文 | 大模型之家

北京時間 7 月 18 日凌晨，OpenAI 如約發布了其最新力作—— ChatGPT Agent。

根據 CEO Sam Altman 和四位 OpenAI 研究員介紹，ChatGPT Agent 是一個具備自主執行復雜任務能力的 AI Agent，它不再僅僅 " 對話 "，而是可以打開虛擬機，完成搜索、篩選、判斷、執行等一整套流程，最終輸出可交付的結果。

ChatGPT Agent 的定位非常 " 簡單直接 "：一個擁有終端、圖形瀏覽器、文本瀏覽器的多工具整合智能體系統。功能上，幾乎等于一個受控的遠程虛擬操作系統。

值得注意的是，ChatGPT Agent 可以說是 OpenAI 自今年以來推出產品的一次階段性整合與釋放：Operator 和 Deep Research，一個偏執行，一個偏思考，如今徹底融合。

AI 真正開始 " 動手 "：ChatGPT Agent 的能力邊界

與如今大火的 " 智能體 " 賽道的產品類似，ChatGPT Agent 的最大變化，是讓 AI 真正獲得了對數字世界的 " 動手 " 能力。Agent 模式下，用戶不再是通過提示詞一步步引導 ChatGPT 生成答案，而是描述一個需求后，模型啟動虛擬機，自主規劃任務、調度工具、完成執行。

在演示中，OpenAI 展現了其三大基礎能力組件：文本瀏覽器、可視化瀏覽器和終端。

文本瀏覽器的職責是爬梳大量信息，完成閱讀和篩選。它適合處理長文內容、查找具體數據或者跟蹤文獻，是 Deep Research 的延續；可視化瀏覽器則具備界面識別與交互能力，比如可以點擊網頁按鈕、識別圖像、進行鼠標操作等；終端部分支持代碼執行、API 調用和復雜文件生成——如 PPT、Excel、數據分析腳本等。

這些能力的協同，使 Agent 具備了完整的 " 感知 - 決策 - 執行 " 鏈路。比如在一次旅行安排任務中，它先用文本瀏覽器分析網頁信息、提取天氣與禮儀信息，再切換至可視化瀏覽器挑選合適禮服，最后生成整合報告。整個任務歷時僅十分鐘，遠遠快于人類的處理效率。

更復雜的場景中，Agent 還能夠自動調用圖像生成 API 設計貼紙，然后在網站上上傳圖像、填寫參數、放入購物車，最后請用戶確認是否付款。在另一個演示中，Agent 還連接了 Google Drive，提取文檔并自動生成 PPT；或將日程數據匯總為帶地圖的電子表格行程表。

這些能力讓 Agent 不僅適用于內容生成，更適用于事務型任務處理，意味著它從 " 信息輔助 " 跨越到 " 決策 + 執行 "。在辦公場景中，Agent 可以完成會議安排、報告撰寫、差旅預訂等一系列中層管理事務。在生活場景中，它能規劃婚禮、生成資料、預約專家等個性化需求。用一個略顯理想主義但已逐步接近現實的說法：ChatGPT Agent，是人人都可以擁有的 " 高效執行助理 "。

基準測試成績：Agent 能力更接近人類水平

與以往 OpenAI 擅長的語言能力不同，Agent 的測試指標更偏向執行能力和任務完成度。在這方面，ChatGPT Agent 通過了多個廣受認可的專業評測，其結果呈現出一次系統性的躍遷。

在 " 人類的最后一場大考 "（Humanities Last Exam）中，ChatGPT Agent 獲得了 41.6% 的成績，幾乎是不帶工具模型的兩倍。這項測試不僅包含復雜的推理與信息調度任務，還考察模型的工具調度能力。在使用終端、瀏覽器等資源的前提下，Agent 表現出對任務流程的高度掌控。

在 WebArena 這個網頁交互能力評測中，Agent 的得分已經接近人類水平。而在 SpreadsheetBench，即電子表格操作能力的標準測評中，其分數達到 45.5%，較 GPT-4o 提升一倍。

尤其值得一提的是 DSBench 測試，它用于衡量數據分析與建模任務的能力。Agent 在這一測試中超過了所有此前的 SOTA（state-of-the-art）模型，明確表明其在面對現實數據分析任務中，不僅可用，而且強大。

這些數字背后，是 OpenAI 在工具調度、任務分解、推理執行上的系統性優化。可以說，ChatGPT Agent 已不再局限于 " 語言智能 "，而是進入 " 操作智能 " 的新階段。

Operator 和 Deep Research 子產品的融合

在大模型之家看來，ChatGPT Agent 并不是從零起步的 " 創新 "：其核心其實是 Operator 和 Deep Research 兩個子產品的融合。

Operator 是今年初推出的圖形界面 Agent 工具，支持鼠標模擬點擊、滾動等界面操作；Deep Research 則是一個偏內容分析和信息整合的工具，擅長處理復雜文字材料并輸出結構化結果。兩者原本分別服務不同需求，但用戶使用行為暴露出兩者之間的邊界并不清晰。

許多 Operator 用戶在提示詞中描述的任務，其實更像是深度調研；而 Deep Research 的高階用戶，又頻繁表達對圖形交互的訴求。

這使 OpenAI 做出順理成章的決策：合并兩個工具，并在一個統一的模型訓練框架下，用強化學習方法教會模型如何調度工具。具體方法是模型從 " 笨拙地 " 亂用工具開始，通過獎勵高效行為逐漸掌握何時使用哪個工具、在哪一步執行操作。

這個過程類似于 AI 界所熟知的 Curriculum Learning（課程學習）策略，從簡入繁，在逐步暴露復雜問題之前先引導其掌握基礎邏輯。強化學習在這里的作用不僅僅是讓模型 " 能用 " 工具，而是 " 用得巧 "，用得靈活。

這種組合式的工程化思維并不新鮮，但放在 OpenAI 此時此刻的體系中，它是一種極高效的資源整合，既降低開發風險，又釋放實際能力，是對 "AI 工具生態 " 合理性的回應。

Agent 不是終點，而是通往應用未來的橋梁

ChatGPT Agent 的誕生，不只是對工具融合的一次技術實現，更是對 " 大模型如何走進現實 " 的階段性回答。從 ChatGPT 的出現開始，逐漸理解語言模型的強大；從 GPT-4o 開始看見多模態推理的邊界；而現在，Agent 將 " 思考 " 與 " 動手 " 統一，標志著 AI 真正有可能完成從 " 助手 " 向 " 代理人 " 角色的轉變。

從開放的任務執行結構來看，Agent 模式更像是未來操作系統的一種雛形：具備動態調度資源、主動規劃流程、與人類深度交互的能力。它并不重定義 AI 模型本身，而是重塑了人與 AI 協作的界面與方法。

OpenAI 將這套能力下放到 Plus、Team 乃至企業級服務中，也意味著 Agent 從不再是 " 高級用戶 " 的特權，同時借助 Agent 熱潮吸引更多用戶，擴大自己在大模型賽道的話語權。

未來，ChatGPT Agent 是否能像操作系統那樣擁有開放插件生態？Agent 是否能承接 SaaS 級別復雜度的任務？企業的專屬工作流是否可以嵌入 Agent？這些問題都已開始具象化地浮出水面。