Agent AI 时代已经悄然来临，其发展速度远超我们的预期。就在北京时间周五凌晨，OpenAI 突然开启了新产品直播，正式发布了全新的 ChatGPT Agent。这一全新升级不仅实现了通用智能体（Agent）能力的突破，更标志着 AI 技术迈入了一个全新的阶段。
与以往单纯的大模型升级不同，通用 Agent 能够自动整合多种工具，通过智能规划协助人们完成各种复杂任务。无论是自动浏览用户日历、生成可编辑的 PPT，还是运行代码，ChatGPT Agent 都能轻松应对。它能够无缝连接 Gmail、GitHub 等平台获取信息并解决问题，通过 API 访问各类应用，为用户带来前所未有的智能体验。
在性能表现上，ChatGPT Agent 更是实现了大幅飞跃。基于该 Agent 的模型在 HLE 基准测试中取得了 41.6% 的优异成绩，是 o3 和 o4-mini 模型的近两倍。目前，ChatGPT Agent 已向 OpenAI Pro、Plus 和 Team 计划的订阅用户开放，用户只需在 ChatGPT 的工具下拉菜单中选择「Agent 模式」即可体验。OpenAI 表示，企业版和教育版用户预计将于夏季晚些时候获得该功能。Pro 用户每月可使用 400 次 Agent 提示，其他付费用户则最多可使用 40 次，而面向 ChatGPT 免费用户的推出时间尚不明确。
这是 OpenAI 迄今最为大胆的一次新产品发布。从此以后，ChatGPT 不再仅仅是一款回答问题的工具，而是成为了一款能够为人们采取行动、分担任务的智能 Agent 产品。OpenAI CEO 山姆・奥特曼（Sam Altman）表示，看着 ChatGPT 智能体使用计算机执行复杂任务，让他真正感受到了 AGI 的魅力，计算机的思考、计划和执行能力带来了前所未有的震撼体验。
ChatGPT 现在可以使用自己的虚拟电脑为用户处理复杂任务，实现从始至终的全流程自动化。用户不仅可以让 ChatGPT 执行「查询年度财务报告」等请求，还能智能浏览网站、筛选结果，在需要时安全登录，运行代码、进行分析，甚至交付可编辑的幻灯片和电子表格，全面总结研究成果。
以「ChatGPT Agent 搜索查询旧金山市年度综合财务报告（2020-2024年）」为例，只需简单输入提示，ChatGPT Agent 就能迅速完成信息检索和整理工作。再比如，输入「我是一位网球迷，想去棕榈泉观看网球比赛，特别是在半决赛/决赛期间。我住在旧金山，请帮我制定一份详细的三天行程，包括航班安排、酒店预订、活动内容（比赛、徒步、美食、水疗等）。我喜欢徒步旅行、纯素食餐厅和水疗。总预算为3000美元。这份行程需要包括:精确的时间安排;每项活动的内容、费用和其他细节;如有需要，提供购票或预订链接」，ChatGPT Agent 将为你量身定制完美行程。
这一新能力的核心是一个统一的智能 agentic 系统，它巧妙结合了 Operator 的网站交互能力、deep research 的信息综合能力，以及 ChatGPT 的智能推理与对话能力。ChatGPT 借助自己的虚拟计算环境，在推理与执行之间灵活切换，根据用户指令，从头到尾处理复杂的工作流程。最重要的是，用户始终掌控全局。ChatGPT 会在执行任何重要操作前征求许可，用户也可以随时中断任务、接管浏览器或停止运行。
OpenAI 表示，虽然 ChatGPT Agent 已经能够应对复杂任务，但这只是开始。他们将持续迭代、定期推出重大改进，让 ChatGPT Agent 变得更加强大、更加实用，服务于更多用户。
Operator 与深度研究的自然进化
过去，Operator 和 deep research 各自拥有独特优势：Operator 能够在网页上滚动、点击和输入，而 deep research 擅长分析和总结信息。然而，二者在不同场景下才发挥最大作用，各有不擅长的领域。Operator 无法深入分析或撰写详细报告，而 deep research 又无法与网页交互、进一步筛选结果或访问需要用户登录的内容。OpenAI 发现，许多用户尝试用 Operator 处理的任务，其实更适合用 deep research，因此决定将二者的优势整合在一起。
通过将这些互补能力集成进 ChatGPT，并引入更多工具，OpenAI 在一个模型中解锁了全新的能力。它现在可以主动与网站交互——点击、筛选并收集更精准、高效的结果。用户也可以在同一个对话中，从自然的交流无缝过渡到发出具体操作请求。
