在人工智能领域，Agent模式正逐渐成为焦点。如果说过去我们更多关注AI的“动嘴”能力，即理解和生成语言，那么现在，AI开始进入“动手”的时代。既然AI已经具备了理解能力和足够的智能，为什么不能直接让它完成实际任务呢？
OpenAI在2025年7月发布了他们的Agent模式，这一模式与几个月前流行的Manus模式有着惊人的相似之处。这次，OpenAI将Agent模式的体验扩展到Plus和Team用户，每月提供40次的使用机会。
Sam Altman表示，Agent模式代表着一种全新的范式。就像我们学会使用互联网，并最终学会识别网络诈骗一样，整个社会需要学习如何与Agent安全地交互和共存。
Agent模式的功能与特点
OpenAI的Agent模式允许用户直接对ChatGPT提出具体需求，例如：
- 购买商品：让AI在电商平台购买婚礼所需的鞋子。
- 定制产品：设计宠物周边产品，并直接下单打印。
- 信息整合：查找信息，并自动生成PPT。
ChatGPT在虚拟机中逐步完成这些任务。在演示中，完成一个复杂任务大约需要10分钟，但完成度非常高。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，还可以进一步调用云服务API、图片生成器，甚至运行代码。
Agent模式的核心在于其能够调用多种工具，包括：
- 文本浏览器：用于大量浏览文字信息，快速搜寻关键信息。
- 可视化浏览器：用于定位信息后模拟键鼠交互，或读取图像信息。
- 终端：用于运行代码，生成PPT、Excel等文件，以及调用云端API。
这种工具组合的设计使得Agent模式能够高效地完成各种复杂任务。
案例分析：婚礼规划
OpenAI的演示中，研究员提出规划参加朋友婚礼的需求，包括挑选符合着装要求的礼服（考虑场地、天气、价位）、预订酒店和提供礼物建议。ChatGPT在Agent模式下，首先启动虚拟电脑并加载环境，然后使用文本浏览器打开用户提供的网页，搜索婚礼信息、着装要求和天气等。当需要进一步确认婚礼日期时，模型会主动提出澄清请求。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。
最终生成的婚礼出行建议报告非常详细，涵盖服装、酒店和礼物，并附带大量链接，甚至包括在线预订网站的截图。完成这样一份报告，AI仅花费了十分钟，效率远高于人工。
案例分析：定制贴纸
另一个演示展示了Agent模式的动手能力。研究员要求为团队的吉祥物（一只名叫Bernie的狗狗）制作一批笔记本贴纸，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）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，上传设计好的图片，填写贴纸数量和尺寸等信息，并将商品加入购物车。最后，它主动向用户确认是否使用该插画、是否继续下单，以及是否需要用户自己输入信用卡付款。
案例分析：生成PPT和旅行攻略
Agent还可以连接Google Drive API，读取文件后生成PPT。此外，它还可以查询赛季日程，生成详细的旅行电子表格和带标注地图的旅行攻略。这个复杂任务大约花费25分钟完成。
技术解析：Operator与Deep Research的融合
OpenAI此次推出的Agent模式并非全新的创新，而是由上半年推出的Operator和Deep Research两款工具组合而成。
- Operator：原本只对Pro用户开放的浏览器Agent工具，能够分析图形操作界面并进行操作。
- Deep Research：一个深入研究的分析工具，可以阅读大量网页，直接生成调研报告。
OpenAI发现，许多用户使用Operator编写的提示词更像是Deep Research的任务，例如“计划一次旅行并预订”。而Deep Research用户则希望增加“登录网站、访问受保护资源”的能力，这正是Operator的功能。因此，团队决定将两个产品融合。
这种融合避免了仅使用浏览器图形界面阅读文字材料的低效问题，缩短了生成深度报告所需的时间。
OpenAI还分享了如何训练模型使用多种工具。他们使用强化学习，让模型尝试用所有工具解决简单问题，通过奖励高效和合理的行为，模型逐渐学会如何选择合适的工具。例如，在进行创意作品时，模型会先搜索公开资源，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。
基准测试：Agent模式的性能提升
OpenAI还公布了一系列新的基准测试成绩。
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模式模型达到了42%的高分，相比于完全不使用工具的模型，提升了一倍。Grok宣布带工具的Grok 4 Heavy在测试中取得了45%的成绩。
使用工具后的高级数学推理能力也得到了提升。
在网页操作能力（WebArena）和电子表格操作能力（SpreadsheetBench）两项基准中，Agent模式仍然不如人类，但在网页操作方面已经接近人类水平。
这意味着，即使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，大模型能力的提升还有更高的天花板。
Agent时代：机遇与挑战
Agent是2025年人工智能领域的焦点。然而，用户体验并非完美，任务运行时间过长，复杂任务容易出错。OpenAI将Operator与Deep Research融合，旨在缓解这种“粘滞感”，让Agent真正运行起来。
OpenAI的入场，使得第三方开发者面临一个问题：这究竟会催生一个繁荣的Agent应用生态，还是会直接碾压所有创业公司？
对于用户而言，隐私和安全是更大的挑战。当AI在虚拟机中打开网页、输入个人信息时，如何保证安全？如果AI被钓鱼网站欺骗，责任由谁承担？
OpenAI表示，他们会采取严格的审查和安全措施，并希望整个社会都能适应和建立规范。
Agent时代是继Chat时代之后的一个全新阶段。
在Chat时代，我们学会了适应AI的“嘴”，慢慢习惯了AI的幻觉，并学会识别真伪。这是一个关于“信息可信度”的挑战。
而在Agent时代，挑战则转向了AI的“手”。我们需要回答一系列全新的问题：我们愿意信任AI到什么程度？我们愿意交给AI多大的权限，让它代替我们完成多少现实世界的事情？
我们与AI的关系也将因此被重新定义。
从更宏观的角度看，Agent的爆发将再次把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，白领们的工作是被赋能加速，还是被彻底威胁？
一个由Agent驱动的、更自动化的新时代正在加速到来。
