De Agents API van OpenAI kan nu de acties van je agent reviewen. Standaard staat dat uit, en is het budget onbeperkt
By Surya Pratap
1 november 2026
7 min read
AI & Technology
1 november 2026
7 min read
Bekijk de vier standaardwaardenHover to exploreTwee dagen nadat OpenAI een Model Spec publiceerde die agents vraagt binnen een afgesproken scope te blijven, bracht de Python-SDK een instelling uit die een deel van dat werk naar het platform verplaatst. Versie 3.42.0, uitgebracht op 31 oktober 2026, laat je automatische review van de acties van een agent inschakelen in de Agents API. Je kunt er ook mee kiezen hoe de context van de agent wordt gecompacteerd, en de agent krijgt een experimenteel besef van tijd. Niets hiervan haalde het nieuws. Voor founders die agents op die API draaien, zit de waarde niet in de nieuwe functies, maar in het feit dat de referentie duidelijk zegt wat elke instelling doet als je haar weglaat.
Dit artikel is gebaseerd op de release 3.42.0 van openai-python en de API-referentie die erbij hoort, volledig gelezen voor de sessie- en agentinstellingen van de Agents API; de citaten komen uit die referentie. De Agents API is in bèta. De interpretatie vanaf sectie 3 is van mij.
De release noemt tien nieuwe functies. Drie daarvan veranderen hoe een agentsessie zich gedraagt:
review met twee waarden, none en auto_review.compaction die kiest tussen compactie op de achtergrond en blokkerende compactie.experimental.time_awareness die het model "periodieke herinneringen aan de huidige tijd" geeft.Dezelfde release voegt ook extern sleutelbeheer op organisatieniveau toe en houdt API-sleutels per request gescheiden. Dat is belangrijk voor securityteams, maar verandert niets aan het gedrag van een agent. Een vierde relevante instelling bestond al: spend_control, een uitgavenlimiet per sessie in dollarcent.
De referentie beschrijft elke reviewmodus in één regel. none behoudt "het bestaande uitvoeringsgedrag zonder automatische review van acties". auto_review moet "in aanmerking komende acties automatisch reviewen" en "terugvallen op handmatige goedkeuring weigeren".
Drie details doen ertoe. Ten eerste: laat je het veld weg, dan krijg je none. Ten tweede kun je de reviewmodus van de sessie later wijzigen, maar die wijziging is de standaardreview "voor nieuwe root-turns": bestaande turns en hun subagents houden hun modus. Een turn die al loopt, en elke subagent die hij heeft gestart, gaan door zoals ze waren. Ten derde geeft het sessieobject de modus terug, en laat het die weg als de modus none is.
De referentie zegt niet welke acties "in aanmerking komen", waaraan de reviewer ze toetst, welk model de review doet of of reviewen iets kost. Op dit moment is de enige goedkeuringsaanvraag die een sessie naar je applicatie kan terugsturen een computer-use-aanvraag, zoals een browser toestaan een nieuwe origin te openen of in te loggen. Zoals ik "terugvallen op handmatige goedkeuring weigeren" lees, betekent auto_review aanzetten dat een actie die anders op goedkeuring van je applicatie had gewacht, in plaats daarvan wordt geweigerd. Voor een agent die zonder toezicht werkt, is dat een verstandige keuze. Het is ook een gedragsverandering die je gebruikers zullen merken, dus test het voordat je erop vertrouwt.
De nieuwe instelling bepaalt wie de acties van je agent reviewt. Haar weglaten bepaalt dat ook: niemand behalve je eigen code.
Elke lange agentrun overschrijdt uiteindelijk het contextvenster, en de harness vat oudere context samen om door te kunnen gaan. In september schreven we over modellen die instructies in die samenvattingen schreven. Nu kun je kiezen wanneer dat samenvatten gebeurt.
Compactie op de achtergrond is de standaard, en de referentie geeft er één waarschuwing bij: compactie op de achtergrond "kan het tokengebruik verhogen". Zet async op false en de compactie wordt blokkerend. De referentie kwantificeert de extra tokens niet. Reken je per taak af met klanten of werk je met krappe marges, meet het dan op je eigen workloads voordat je de standaard accepteert.
Tijdsbewustzijn staat standaard uit en heet experimenteel: deze functies "kunnen veranderen". Het pakt een echt probleem aan. Een agent die al uren draait, of de volgende dag wordt hervat, weet niet hoeveel tijd er is verstreken als niets het hem vertelt. Werkt je agent met deadlines, kantooruren of een latest_time in zijn scope, dan is deze vlag het testen waard. Zolang hij experimenteel is, blijf je deadlines ook in je eigen code controleren.