OpenAI 为 ChatGPT Agent 配备了一整套工具：包括一个通过图形用户界面与网页交互的可视化浏览器、一个用于处理简单推理类网页查询的文本浏览器、一个终端（命令行界面），以及直接调用 API 的能力。该 agent 还可以利用 ChatGPT Connectors，将 Gmail、GitHub 等应用连接进来，使 ChatGPT 能够查找与提示相关的信息，并将其用于回答中。用户也可以通过接管浏览器，在任意网站上登录账户，从而帮助它在信息检索和任务执行方面更深入、更广泛。
为 ChatGPT 提供多种访问和交互网页信息的方式，意味着 ChatGPT Agent 能够选择最优路径，以最高效地完成任务。例如，它可以通过 API 获取用户的日历信息，使用文本浏览器高效处理大量文本内容，同时也具备通过可视化界面与专为人类设计的网站进行交互的能力。所有这些操作都是在 ChatGPT Agent 自己的虚拟计算机上完成的，这可以在使用多个工具时保留任务所需的上下文信息。ChatGPT Agent 可以根据需要选择用文本浏览器或可视化浏览器打开网页，从网上下载文件，在终端中运行命令处理文件，然后再通过可视化浏览器查看输出结果。同时也会根据任务调整策略，以快速、准确和高效地执行。
ChatGPT Agent 专为迭代式、协作式的工作流程而设计，远比以往的模型更加互动和灵活。在 ChatGPT 执行任务的过程中，用户可以随时打断它，进一步澄清指令，令其朝着期望的方向发展，或完全更换任务内容。它会在新的信息基础上继续工作，而不会丢失此前的进度。同样地，ChatGPT 也会在需要时主动向用户请求更多细节，以确保任务始终与目标保持一致。如果某项任务耗时超出预期或陷入停滞，用户可以选择暂停任务、请求进度摘要，或者直接终止任务并获取当前已有的部分结果。如果用户在手机上安装了 ChatGPT 应用，它还会在任务完成后发送通知。
基准测试结果：拓展现实世界的实用性
ChatGPT Agent 及背后模型的能力提升体现在多个基准测试中的顶尖表现，评估内容包括网页浏览和现实世界任务的完成能力。其中在「人类最后考试」（Humanity’s Last Exam）评估中，支持 ChatGPT Agent 的模型在该评估中的 Pass@1分数为 41.6。由于该 Agent 能够动态规划并自主选择工具，它可以通过不同的方式处理相同的任务。在通过简单的并行策略进行扩展时——同时运行最多八次尝试并选择自我报告信心最高的结果——该 Agent 的 HLE 得分提高到了 44.4。
FrontierMath 是目前已知最难的数学基准测试，包含全新且未公开发表的问题，通常需要数学专家花费数小时甚至数天才能解决。在具备工具使用能力（例如可访问终端以执行代码）的情况下，ChatGPT Agent 在该测试中达到了 27.4% 的准确率，远远超越此前的所有模型。
OpenAI 还使用模拟复杂真实任务的基准测试对该模型进行了评估。在一个用于评估模型在复杂、具有经济价值的知识型工作任务中表现的内部基准中，ChatGPT Agent 的输出在大约一半的情况下可与人类相媲美，甚至优于人类，任务完成时间范围不等，并且显著优于 o3 和 o4-mini 模型。
在 DSBench 基准测试中，用于评估 Agent 在涵盖数据分析与建模的真实数据科学任务的表现。ChatGPT Agent 超越了人类的平均表现，且优势明显。在 SpreadsheetBench 基准测试中，用于评估模型处理真实场景电子表格编辑任务的能力。ChatGPT Agent 表现远超现有模型。当赋予直接编辑电子表格的能力时，它的得分更是高达 45.5%，而 Excel 中的 Copilot 仅为 20.0%。
方法概览如下：SpreadsheetBench 的作者使用的是基于 Windows 系统的 Microsoft Excel 环境来评估电子表格任务。而 OpenAI 使用的是 macOS 系统和 LibreOffice，这可能会导致评分上的细微差异。例如，作者报告 GPT-4o 在「整体高难度限制」项上的得分为 15.02%，而 OpenAI 测得的结果为 13.38%。OpenAI 使用的是包含全部 912 道题目的完整基准测试集。
在一个内部基准测试中，OpenAI 评估了模型处理投资银行分析师一至三年级建模任务的能力，例如：为一家《财富》500 强公司制作带有规范格式和引用的三大财务报表模型。ChatGPT Agent 所依托的模型在这一评估中显著优于 deep research 和 o3。
