; le nom du modèle et les instructions sont des exemples.
from openai import OpenAI
client = OpenAI()
session = client.beta.agents.sessions.create(
environment={"type": "none"},
agent={
"model": "YOUR_MODEL",
"instructions": "Chase overdue invoices. Never change payment details.",
"compaction": {"async_": False},
"experimental": {"time_awareness": True},
},
review="auto_review",
spend_control={"limit": 500}, # USD cents
metadata={"workflow": "invoice-chasing"},
input="Chase this week's overdue invoices.",
)
effective = {
"review": session.review or "none",
"spend_limit_cents": session.spend_control.limit if session.spend_control else None,
"compaction_async": session.agent.compaction.async_ if session.agent.compaction else None,
"time_awareness": session.agent.experimental.time_awareness if session.agent.experimental else None,
}
assert effective["review"] == "auto_review"
assert effective["spend_limit_cents"] == 500
Ne comptez jamais sur un champ omis. La référence est explicite : omettez review et vous obtenez none, omettez spend_control et la session est illimitée. Écrivez les deux dans le code, même quand la valeur voulue est celle par défaut.
Journalisez ce que renvoie la session. Les valeurs qui comptent sont celles que l'API déclare en vigueur, pas celles que vous pensiez envoyer. Conservez-les avec l'exécution, pour qu'une analyse d'incident parte des faits.
Décidez qui gère un refus. Avec auto_review, certaines actions seront refusées au lieu de vous être soumises. Votre produit a besoin d'un message clair pour l'utilisateur et d'un moyen de relancer l'étape avec la validation d'une personne.
Changez les réglages entre deux tours. Un nouveau mode de revue ne s'applique qu'aux nouveaux tours racine. Pour resserrer un agent en cours, arrêtez le tour, mettez à jour la session et relancez.
La limite de dépense est celle que je fixerais en premier. L'exemple de budget du Model Spec montre qu'OpenAI traite un budget comme un plafond. L'Agents API vous donne un champ pour l'imposer, et une session illimitée si vous l'omettez.
Articles précédents liés
Vendredi, nous avons analysé le périmètre d'autonomie du Model Spec : outils autorisés, échéance et budget, imposés par votre harness. En septembre, nous avons expliqué ce que l'Agents API exécute pour vous et ce qu'elle n'exécute pas, y compris là où elle est disponible. Les réglages de cette version sont les premiers contrôles de plateforme qui correspondent à ce périmètre.
Que auto_review rende un agent sûr. La référence ne dit pas ce que vérifie le relecteur. Traitez-le comme une couche de plus, pas comme un substitut à vos propres limites sur les outils, les destinataires et l'argent.
Que la compaction bloquante soit toujours le meilleur choix. Le seul compromis annoncé est que la compaction en arrière-plan « peut augmenter la consommation de tokens ». Mesurez-le avant de changer une valeur par défaut.
Que la conscience du temps soit prête pour la production. Elle est marquée comme expérimentale, et la référence dit que ces fonctionnalités peuvent changer.
Que ces réglages existent en dehors de l'Agents API. Ils appartiennent aux sessions d'agent gérées par OpenAI, toujours en bêta. Si vous faites tourner votre propre harness sur une autre API ou un autre modèle, c'est à vous de construire ces mêmes contrôles.
La version 3.42.0 du SDK Python d'OpenAI a ajouté trois réglages à l'Agents API : un mode de revue automatique des actions qui refuse le recours à la validation manuelle, le choix entre une compaction du contexte en arrière-plan ou bloquante, et un indicateur expérimental de conscience du temps. Omis, ils vous donnent aucune revue automatique, une compaction en arrière-plan qui peut consommer plus de tokens, et aucun rappel de l'heure. À côté, un champ plus ancien vous donne un budget illimité si vous n'en fixez pas.
Rien de cela n'est caché ; la référence le dit clairement. Le risque n'est pas qu'OpenAI ait choisi de mauvaises valeurs par défaut. C'est qu'une équipe qui n'a jamais fixé ces champs ne peut pas dire ce que ses agents ont le droit de faire.
Cette semaine, ouvrez le code qui crée vos sessions d'agent et écrivez explicitement les quatre réglages. Puis journalisez les valeurs que renvoie la session, et comparez-les à ce que vous pensiez faire tourner.
Sources : OpenAI, notes de version d'openai-python 3.42.0 (31 octobre 2026) — la liste des nouveautés, dont les réglages de compaction du contexte d'agent, la revue des sessions et les réglages d'outils, la conscience expérimentale du temps, la gestion de clés externes de l'organisation et le cloisonnement des clés d'API par requête ; et la référence d'API publiée avec cette version — les modes de review et leurs descriptions, la règle selon laquelle un nouveau mode de revue s'applique aux nouveaux tours racine, le réglage compaction et son avertissement sur la consommation de tokens, l'indicateur experimental.time_awareness et sa valeur par défaut, la valeur par défaut de spend_control (une session illimitée) et les demandes de validation d'utilisation de l'ordinateur. Le code de la section 4 est une illustration de ma part utilisant les noms de champ de cette référence, et l'interprétation des sections 3 à 5 est la mienne.
IdeaToMVP Academy
4-week live cohort for founders. Learn to ship AI agents, scope MVPs, and automate your business — taught by the same team that writes these guides.
