注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

GPT多模态大模型与AI Agent智能体书籍本章配套视频课程【陈敬雷】

GPT多模态大模型与AI Agent智能体系列二十九

颠覆认知！ChatGPT Agent 横空出世：接管浏览器、自动办公，奥特曼称这就是 AGI 的感觉

过去大半年，Agent（智能体）成为AI行业最热门概念之一。几乎所有厂商都在谈论Agent，概念众多，演示也不少，可真正实现产品级落地，始终缺乏一套完整执行系统。这个系统要能理解复杂目标，调用多种工具串联任务流程，还得随时支持任务中断、修改与恢复，完美贴合任务流。就在大家翘首以盼时，OpenAI重磅出手，正式发布ChatGPT Agent功能，瞬间在行业内掀起惊涛骇浪！

通过巧妙整合Operator、Deep Research以及ChatGPT本体，ChatGPT Agent拥有了令人惊叹的能力。用户只需用自然语言描述任务，它就能自主判断所需工具，自动访问网页、提取关键信息、运行代码，甚至生成PPT或表格等。而且在执行过程中，每一步操作都会实时展示，还能接受用户临时中断和修改指令，真正做到了灵活交互，让任务执行尽在掌控。

看到这儿，不少人会觉得似曾相识。没错，ChatGPT的这个新功能在体验上与今年3月份大火的Manus颇为相似。面对OpenAI这位强大竞争对手的入场，Manus也迅速做出了正面回应。在凌晨的发布会结束后，OpenAI的CEO Sam Altman难掩激动，在社交媒体上分享道：“观看ChatGPT Agent使用计算机完成复杂任务，对我来说是一个真正的‘感受AGI’时刻；看到计算机思考、计划和执行，有种与众不同的感觉。”

那么，ChatGPT Agent到底有哪些亮点，能让行业大佬都如此兴奋呢？

1. 三合一统一智能体系统：ChatGPT Agent将Operator、Deep Research与ChatGPT本体融合，构建出统一智能体系统。Operator提供强大的网页交互能力，支持自动滚动、点击、填表；Deep Research擅长信息整合与分析；ChatGPT本体负责自然语言理解与智能推理。三者优势互补，形成一个完整的执行体系，让AI从单纯的语言交互迈向复杂任务执行。
2. 深度嵌入真实工作流：它可连接Gmail、GitHub等第三方应用，深度融入用户真实工作场景。无论是处理邮件事务，还是在代码仓库中协作，ChatGPT Agent都能大显身手，真正成为用户工作中的得力助手，提高工作效率。
3. 领先的性能表现：在多项基准测试中，ChatGPT Agent表现卓越，综合性能位居行业前列。在评估AI解决跨学科专家级问题的Humanity’s Last Exam（HLE）中，它以41.6的pass@1得分刷新纪录，启用并行执行策略后，得分更是提升至44.4。在高难度的数学基准FrontierMath中，面对从未公开的难题，ChatGPT Agent在具备终端代码执行能力时，取得了27.4%的准确率，远超此前模型。在其他如BrowseComp基准测试中，也以68.9%的准确率刷新记录，展现出强大实力。
4. 合理的配额设置：Pro用户每月享有400条调用额度，其他付费用户为40条，并支持按需扩展配额。这样的设置既能满足不同用户的使用需求，也保证了服务的可持续性与稳定性。

从今天开始，用户可以在任何对话中，通过聊天界面左下角的「工具」下拉菜单，选择「Agent模式」来启用这一强大功能。在整个执行过程中，操作步骤会实时显示在屏幕上，用户仿佛亲眼看着一位智能助手在有条不紊地工作。并且，用户可以随时中断、修改指令，甚至手动接管浏览器继续操作，确保任务始终朝着自己期望的方向前进。

在凌晨的演示中，OpenAI展示了ChatGPT Agent在真实场景中的强大应用能力。为即将出席的婚礼做准备，向来是个令人头疼的难题。现在只需向ChatGPT Agent发出请求，它迅速搭建虚拟环境，自主判断调用浏览器、文本解析器或终端等工具，开始依次调取婚礼日期、查询场地天气、推荐西装搭配、筛选酒店等。整个过程中，模型还能与OpenAI研究员进行互动，在适当节点请求确认需求，而完成这样一个复杂任务，仅仅只需十分钟左右。

更让人惊喜的是，用户可以随时中断任务。比如当Agent在推荐西装过程中，OpenAI研究员临时插入了「帮我找一双9.5码黑色正装鞋」的请求，模型立刻暂停当前任务，转而处理新需求。同样地，当Agent认为有必要时，也会主动向用户请求更多信息，确保任务与用户目标保持一致。如果任务超出预期时间或出现卡顿，用户可以选择暂停任务、请求进度摘要，或直接终止任务并获取已有的部分结果。这种可打断、可多轮对话的机制，是OpenAI训练模型的重点之一，极大提升了用户与AI交互的灵活性。

任务完成后，ChatGPT Agent还将自动推送结果通知。在另一个演示任务中，OpenAI研究员在ChatGPT App上传了团队吉祥物Bernie Doodle的贴纸图案，Agent自动调用图像生成API设计贴纸样式，通过浏览器访问电商平台完成比价、样式选择、购物车添加，最终整理出定制500份贴纸的下单明细。当然，为确保流程安全、灵活且清晰可控，面对涉及金额的支付环节，则只会由用户手动接管浏览器完成，充分保障用户资金安全。

再看一个典型应用场景，OpenAI研究员让ChatGPT Agent汇总自己在多项基准测试中的表现，并制作成PPT。收到命令后，Agent成功调用Google Drive连接器读取数据文件，用终端编写代码绘制图表，并顺利完成任务。这类自动化能力，都是ChatGPT Agent深度嵌入工作流的有力体现。