OpenAI 还在 BrowseComp 基准测试中评估了 ChatGPT Agent。该基准由 OpenAI 于今年早些时候发布，用于衡量浏览型 Agent 在网络上查找难以获取信息的能力。ChatGPT Agent 在该测试中创下了新的 SOTA（当前最优表现），得分为 68.9%，比 deep research 高出 17.4 个百分点。
最后，在 WebArena 基准测试中，用于评估网页浏览型 Agent 完成真实网页任务的能力。ChatGPT Agent 在表现上超越了由 o3 驱动的 CUA（即驱动 Operator 的模型）。
山姆・奥特曼发表了一篇长推介绍了 ChatGPT Agent 的安全限制。Agent 代表了 AI 系统能力的新高度，它能够利用自身的计算机为你完成一些特殊而复杂的任务。它融合了 Deep Research 和 Operator 的精髓，但实际功能远超想象——它可以进行长时间思考，使用一些工具，进行更深入的思考，采取一些行动，再进行更深入的思考等等。例如，我们在发布会上展示了一个为朋友的婚礼做准备的演示：购买服装、预订行程、挑选礼物等等。我们还展示了一个分析数据并创建工作演示文稿的示例。尽管其效用很大，但潜在的风险也很大。我们已在其中构建了大量的安全措施和警告，以及比以往任何时候都更广泛的缓解措施，从强大的训练到系统安全措施再到用户控制，但我们无法预见一切。本着迭代部署的精神，我们将向用户发出很多警告，并给予用户自主选择是否谨慎采取行动的自由。我会向我的家人解释这是前沿和实验性的。这是一个尝试未来的机会，但在我们有机会在现实世界研究和改进它之前，我不会将它用于高风险用途或获取大量个人信息。我们尚不清楚具体会造成什么影响，但恶意行为者可能会试图「诱骗」用户的 AI Agent，使其提供不该提供的隐私信息，并采取不该采取的行动，而这些行为的方式我们无法预测。我们建议授予 Agent 完成任务所需的最低访问权限，以降低隐私和安全风险。例如，我可以授权 Agent 访问我的日历，以便安排一个合适的聚餐时间。但如果我只是让它帮我买衣服，就不需要授予它任何访问权限。诸如「查看我昨晚收到的电子邮件，并采取一切必要措施处理，不要问任何后续问题」之类的任务风险更大。这可能会导致恶意电子邮件中不可信的内容诱骗模型泄露你的数据。我们认为，重要的是从接触现实开始学习，并且随着我们更好地量化和降低潜在风险，人们应该谨慎而缓慢地采用这些工具。与其他新的能力水平一样，社会、技术和风险缓解策略需要共同发展。
网友一手体验
至于这款 Agent 是否好用，不少网友现身说法。X 网友 @rowancheung 提前获得访问权限，并让 ChatGPT Agent 在 20 分钟内为他创建一个完整的提前退休计划。拿到任务，ChatGPT Agent 就开始查找温哥华的当地税法、分析平均每月支出率、计算 30 岁退休所需的储蓄金额、研究最佳投资分配，还发现了 Rowan 从未听说过的税务优化策略、构建多种财务独立提前退休（FIRE）场景，最终创建一个可下载的演示文稿，总结结果。Rowan 表示，这项工作如果由财务顾问完成，可能会花费 5000 美元以上，并且需要数周时间。其中电子表格和幻灯片生成能力确实不错，但与 Manus 或 Genspark 等工具得到的结果类似。于是，Genspark 联合创始人、CEO Eric Jing 将 Rowan Cheung 的提示词进行了 OCR，并将其输入到 Genspark 中。他表示，在相同的提示下，Genspark 仅用了一小部分时间和成本，就生成了比 ChatGPT Agent 质量高得多的结果。
还有网友让 ChatGPT Agent 去 Tesco 食品店完成购物，订购烤肉晚餐和粘稠焦糖布丁。他给出的提示词也相当简单：「Help me do a tesco shop for a roast dinner this weekend for two people. Include a treat for desert。」「我看着它浏览网站、提示我输入登录信息、将商品加入购物车，并自主完成整个过程，真是太不可思议了。」不过，该网友也坦言，ChatGPT Agent 干活的整个过程大约花了 20 分钟，如果自己手动操作可能会更高效一些，未来还有改进的空间。
