過去大半年,Agent(智能體)是 AI 行業(yè)最常被提及的概念之一。
幾乎所有廠商都在講 Agent,概念不缺,demo 也不少,但真正做到產(chǎn)品級落地,始終缺一套完整的執(zhí)行系統(tǒng)——既能理解復雜目標,又能調(diào)用多種工具串聯(lián)任務(wù)流程,還要隨時支持任務(wù)中斷、修改與恢復,真正貼合用戶工作流。
就在剛剛,OpenAI 正式發(fā)布 ChatGPT Agent 功能。
通過整合 Operator + Deep Research + ChatGPT 本體,用戶只需描述任務(wù),ChatGPT Agent 就能自主判斷所需工具,自動訪問網(wǎng)頁、提取信息、運行代碼、生成幻燈片或表格等,并可在執(zhí)行過程中實時展示步驟、接受中斷和修改指令。
發(fā)布會結(jié)束后,OpenAI CEO Sam Altman 在社交媒體上寫道::
觀看 ChatGPT Agent 使用計算機完成復雜任務(wù),對我來說是一個真正的「感受 AGI」時刻;看到計算機思考、計劃和執(zhí)行,有種與眾不同的感覺。
亮點如下:
- ChatGPT Agent 將 Operator、Deep Research 與 ChatGPT 本體三合一,構(gòu)建了一個統(tǒng)一智能體系統(tǒng)。
- 內(nèi)置圖形/文本瀏覽器、終端和 API 調(diào)用器等工具,支持手機端使用,任務(wù)完成后可自動推送結(jié)果;
- 可連接 Gmail、GitHub 等第三方應(yīng)用,深度嵌入用戶真實工作流;
- 在多項基準測試中表現(xiàn)領(lǐng)先,綜合性能位居行業(yè)前列;
- Pro 用戶每月享有 400 條調(diào)用額度,其他付費用戶為 40 條,并支持按需擴展配額。
ChatGPT Agent 正式上線,能購物,能寫 PPT,你的瀏覽器要被 AI 接管了
今天開始,你可以在任何對話中,通過聊天界面左下角的「工具」下拉菜單,選擇「Agent 模式」來啟用這一功能。
只需描述你想完成的任務(wù),ChatGPT 能夠智能地瀏覽網(wǎng)站、篩選結(jié)果、在需要時安全提示你登錄、運行代碼、執(zhí)行分析,甚至輸出可編輯的幻燈片和電子表格,總結(jié)任務(wù)結(jié)果。
整個執(zhí)行過程是可視的——操作步驟會實時顯示在屏幕上,用戶可以隨時中斷、修改指令,甚至手動「接管瀏覽器」繼續(xù)操作,確保任務(wù)始終符合你的目標和需求。
在今天凌晨的演示中,OpenAI 展示了 ChatGPT Agent 在真實場景中的應(yīng)用能力。
比如,為即將出席的婚禮做準備,一直是個難題?,F(xiàn)在只需發(fā)出請求,ChatGPT Agent 迅速搭建虛擬環(huán)境,自主判斷應(yīng)調(diào)用瀏覽器、文本解析器還是終端,并開始依次調(diào)取婚禮日期、查詢場地天氣、推薦西裝搭配、篩選酒店。在這個過程中,模型可以與 OpenAI 研究員進行互動,并在適當節(jié)點請求確認需求。
更重要的是,用戶可以隨時中斷任務(wù)。
比如當 Agent 在推薦西裝過程中,OpenAI 研究員臨時插入了「幫我找一雙 9.5 碼黑色正裝鞋」的請求,模型立刻暫停當前任務(wù),轉(zhuǎn)而處理新需求。
同樣地,當智能體認為有必要時,也會主動向你請求更多信息,確保任務(wù)始終與你的目標保持一致。如果任務(wù)超出預期時間或出現(xiàn)卡頓,你可以選擇暫停任務(wù)、請求進度摘要,或直接終止任務(wù)并獲取已有的部分結(jié)果。
「這種可打斷、可多輪對話的機制,是我們這次訓練模型的重點之一,」OpenAI 研究員解釋道。
這一能力背后,是 ChatGPT Agent 對三大系統(tǒng)的統(tǒng)一整合:Operator 提供網(wǎng)頁交互能力,支持自動滾動、點擊、填表;Deep Research 擅長信息整合與分析;ChatGPT 本體則負責自然語言理解與智能推理。
ChatGPT Agent 是通過強化學習在復雜的任務(wù)中訓練出來的,過去三者各有短板——前者難以深入分析,后者無法操作網(wǎng)頁,而 Agent 將三者優(yōu)勢整合為一體,并輔以瀏覽器、終端、API 調(diào)用器等工具,形成一個完整的執(zhí)行系統(tǒng)。
用戶不僅可以在桌面端啟動 Agent 模式,在手機端也同樣適用。
任務(wù)完成后還將自動推送結(jié)果通知。在第二個演示任務(wù)中,OpenAI 研究員在 ChatGPT App 上傳了團隊吉祥物 Bernie Doodle 的貼紙圖案,Agent 自動調(diào)用圖像生成 API 設(shè)計貼紙樣式,通過瀏覽器訪問電商平臺完成比價、樣式選擇、購物車添加,最終整理出定制貼紙的下單明細。
當然,為確保流程安全、靈活且清晰可控,面對涉及金額的支付環(huán)節(jié),則只會由用戶手動接管瀏覽器完成。
通過連接器,用戶還可將 Gmail、GitHub 等日常應(yīng)用接入 ChatGPT,讓模型讀取郵件、日歷或代碼庫等上下文內(nèi)容,并執(zhí)行諸如總結(jié)今天的郵箱內(nèi)容或查找下周空閑會議時間等任務(wù)。
