OpenAI发布ChatGPT Agent系统：一个新模型驱动的系统，可以写代码运行代码，使用浏览器订票，写PPT、做excel的全能Agent
306 views
加载中...
加载中...
Follow DataLearner WeChat for the latest AI updates
OpenAI刚刚发布了一个全新的AI Agent产品，称为ChatGPT Agent。这个全新的Agent系统可以控制我们的电脑，然后使用电脑上的浏览器、PPT、Excel等工具帮我们完成一些日常的工作，从头开始帮我们完成一些非常复杂的任务。根据OpenAI的描述，这个Agent系统的目标未来是一个通用的Agent，而这些能力未来将会随着这个产品不定期更新。
[toc]
OpenAI此次发布的这个Agent系统的产品名字就叫ChatGPT Agent，这个系统可以帮助我们完成如下任务：
类似这种任务发出之后，ChatGPT 将智能地导航网站、过滤结果、在需要时提示我们进行登录、运行代码、进行分析，甚至提供可编辑的幻灯片和电子表格来总结其发现。
总之， ChatGPT Agent的目标是端到端交付：自然语言输入一个目标，最终输出可编辑文件（PPT/XLSX）、数据报告、预订凭证等。
这些看起来我们稀松平常的任务，对于大模型来说挑战非常大。以“买食材做一顿三口之家的晚餐” 为例，人类能瞬间调用生活常识：三口之家的食量、营养搭配、烹饪时间、预算范围，甚至孩子的挑食偏好。
但对AI而言，这等同于在黑暗中拼凑一幅动态拼图——它需将模糊的意图转化为精确操作：从理解“晚餐”的地域文化隐含要求（中餐？西餐？），到动态适配电商网站的库存、价格、配送时效；从绕过验证码陷阱，到支付时自动合并优惠券。每个环节的失误都可能导致任务崩溃：若错估份量则食材浪费，选错登录方式则流程中断，支付超时则订单失效。简单任务背后，是跨常识推理、实时决策与对抗性环境的三重压力。
根据OpenAI官网的介绍，ChatGPT Agent是核心是统一智能体系统，它把此前的Operator 的图形界面操作能力、Deep Research 的深度调研能力以及 ChatGPT 的自然语言交互完全融合。
这三者也不是简单的融合，首先是OpenAI训练了一个新的模型，这个模型是o3家族系列的一员，是一个未命名的模型，该模型通过强化学习（RL）在需要多种工具协作的复杂任务上进行了训练，从而整合了多种能力。
为了开发这个新的Agent系统，OpenAI将原来的Operator和DeepResearch小组的团队人员合并，形成了20-35人的小组，专门用来完成这个新的Agent系统。
过去，Operator 和 deep research 各自拥有独特优势：Operator 可以在网页上滚动、点击、输入；deep research 则擅长分析与总结信息。然而，它们各自只适合特定场景：Operator 无法深入分析或撰写详尽报告，而 deep research 无法与网站交互来细化结果，也无法访问需要用户登录的内容。事实上，OpenAI发现许多用户尝试用 Operator 处理的查询，其实更适合 deep research，于是他们将两者的长处合二为一。
通过在 ChatGPT 中整合这些互补能力，并引入额外工具，就可以在单一模型里解锁了全新的功能。它现在可以主动“动手”上网——点击、筛选、收集更精准、更高效的结果。你也可以在同一对话中，从简单的聊天自然过渡到直接要求它执行操作。但是如前所述，为了解锁这部分能力，OpenAI整合了两个小组并为此训练了一个新的模型来驱动。
OpenAI为ChatGPT Agent配备了一整套工具，包括： • 视觉浏览器：通过图形界面与网页互动； • 文本浏览器：用于更轻量的、基于推理的网页查询； • 终端命令行工具：可直接运行命令； • 直接 API 调用：这部分主要类似function calling之类的能力； • ChatGPT Connector：可连接 Gmail、GitHub 等应用和app，让 ChatGPT 根据你的提示找到相关信息并纳入回答。
从上面这些工具也可以看到，ChatGPT Agent的目标就是像人类一样使用电脑或者手机，完成我们平常的任务。
尽管这不是OpenAI第一个Agent产品，但是OpenAI认为这是他们走向Agent的一大步，这是他们第一个配备了文本浏览器、视觉浏览器和终端（terminal）工具的Agent系统。
换言之，OpenAI为ChatGPT提供了一个虚拟机环境，里面有不同的浏览器工具和终端工具，ChatGPT可以自由的从推理过程切换到使用工具，或者从工具使用切换到推理过程中，来完成复杂的任务。这种模式比此前的为模型配置工具的方式更加强大。
官网给出了ChatGPT Agent和其它系统在不同复杂任务上的对比结果，ChatGPT Agent比简单的工具使用的GPT模型好很多。例如，在人类最后的难题的测试（HLE）上，ChatGPT Agent得分41.6，比此前的OpenAI家族的模型得分高很多。虽然不如Grok Heavy的44.4分，但是也是目前全球第二强的系统了：
在全球最难的数学评测FrontierMath测试中结论也是类似：
当然，还有很多评测中也是类似结论，这里我们就不一一对比了。简单的表格如下：
注：并行8次尝试取最优结果（Oracle策略）
我们也从很多收集了这个ChatGPT Agent的一些实际使用案例，供大家参考：
当然，OpenAI官方也给出了ChatGPT Agent当前的一些问题和限制，主要包括：
当前的Operator服务保留数周后关闭，功能整合至ChatGPT Agent ，但是Deep Research作为Agent子模式保留（速度慢但分析更细）。