當(dāng)Agent能夠完成復(fù)雜任務(wù)，我們需要學(xué)習(xí)如何與這個星球上最聰明的“打工人”共事。

作者 | 小葳

AI Agent的時代，比所有人預(yù)想的，來得更早、更猛烈。

北京時間7月18日凌晨，科技圈再次被OpenAI投下的一枚重磅炸彈引爆。沒有冗長的預(yù)熱，沒有華麗的舞臺，Sam Altman和他的團隊通過一場25分鐘的發(fā)布會直播，推出ChatGPT Agent。

這不再是我們熟悉的那個“聊天機器人”，它是一個擁有了自己的虛擬電腦、能夠自主思考、規(guī)劃并執(zhí)行復(fù)雜任務(wù)的“行動者”。

當(dāng)看到ChatGPT Agent熟練地打開瀏覽器、分析網(wǎng)頁、調(diào)用API、生成PPT、制作表格時，Sam Altman在直播中坦言：“對我來說，在觀看它工作時，這是最讓我感受到AGI的時刻之一。”

看完發(fā)布會，令人印象深刻的有三個方面：

第一，  面對多目標(biāo)的復(fù)雜任務(wù)，ChatGPT Agent雖然耗時長一些，但完成度很高；

第二，  ChatGPT Agent可以隨時被打斷，人類用戶可以隨時補充信息和指導(dǎo)，或增加新任務(wù)，人機協(xié)作的體驗更加凸顯；

第三，Agent通過自己專屬的虛擬計算機完成所有任務(wù)，并將執(zhí)行任務(wù)過程可視化實時展現(xiàn)，用戶可以回放視頻查看Agent每一步動作。

  從“能聊”到“能干”：

  統(tǒng)一智能體，OpenAI的必然一步

ChatGPT Agent的誕生并非憑空而來，它是OpenAI在智能體（Agent）道路上不斷積累的必然結(jié)果。今年早些時候，OpenAI陸續(xù)推出了兩個重磅工具：Deep Research和 Operator。

然而，這兩個工具如同兩個“偏科生”。Deep Research擅長長文閱讀，卻無法與需要登錄、交互的網(wǎng)頁打交道；Operator擅長處理交互式與可視化的網(wǎng)頁，卻在深度分析和長文閱讀方面力不從心。而許多真實世界的復(fù)雜任務(wù)，恰恰需要二者能力的結(jié)合。

正如Sam Altman在發(fā)布會上所說：“人們想要一個統(tǒng)一的智能體，它能自主運行，使用它自己的電腦，幫助人們完成真正復(fù)雜的任務(wù)。它能夠無縫地切換，從思考到采取行動。它能使用各種工具，比如調(diào)用終端、在網(wǎng)頁上點擊操作，甚至能生成電子表格、幻燈片等文件，以及具備更多功能。”

ChatGPT Agent正是兩者“強強聯(lián)合”的實現(xiàn)，它融合了Deep Research的分析能力和Operator的執(zhí)行能力，相當(dāng)于賦予了Agent“大腦”和“雙手”。

真正完成復(fù)雜任務(wù)：

自主選擇工具，可視化執(zhí)行過程

發(fā)布會上演示的第一個demo是一個多目標(biāo)的復(fù)雜任務(wù)，用戶9月份要出席朋友婚禮，需要準(zhǔn)備服裝、禮物、預(yù)訂酒店等一攬子事情，用戶把這些需求一股腦拋給Agent：

- 一套與所有場合的著裝要求相匹配的服裝（男士）。

- 提出五個服裝選項。選擇一些輕奢檔次的服裝，并應(yīng)與場地和天氣相配 

- 找到那些兩端都有幾天緩沖期的酒店。

- 使用Booking進行預(yù)訂，并務(wù)必檢查可用性和當(dāng)前價格。

- 同樣別忘了為新人挑選一件禮物，價格最好在500美元以內(nèi)。

Agent確認關(guān)鍵需求后就開始工作。整個任務(wù)完成花費了20分鐘左右，在發(fā)布會最后，提供了完善的方案。5件服裝備選直接提供了價格對比和購買鏈接。