不过，目前ChatGPT Agent生成的PPT在设计审美方面还有提升空间，并且虽然可以上传电子表格供其编辑或作为模板使用，但生成的PPT暂不支持二次修改。这是因为OpenAI并非让Agent像人一样打开PPT或Excel文件，通过点击来插入文本框和公式，而是直接生成代码来创建文档。这样做利用了模型在代码编写方面的天然优势，避免因模拟点击操作带来的效率低下或出错，同时降低了对计算资源的消耗。据The Information报道，如果ChatGPT要直接编辑PPT或Excel文件，就需要启动一台「虚拟机」，这会占用更多计算资源，而直接生成代码则更轻量、高效。尽管潜力巨大，但就目前来看，这一功能短期内很难对微软的Office或者Google Workspace造成冲击。

对于ChatGPT Agent功能的开放，Pro用户将在今天之内获得访问权限；Plus与Team用户将在接下来的几天内陆续开放；企业版和教育版将在未来几周内陆续上线。其中，Pro用户每月可使用400次，其他付费用户每月可使用40次，并可通过弹性积分方案购买更多额度。

ChatGPT Agent能力的提升，在「跑分」环节也有直观体现。在被誉为评估AI解决跨学科专家级问题的“人类终极考试”Humanity’s Last Exam（HLE）中，ChatGPT Agent以41.6的pass@1得分刷新纪录，启用并行执行策略后，得分进一步提升至44.4。在极具挑战性的数学基准FrontierMath中，面对难度极高、从未公开的题目，ChatGPT Agent在具备终端代码执行能力的前提下，取得了27.4%的准确率，远高于此前模型。在复杂且高经济价值的知识型工作任务内部基准测试中，ChatGPT Agent在约一半的任务中输出质量已达到甚至超过人类水平，表现显著优于o3和o4 - mini模型。在内部的投行建模任务基准中，ChatGPT Agent的表现同样显著优于Deep Research和o3模型，每个任务都基于数百项关于公式正确性、格式规范等评分标准进行评估，展现出强大的实力。此外，在公开评估模型信息查找能力的BrowseComp基准上，Agent以68.9%的准确率刷新记录，较Deep Research高出17.4个百分点；在WebArena评估中，其网页任务执行能力也优于基于o3的CUA模型。

从平台视角看，Agent能力的底层接口正是浏览器。Perplexity AI CEO Aravind Srinivas在最近的采访中表示，浏览器将会是AI的「杀手级应用」。因为浏览器天然具备让AI真正「动起来」的全部条件。不同于传统聊天机器人停留在对话框中生成文本，AI Agent的理想形态是具备实际行动力，从访问网页、提取信息、填写表单，到执行跨平台操作，而这一切，浏览器恰好具备所需的操作权限和上下文获取能力。浏览器可以直接读取页面、模拟点击、自动执行任务，几乎无需额外授权。在这个过程中，用户与AI共处于同一个交互空间：AI可以自动执行任务，用户也能随时中断或接管，避免黑盒操作带来的不确定性。这种可控性与透明度，是当前许多上下文协议仍难实现的能力。

如今，随着ChatGPT Agent能力正式上线，整个Agent领域迎来了巨大变革。所有声称要做Agent的厂商，恐怕都要重新审视自己的产品路径。当ChatGPT从语言交互工具，华丽转身为具备协作、调度与承接任务能力的执行系统，开始接入用户的真实工作流，Agent的可用性门槛也在此刻被实质性地拉高。未来，在ChatGPT Agent的引领下，AI又将为我们的工作和生活带来哪些超乎想象的改变？让我们拭目以待！

更多技术内容

更多技术内容可参见
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】书籍。
更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。

总结

此文章有对应的配套新书教材和视频：

【配套新书教材】
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】
新书特色：《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。
全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。
本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。

【配套视频】

GPT多模态大模型与AI Agent智能体书籍本章配套视频 - 第1章 大模型技术原理【陈敬雷】
视频特色： 前沿技术深度解析，把握行业脉搏
揭秘 DeepSeek、Sora、GPT-4 等多模态大模型的技术底层逻辑，详解 Transformer 架构如何突破传统神经网络局限，实现长距离依赖捕捉与跨模态信息融合。
对比编码预训练（BERT）、解码预训练（GPT 系列）及编解码架构（BART、T5）的技术差异，掌握大模型从 “理解” 到 “生成” 的核心逻辑。
实战驱动，掌握大模型开发全流程
提示学习与指令微调：通过 Zero-shot、Few-shot 等案例，演示如何用提示词激活大模型潜能，结合 LoRA 轻量化微调技术，实现广告生成、文本摘要等场景落地（附 ChatGLM3-6B 微调实战代码）。
人类反馈强化学习（RLHF）：拆解 PPO 算法原理，通过智谱 AI 等案例，掌握如何用人类偏好优化模型输出，提升对话系统的安全性与实用性。
智能涌现与 AGI 前瞻，抢占技术高地
解析大模型 “智能涌现” 现象（如上下文学习、思维链推理），理解为何参数规模突破阈值后，模型能实现从 “量变” 到 “质变” 的能力跃升。
前瞻通用人工智能（AGI）发展趋势，探讨多模态模型（如 Sora）如何推动 AI 从 “单一任务” 向 “类人智能” 进化，提前布局未来技术赛道。

上一篇：《GPT多模态大模型与AI Agent智能体》系列一》大模型技术原理 - 大模型技术的起源、思想
下一篇：DeepSeek大模型技术系列五》DeepSeek大模型基础设施全解析：支撑万亿参数模型的幕后英雄