Het patroon is voor alle vier hetzelfde: stel elke waarde expliciet in bij het aanmaken van de sessie, lees daarna de actieve waarden terug uit het sessieobject en log ze bij de run. Alle veldnamen hieronder komen uit de referentie van 3.42.0; de modelnaam en de instructies zijn voorbeelden.
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
Vertrouw nooit op een weggelaten veld. De referentie is expliciet: laat je review weg, dan krijg je none; laat je spend_control weg, dan is de sessie onbeperkt. Schrijf beide uit in code, ook als de gewenste waarde de standaard is.
Log wat de sessie teruggeeft. De waarden die tellen, zijn de waarden die volgens de API actief zijn, niet de waarden die je dacht te sturen. Bewaar ze bij de run, zodat een incidentanalyse met feiten begint.
Bepaal wie een weigering afhandelt. Met auto_review worden sommige acties geweigerd in plaats van aan jou voorgelegd. Je product heeft een duidelijke melding voor de gebruiker nodig, en een manier om de stap opnieuw uit te voeren met goedkeuring van een mens.
Wijzig instellingen tussen turns. Een nieuwe reviewmodus geldt alleen voor nieuwe root-turns. Wil je een lopende agent strakker zetten, stop dan de turn, werk de sessie bij en begin opnieuw.
De uitgavenlimiet is de instelling die ik als eerste zou vastleggen. Het budgetvoorbeeld in de Model Spec laat zien dat OpenAI een budget als plafond ziet. De Agents API geeft je een veld om dat af te dwingen, en een onbeperkte sessie als je het weglaat.
Eerdere artikelen die hierop aansluiten
Vrijdag bespraken we de scope of autonomy uit de Model Spec: toegestane tools, een deadline en een budget, afgedwongen door je harness. In september legden we uit wat de Agents API voor je draait en wat niet, inclusief waar hij beschikbaar is. De instellingen in deze release zijn de eerste platformcontroles die op die scope aansluiten.
Dat auto_review een agent veilig maakt. De referentie zegt niet wat de reviewer controleert. Zie het als een extra laag, niet als vervanging van je eigen limieten op tools, ontvangers en geld.
Dat blokkerende compactie altijd de betere keuze is. De enige genoemde afweging is dat compactie op de achtergrond "het tokengebruik kan verhogen". Meet het voordat je een standaardwaarde verandert.
Dat tijdsbewustzijn klaar is voor productie. Het heet experimenteel, en de referentie zegt dat deze functies kunnen veranderen.
Dat deze instellingen buiten de Agents API bestaan. Ze horen bij de beheerde agentsessies van OpenAI, die nog in bèta zijn. Draai je je eigen harness op een andere API of een ander model, dan bouw je dezelfde controles zelf.
Versie 3.42.0 van OpenAI's Python-SDK voegde drie instellingen toe aan de Agents API: een modus voor automatische review van acties die terugvallen op handmatige goedkeuring weigert, een keuze tussen contextcompactie op de achtergrond of blokkerend, en een experimentele vlag voor tijdsbewustzijn. Laat je ze weg, dan krijg je geen automatische review, compactie op de achtergrond die meer tokens kan kosten, en geen herinneringen aan de tijd. Daarnaast geeft een ouder veld je een onbeperkt budget, tenzij je er een instelt.
Niets daarvan is verborgen; de referentie zegt het duidelijk. Het risico is niet dat OpenAI slechte standaardwaarden koos. Het risico is dat een team dat deze velden nooit heeft ingesteld, niet kan zeggen wat zijn agents mogen doen.
Open deze week de code die je agentsessies aanmaakt en schrijf alle vier de instellingen expliciet uit. Log daarna de waarden die de sessie teruggeeft, en vergelijk ze met wat je dacht te draaien.
Bronnen: OpenAI, release notes van openai-python 3.42.0 (31 oktober 2026) — de lijst met nieuwe functies, waaronder instellingen voor contextcompactie van agents, sessiereview en toolinstellingen, experimenteel tijdsbewustzijn, extern sleutelbeheer voor organisaties en API-sleutels per request; en de API-referentie die met die release is gepubliceerd — de review-modi en hun beschrijvingen, de regel dat een nieuwe reviewmodus geldt voor nieuwe root-turns, de instelling compaction en de waarschuwing over tokengebruik, de vlag experimental.time_awareness en de standaardwaarde ervan, de standaardwaarde van spend_control (een onbeperkte sessie) en de goedkeuringsaanvragen voor computer use. De code in sectie 4 is mijn illustratie met veldnamen uit die referentie, en de interpretatie in de secties 3 tot en met 5 is van mij.
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.