一個更典型的應(yīng)用場景是,OpenAI 研究員能夠讓 ChatGPT Agent 匯總自己在多項基準測試中的表現(xiàn),并制作成幻燈片。收到命令后,Agent 會調(diào)用 Google Drive 連接器讀取數(shù)據(jù)文件,用終端編寫代碼繪制圖表,并生成完整的 PPT。
這類自動化能力,都是 Agent 深度嵌入工作流的體現(xiàn)。
不過,可以看到,ChatGPT Agent 生成的 PPT 在設(shè)計審美方面表現(xiàn)比較一般,并且,雖然可以上傳電子表格供 ChatGPT 編輯或作為模板使用,但生成的 PPT 暫不支持二次修改。
需要說明的是,OpenAI 并不是讓 Agent 像人一樣打開 PPT或 Excel 文件,通過點擊來插入文本框和公式,而是直接生成代碼來創(chuàng)建文檔。這種做法的好處是可以利用模型在代碼編寫方面的天然優(yōu)勢,避免因模擬點擊操作帶來的效率低下或出錯,也降低了對計算資源的消耗。
The Information 報道指出,如果 ChatGPT 要直接編輯 PPT 或 Excel 文件,就需要啟動一臺「虛擬機」(即通過 ChatGPT 運行的虛擬計算機環(huán)境),這會占用更多計算資源。
而直接生成代碼則更輕量、高效。盡管潛力巨大,但就目前來看,這一功能短期內(nèi)很難對微軟的 Office 或者 Google Workspace 造成沖擊。
對于 ChatGPT Agent 功能,Pro 用戶將在今天之內(nèi)獲得訪問權(quán)限;Plus 與 Team 用戶將在接下來的幾天內(nèi)陸續(xù)開放;企業(yè)版(Enterprise)和教育版(Education)將在未來幾周內(nèi)上線
Pro 用戶每月可使用 400 條消息,其他付費用戶每月可使用 40 條消息,并可通過彈性積分方案購買更多額度。
全線刷新「跑分」記錄,Agent 戰(zhàn)場迎來最強對手
ChatGPT Agent 能力的提升,也體現(xiàn)在「跑分」環(huán)節(jié)。
在評估 AI 解決跨學科專家級問題的基準測試 Humanity’s Last Exam(HLE)中,搭載智能體的 ChatGPT 模型以 41.6 的 pass@1 得分刷新紀錄。在啟用并行執(zhí)行策略后,該得分進一步提升至 44.4。
在目前被認為最具挑戰(zhàn)性的數(shù)學基準 FrontierMath 中,面對難度極高、從未公開的題目,ChatGPT Agent 在具備終端代碼執(zhí)行能力的前提下,取得了 27.4% 的準確率,遠高于此前模型。
在這一復雜且高經(jīng)濟價值的知識型工作任務(wù)的內(nèi)部基準測試中,ChatGPT Agent 在約一半的任務(wù)中輸出質(zhì)量已達到甚至超過人類水平,表現(xiàn)也顯著優(yōu)于 o3 和 o4-mini 模型。
在一個內(nèi)部的投行建模任務(wù)基準中,ChatGPT 智能體的表現(xiàn)也顯著優(yōu)于 Deep Research 和 o3 模型。每個任務(wù)都基于數(shù)百項關(guān)于公式正確性、格式規(guī)范等評分標準進行評估。
此外,在公開評估模型信息查找能力的 BrowseComp 基準上,Agent 以 68.9% 的準確率刷新記錄,較 Deep Research 高出 17.4 個百分點。在 WebArena 評估中,其網(wǎng)頁任務(wù)執(zhí)行能力也優(yōu)于基于 o3 的 CUA 模型。
從平臺視角看,Agent 能力的底層接口,正是瀏覽器。
在 Perplexity AI CEO Aravind Srinivas 最近的采訪中,他表示瀏覽器將會是 AI 的「殺手級應(yīng)用」。在他看來,瀏覽器天然具備讓 AI 真正「動起來」的全部條件。
不同于傳統(tǒng)聊天機器人,AI Agent 的理想形態(tài)不是停留在對話框中生成文本,而是具備實際行動力——從訪問網(wǎng)頁、提取信息、填寫表單,到執(zhí)行跨平臺操作。而這一切,瀏覽器恰好具備所需的操作權(quán)限和上下文獲取能力。
瀏覽器可以直接讀取頁面、模擬點擊、自動執(zhí)行任務(wù),幾乎無需額外授權(quán)。
在這個過程中,用戶與 AI 共處于同一個交互空間:AI 可以自動執(zhí)行任務(wù),用戶也能隨時中斷或接管,避免黑盒操作帶來的不確定性。這種可控性與透明度,是當前許多上下文協(xié)議仍難實現(xiàn)的能力。
如今,隨著 ChatGPT Agent 能力正式上線,所有聲稱要做 Agent 的廠商,恐怕都要重新審視自己的產(chǎn)品路徑。
當 ChatGPT 從語言交互工具,轉(zhuǎn)向具備協(xié)作、調(diào)度與承接任務(wù)能力的執(zhí)行系統(tǒng),開始接入用戶的真實工作流,Agent 的可用性門檻,也在此刻被實質(zhì)性地拉高。
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布,本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.