如果说过去我们习惯了 AI 的「动嘴」，那么接下来，就是 AI「动手」的时代。毕竟，既然 AI 已经能听懂、又足够聪明，那为什么不能直接把事儿干完？ 简单来说，在 Agent 模式下，你可以直接对 ChatGPT 提要求：婚礼缺双鞋，去电商平台帮我买了；或者，给我设计个宠物周边，直接下单打印；查找信息，直接生成 PPT。然后，ChatGPT 会自己打开虚拟机，一步步操作。 在演示中，一个复杂任务大概需要 10 分钟完成。但从结果看，完成度很高。ChatGPT 可以在虚拟环境里可以调用文本浏览器、可视化浏览器和终端。而基于终端，还可以进一步调用云服务 API、图片生成器，运行代码等。 Sam Altman 用他标志性的真诚眼神，对着屏幕说：这是一个全新的范式。就像我们学会上网，最后也学会了甄别诈骗信息一样，现在，整个社会需要学习如何与 Agent 安全地交互和共存。 在用户提出需求之后，都会自动开启一个虚拟机，开始自动执行一些任务，执行过程中，Agent 会反复请求用户确认，并允许随时手动接管。同时，用户也能在任务中途植入新需求，进行实时交互。 这种工具组合的设计颇为精巧：文本浏览器负责大量浏览文字，搜寻信息，而可视化浏览器则负责定位到信息之后直接模拟一些键鼠交互，或者用来读取图像信息。 在 OpenAI 提供的第一个演示里，研究员提出要规划参加另一个朋友婚礼的事宜，要挑选一套符合着装要求的礼服（考虑场地、天气、中高档价位）预订酒店，同时提供礼物建议。 然后 ChatGPT 先试用文本浏览器打开了用户给的网页，搜索婚礼信息、着装要求、天气等。发现需要进一步确认婚礼日期时，模型也提出了澄清请求，但用户选择让它自己继续推理。 在找到了天气、场地信息后，AI 开始推荐合适的礼服，并切换到可视化浏览器检查礼服效果。完成任务后，继续搜索酒店和礼物。 可以看到，最后给出的婚礼出行建议报告非常长而详细，涵盖了服装、酒店、礼物。甚至附上了非常多的链接，在酒店是否有空位的索引上，还附上了在线预订网站的截图。 而完成这样的一份报告，AI 只花了十分钟。相比于我们熟悉的一问一答看起来时间是长了很多，但是相比于实际的工作量，AI 看起来还是要比人的效率高太多了。 OpenAI 表示，在两样工具分别推出的过程中，发现很多用户用 Operator 写的提示词其实更像 Deep Research 的任务，比如「计划一次旅行并预订」。而 Deep Research 用户高度呼吁增加「登录网站、访问受保护资源」的能力，其实是 Operator 早就能做的。于是团队决定将两个产物融合起来。 这和刚刚离职的 OpenAI 的工程师的 OpenAI 的团队文化其实很接近：OpenAI 内部很看重工程师的自驱力，常常有多个类似的项目同时在推进，谁想做谁就能往前推进。 此次 Operator 和 Deep Research 的融合看起来还是很成功的。两个从不同角度推动的 Agent 项目，最后融合起来，有了一些奇妙的化学反应，也避开了只使用浏览器的图形界面去阅读文字材料的低效，让最后能形成深度报告的时长变得并不高。 仍然是使用强化学习。一开始模型会「笨拙」地尝试用所有工具解决一个相对简单的问题。也就是说，它刚开始不会判断哪个工具更合适。 在 Humanities Last Exam（人类的最后一场大考）中，能够使用浏览器、电脑和终端的 Agent 模式模型，已经能够达到 42%的高分，相比于完全不使用工具的 o3，有一倍的提升。 一个是在网页中操作的能力（WebArena），一个是操作电子表格的能力（SpreadsheetBench）。可以看到，两项基准中，Agent 模式仍然不如人类，但是网页操作，已经追近了人类水平。 这意味着，即便只是整合这些本身尚不如人类的工具，大模型也能获得显著的能力提升。Agent 时代，大模型能力的提升显然还有更高的天花板。 但风口之下，用户的真实体感往往并不完美：任务运行时间过长；稍复杂的任务就频频出错。一位早期 Operator 用户评论道「每次点击和滚动，都像在炎热夏日中游泳。」 当 OpenAI 自己下场，一个更直接的问题摆在了所有类似 Manus 的第三方开发者面前：这究竟是会催生一个繁荣的 Agent 应用生态，还是会直接碾压所有创业公司？答案尚不明朗。 在Chat时代，我们学会了适应AI的“嘴”——我们慢慢习惯了它的幻觉，并学会在它的花言巧语中甄别真伪。这是一个对于“信息可信度”的挑战。 而在Agent时代，挑战则完全转向了AI的“手”。我们需要回答一系列全新的问题：我们究竟愿意多信任 AI？我们又愿意把多大的权限交出去，让它代替我们完成多少现实世界的事情？ 当 AI 能独立完成一份包含数据检索、图像查证的复杂报告，并直接完成在线预订时，白领们的工作究竟是被赋能加速，还是被彻底威胁？
