在人工智能领域，Agent模式正成为一个备受瞩目的焦点。如果说过去我们更多地关注AI的"说"，那么现在，AI的"做"正逐渐成为现实。OpenAI在2025年7月推出Agent模式，与此前流行的Manus模式有着惊人的相似之处，标志着AI技术发展的新阶段。
OpenAI的Agent模式允许用户直接向ChatGPT提出需求，例如购买婚礼所需的鞋子、设计宠物周边产品并下单打印、查找信息并生成PPT等。ChatGPT将通过虚拟机自主完成这些任务，无需人工干预。在一个演示中，完成一个复杂任务大约需要10分钟，但结果显示其完成度非常高。ChatGPT可以在虚拟环境中调用文本浏览器、可视化浏览器和终端，从而调用云服务API、图片生成器和运行代码等。
更重要的是，这次OpenAI不再只为Pro用户提供服务，Plus和Team用户也将能够很快上手，每月可用次数为40次。OpenAI的负责人Sam Altman表示，这是一种全新的范式，就像我们学会上网并学会识别诈骗信息一样，整个社会需要学习如何与Agent安全地交互和共存。
Agent模式的功能
OpenAI的Agent模式与Manus模式类似，在用户提出需求后，会自动开启一个虚拟机，自动执行任务。在执行过程中，Agent会反复请求用户确认，并允许随时手动接管。用户还可以在任务中途植入新需求，进行实时交互。Agent模式可以调用三种工具：文本浏览器、可视化浏览器和终端，模型可以自主选择切换各种工具。
这种工具组合的设计非常精巧：文本浏览器负责大量浏览文字，搜寻信息；可视化浏览器负责定位到信息后直接模拟一些键鼠交互，或读取图像信息；终端可以运行代码，生成包括PPT、Excel在内的文件，并调用一些云端API。
在一个演示中，研究员提出要规划参加朋友婚礼的事宜，包括挑选一套符合着装要求的礼服、预订酒店和提供礼物建议。ChatGPT首先切换到Agent模式，启动虚拟机并加载环境。然后，ChatGPT试用文本浏览器打开用户给的网页，搜索婚礼信息、着装要求和天气等。在找到天气和场地信息后，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。
最终，AI给出的婚礼出行建议报告非常详细，涵盖了服装、酒店和礼物，甚至附上了大量的链接，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。完成这样一份报告，AI只花了十分钟。虽然相比于我们熟悉的一问一答，时间是长了很多，但是相比于实际的工作量，AI的效率还是要高得多。
另一个演示展示了AI的动手能力。研究员要求给团队的吉祥物（一只可爱的狗狗，昵称Bernie）做出一批笔记本贴纸，并下单500张。Agent直接利用终端功能，调用图像生成工具（Image Gen API）来生成一张动漫风格的狗狗插画，作为贴纸的设计图案。接着，Agent打开浏览器访问Sticker Mule网站，把设计好的图上传到网站，填写了贴纸数量和尺寸等，并把商品加入购物车。最后，它主动向用户确认是否要用这张插画？是否继续下单？是否需要用户自己输入信用卡付款，还是让它继续完成？任务停留在让用户接管输入信用卡，花费了7分钟。
Agent还连接Google Drive API，读取文件后生成了一份PPT。查询了赛季日程，生成了一个详细的旅行电子表格+带标注地图的旅行攻略。这个任务比较复杂，Agent大约花费了25分钟完成。
AI能力的进步
OpenAI此次推出的新Agent模式，实际上并不是一项全新的创新，而是由OpenAI上半年推出的两样工具组合而成：Operator和Deep Research。
Operator是原本只开放给了Pro用户的浏览器Agent工具，能够分析图形操作界面，并做出一定的操作。Deep Research则是一个深入研究的分析工具，可以阅读大量的网页，直接生成一份调研报告。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品融合起来。
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。
OpenAI也提到了在为模型提供多种工具之后，怎样训练模型。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。通过奖励它那些解决问题更高效、更合理的行为，模型能逐渐学会如何用这些工具。在什么情况下用哪个工具最合适。比如如果是做创意作品，它会先搜索公开资源；然后用终端写代码、编译作品；最后用可视化浏览器验证结果。
在一堆Demo中，OpenAI也轻描淡写地又抛出了一个新的基准测试成绩。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。而在世界范围内也是领先的——Grok宣布带工具的Grok 4 Heavy在测试中取得45%的成绩。
使用工具后的高级数学推理能力，也有了进一步的提升。
公布的基准中，有两个是和人类的对比。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。
与Agent共处的时代
毫无疑问，Agent是2025年AI领域的绝对风口。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。」此次OpenAI将Operator与Deep Research融合，或许正是为了缓解这种「粘滞感」，让Agent真正跑起来。
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。而对于用户而言，一个更切身的挑战随之而来：隐私和安全。当AI在我们看不见的虚拟机里，点开一个网页、输入我们的个人信息时，谁来保证安全？如果它被钓鱼网站骗走了我们的信用卡号，责任谁负？OpenAI对此的回应是，他们会采取极其严格的审查和安全措施，但它也希望整个社会都能花时间去适应和建立规范。
Agent时代，确实是继Chat时代之后，一个截然不同的新阶段。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。这是一个关于“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？而我们与AI的关系，也将因此被重新定义。
从更宏观的视角看，Agent的爆发也将再次将一个老问题以更尖锐的方式推到我们面前：当AI能真正「干活」时，我们的工作会怎样？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？答案尚在风中飘。但无论我们欢迎、恐惧还是茫然，一个由Agent驱动的、更自动化的新时代，确实正在加速到来。