當(dāng)用戶提出新增要求，安排一個包括美國職業(yè)棒球聯(lián)盟（MLB）所有運動球場參觀的旅行計劃時，Agent直接給出精確到天的Excel行程表格。

Agent所有動作都是通過專屬虛擬電腦完成，這臺電腦上安裝了很多不同的工具，Agent能自行選擇如何使用。

同時，Agent將它執(zhí)行任務(wù)的全過程展示為一個可視化的電腦屏幕，并在不斷變化的對話框中顯示文本形式的思維鏈過程，也就是Agent在想什么，它決定下一步做什么。

揭秘Agent的工作臺：

一臺虛擬電腦和它的工具集

要理解ChatGPT Agent的強大，首先要看它的“工作臺”——一臺專屬的虛擬電腦。在這個工作臺上，集成了一些強大的工具：

文本瀏覽器 (Text Browser)：和Deep Research工具類似，它能快速抓取和解析大量網(wǎng)頁的文本內(nèi)容，進行高效的搜索和信息提煉，這讓它能夠非常高效快速閱讀大量網(wǎng)頁并進行搜索，是Agent高效處理信息的“利器”。

可視化瀏覽器 (Visual Browser)：和operator工具類似，這是Agent的“眼睛”和“手”。讓Agent能像人一樣“看”到網(wǎng)頁的圖形界面，進行點擊、

滾動、拖拽、填寫表單等操作，輕松應(yīng)對為人類設(shè)計的復(fù)雜交互界面。

終端 (Terminal)和API，通過與終端的連接，Agent可以運行代碼、進行復(fù)雜的數(shù)據(jù)分析、處理文件，甚至直接生成可編輯的PowerPoint演示文稿和Excel電子表格。發(fā)布會演示中，Agent自行編寫代碼編譯幻燈片，并調(diào)用圖像API美化頁面的場景，令人印象深刻。

通過API，Agent能夠調(diào)用外部服務(wù)。包括公共API，以及用于訪問你私有數(shù)據(jù)源的API，比如谷歌云端硬盤，谷歌日歷，github，sharepoint等等。

擁有工具是一回事，懂得何時使用何種工具，則是更高維度的智能。OpenAI通過強化學(xué)習(xí)（Reinforcement Learning）的訓(xùn)練方式，學(xué)會在面對復(fù)雜任務(wù)時，自主規(guī)劃并智能地選擇最優(yōu)工具組合。

比如，當(dāng)被要求預(yù)訂餐廳時，Agent可能會先用文本瀏覽器進行海量篩選，然后切換到可視化瀏覽器查看菜品圖片，最后確認空位并完成預(yù)訂。

從“指令-響應(yīng)”到“委托-協(xié)作”：

人機協(xié)作的全新體驗

如果說完成復(fù)雜任務(wù)是ChatGPT Agent的“硬實力”，那么其高度協(xié)作的交互模式則是它的“軟實力”，也是它與其他AI工具顯著區(qū)別。

過去，我們與AI的交互是僵硬的。一旦任務(wù)下達，我們能做的只有等待。而ChatGPT Agent被設(shè)計成一個真正的“協(xié)作伙伴”。

用戶和智能體隨時都能夠主動與對方溝通，是ChatGPT Agent重要的交互理念。在ChatGPT Agent執(zhí)行任務(wù)的任何時刻，用戶都可以隨時“插話”：

“Agent模型的一個關(guān)鍵能力是能夠被隨時打斷，就像是在進行多輪對話。用戶可以插話，引導(dǎo)它。”ChatGPT Agent研發(fā)人員表示。

用戶可以中途補充新的要求（哦對了，再幫我找一雙9.5碼的黑皮鞋），可以糾正它的方向，甚至可以完全改變?nèi)蝿?wù)（我忘了提這件事，或者你的進度如何？做得怎么樣了？）。Agent會理解新的指令，并在不丟失已有進度的前提下，繼續(xù)工作。

