OpenAI 发布 ChatGPT Agent：AI" 代理人 " 已至，人类准备好交出操作权了吗？

文 | 大模型之家

北京时间 7 月 18 日凌晨，OpenAI 如约发布了其最新力作—— ChatGPT Agent。

根据 CEO Sam Altman 和四位 OpenAI 研究员介绍，ChatGPT Agent 是一个具备自主执行复杂任务能力的 AI Agent，它不再仅仅 " 对话 "，而是可以打开虚拟机，完成搜索、筛选、判断、执行等一整套流程，最终输出可交付的结果。

ChatGPT Agent 的定位非常 " 简单直接 "：一个拥有终端、图形浏览器、文本浏览器的多工具整合智能体系统。功能上，几乎等于一个受控的远程虚拟操作系统。

值得注意的是，ChatGPT Agent 可以说是 OpenAI 自今年以来推出产品的一次阶段性整合与释放：Operator 和 Deep Research，一个偏执行，一个偏思考，如今彻底融合。

AI 真正开始 " 动手 "：ChatGPT Agent 的能力边界

与如今大火的 " 智能体 " 赛道的产品类似，ChatGPT Agent 的最大变化，是让 AI 真正获得了对数字世界的 " 动手 " 能力。Agent 模式下，用户不再是通过提示词一步步引导 ChatGPT 生成答案，而是描述一个需求后，模型启动虚拟机，自主规划任务、调度工具、完成执行。

在演示中，OpenAI 展现了其三大基础能力组件：文本浏览器、可视化浏览器和终端。

文本浏览器的职责是爬梳大量信息，完成阅读和筛选。它适合处理长文内容、查找具体数据或者跟踪文献，是 Deep Research 的延续；可视化浏览器则具备界面识别与交互能力，比如可以点击网页按钮、识别图像、进行鼠标操作等；终端部分支持代码执行、API 调用和复杂文件生成——如 PPT、Excel、数据分析脚本等。

这些能力的协同，使 Agent 具备了完整的 " 感知 - 决策 - 执行 " 链路。比如在一次旅行安排任务中，它先用文本浏览器分析网页信息、提取天气与礼仪信息，再切换至可视化浏览器挑选合适礼服，最后生成整合报告。整个任务历时仅十分钟，远远快于人类的处理效率。

更复杂的场景中，Agent 还能够自动调用图像生成 API 设计贴纸，然后在网站上上传图像、填写参数、放入购物车，最后请用户确认是否付款。在另一个演示中，Agent 还连接了 Google Drive，提取文档并自动生成 PPT；或将日程数据汇总为带地图的电子表格行程表。

这些能力让 Agent 不仅适用于内容生成，更适用于事务型任务处理，意味着它从 " 信息辅助 " 跨越到 " 决策 + 执行 "。在办公场景中，Agent 可以完成会议安排、报告撰写、差旅预订等一系列中层管理事务。在生活场景中，它能规划婚礼、生成资料、预约专家等个性化需求。用一个略显理想主义但已逐步接近现实的说法：ChatGPT Agent，是人人都可以拥有的 " 高效执行助理 "。

基准测试成绩：Agent 能力更接近人类水平

与以往 OpenAI 擅长的语言能力不同，Agent 的测试指标更偏向执行能力和任务完成度。在这方面，ChatGPT Agent 通过了多个广受认可的专业评测，其结果呈现出一次系统性的跃迁。

在 " 人类的最后一场大考 "（Humanities Last Exam）中，ChatGPT Agent 获得了 41.6% 的成绩，几乎是不带工具模型的两倍。这项测试不仅包含复杂的推理与信息调度任务，还考察模型的工具调度能力。在使用终端、浏览器等资源的前提下，Agent 表现出对任务流程的高度掌控。

在 WebArena 这个网页交互能力评测中，Agent 的得分已经接近人类水平。而在 SpreadsheetBench，即电子表格操作能力的标准测评中，其分数达到 45.5%，较 GPT-4o 提升一倍。

尤其值得一提的是 DSBench 测试，它用于衡量数据分析与建模任务的能力。Agent 在这一测试中超过了所有此前的 SOTA（state-of-the-art）模型，明确表明其在面对现实数据分析任务中，不仅可用，而且强大。

这些数字背后，是 OpenAI 在工具调度、任务分解、推理执行上的系统性优化。可以说，ChatGPT Agent 已不再局限于 " 语言智能 "，而是进入 " 操作智能 " 的新阶段。

Operator 和 Deep Research 子产品的融合

在大模型之家看来，ChatGPT Agent 并不是从零起步的 " 创新 "：其核心其实是 Operator 和 Deep Research 两个子产品的融合。

Operator 是今年初推出的图形界面 Agent 工具，支持鼠标模拟点击、滚动等界面操作；Deep Research 则是一个偏内容分析和信息整合的工具，擅长处理复杂文字材料并输出结构化结果。两者原本分别服务不同需求，但用户使用行为暴露出两者之间的边界并不清晰。

许多 Operator 用户在提示词中描述的任务，其实更像是深度调研；而 Deep Research 的高阶用户，又频繁表达对图形交互的诉求。

这使 OpenAI 做出顺理成章的决策：合并两个工具，并在一个统一的模型训练框架下，用强化学习方法教会模型如何调度工具。具体方法是模型从 " 笨拙地 " 乱用工具开始，通过奖励高效行为逐渐掌握何时使用哪个工具、在哪一步执行操作。

这个过程类似于 AI 界所熟知的 Curriculum Learning（课程学习）策略，从简入繁，在逐步暴露复杂问题之前先引导其掌握基础逻辑。强化学习在这里的作用不仅仅是让模型 " 能用 " 工具，而是 " 用得巧 "，用得灵活。

这种组合式的工程化思维并不新鲜，但放在 OpenAI 此时此刻的体系中，它是一种极高效的资源整合，既降低开发风险，又释放实际能力，是对 "AI 工具生态 " 合理性的回应。

Agent 不是终点，而是通往应用未来的桥梁

ChatGPT Agent 的诞生，不只是对工具融合的一次技术实现，更是对 " 大模型如何走进现实 " 的阶段性回答。从 ChatGPT 的出现开始，逐渐理解语言模型的强大；从 GPT-4o 开始看见多模态推理的边界；而现在，Agent 将 " 思考 " 与 " 动手 " 统一，标志着 AI 真正有可能完成从 " 助手 " 向 " 代理人 " 角色的转变。

从开放的任务执行结构来看，Agent 模式更像是未来操作系统的一种雏形：具备动态调度资源、主动规划流程、与人类深度交互的能力。它并不重定义 AI 模型本身，而是重塑了人与 AI 协作的界面与方法。

OpenAI 将这套能力下放到 Plus、Team 乃至企业级服务中，也意味着 Agent 从不再是 " 高级用户 " 的特权，同时借助 Agent 热潮吸引更多用户，扩大自己在大模型赛道的话语权。

未来，ChatGPT Agent 是否能像操作系统那样拥有开放插件生态？Agent 是否能承接 SaaS 级别复杂度的任务？企业的专属工作流是否可以嵌入 Agent？这些问题都已开始具象化地浮出水面。