同時，Agent也會主動溝通。在信息不足時，它會提出澄清性問題讓用戶確認；在執(zhí)行關(guān)鍵操作（如發(fā)送郵件、下單支付）前，Agent會主動尋求用戶的最終確認。這種雙向溝通機制，確保了任務(wù)始終在用戶的掌控之中。

更重要的是，用戶擁有最終的“接管權(quán)”。如果對Agent的操作不滿意，可以隨時暫停，直接進入它的虛擬環(huán)境，自己動手修改。這極大增強了用戶的安全感和控制感，使得人與AI之間建立起一種前所未有的信任關(guān)系。

碾壓級跑分：

當(dāng)Agent的能力被量化

為了證明ChatGPT Agent并非華而不實的“花架子”，OpenAI公布了一系列基準(zhǔn)測試成績。這些數(shù)據(jù)，將其強大的能力清晰地量化了出來。

在被譽為“人類最后考試”的HLE (Humanity’s Last Exam)基準(zhǔn)上，該測試旨在衡量AI在各學(xué)科專家級問題上的表現(xiàn)，ChatGPT Agent取得了41.6%的分數(shù)，幾乎是此前o3和o4-mini模型的兩倍。

前沿數(shù)學(xué)基準(zhǔn)FrontierMath上，Agent在工具的輔助下，達到了27.4%的準(zhǔn)確率，顯著優(yōu)于o3和o4-mini。

在衡量網(wǎng)頁瀏覽和信息定位能力的BrowseComp和WebArena測試中，Agent同樣表現(xiàn)優(yōu)異。

在與辦公場景息息相關(guān)的SpreadsheetBench（電子表格編輯能力測試）中，Agent的得分高達45.5%

這些數(shù)字背后，反映出一個清晰的信號：ChatGPT Agent在通用推理、專業(yè)知識、工具使用和任務(wù)執(zhí)行等多個維度上，已經(jīng)達到了一個全新的高度。它不再是一個只能在特定領(lǐng)域展現(xiàn)才華的工具，而是一個具備廣泛能力的“通才”。

“前沿與實驗性”：

奧特曼的謹慎與Agent的風(fēng)險預(yù)警

在展示強大能力的同時，Sam Altman也反復(fù)強調(diào)了這款產(chǎn)品的“前沿和實驗性”，并坦誠地揭示了其潛在的風(fēng)險。這體現(xiàn)了OpenAI在推動技術(shù)邊界時的審慎態(tài)度。

研發(fā)團隊稱，目前最大的擔(dān)憂之一，是被稱為“提示詞注入”（Prompt Injection）的新型攻擊。

當(dāng)Agent訪問惡意網(wǎng)站時，網(wǎng)站上的隱藏指令可能會“誘騙”它執(zhí)行不當(dāng)操作，比如泄露用戶的敏感信息。

對此，OpenAI構(gòu)建了多層防御體系，包括訓(xùn)練模型忽略可疑指令、部署實時監(jiān)控系統(tǒng)來終止惡意行為等。但OpenAI也承認，他們無法阻止所有攻擊。

隨著AI能力的指數(shù)級增長，如何為其劃定安全的倫理和技術(shù)邊界，已成為整個行業(yè)面臨的共同挑戰(zhàn)。

因此，OpenAI給用戶的建議是：充分意識到使用智能體所面臨的風(fēng)險，不隨意向智能體透露個人敏感信息。

結(jié)語

ChatGPT Agent今天所展示的，還只是一個開始。

Agent不可避免會犯錯，有時完成任務(wù)可能比人類手動操作更耗時。但它指明的方向，是清晰且不可逆轉(zhuǎn)的。

我們正在從一個需要自己親手操作每一個軟件、點擊每一個按鈕的時代，邁向一個只需提出目標(biāo)，便有智能體為你調(diào)度一切資源的時代。

而我們，需要學(xué)習(xí)如何與這個星球上最聰明的“打工人”共事。

       原文標(biāo)題 : 終極“打工人”誕生：OpenAI發(fā)布ChatGPT Agent，重新定義生產(chǎn)力邊界