# 28分钟算完OpenAI估值：造出ChatGPT Agent的，是一支十来人的小团队 > Training Data No. 57 中文精读 - 原标题：OpenAI Just Released ChatGPT Agent, Its Most Powerful Agent Yet - 发布日期：2025-07-22 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/057-openai-just-released-chatgpt-agent-its-most-powerful-agent-y-YNWWu0.html - 精读字数：约 4839 字（阅读约 11 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 先说一个数字：28分钟。 录制这期节目之前，OpenAI的同事现场演示了一个任务：让ChatGPT Agent根据网上的公开信息，估算OpenAI自己的估值，做出带预测的财务模型。模型自己推理了28分钟，交出一张电子表格、一份分析摘要，外加一套幻灯片。Isa Fulford 打趣说，希望它算得准，因为这个预测“相当有野心”。 Casey Chu 补了一句，他自己刚跑完一个长达一小时的任务，此前从没见过模型能连续自主干这么久的活。 而造出这个东西的团队，规模小得让人意外。Deep Research 的核心成员长期只有三四个人，计算机操作研究组六到八个人，再加一支由 Yash Kumar 带队的工程产品团队。两个组今年才正式合并，合作了短短几个月。 2025年7月，红杉资本播客 Training Data 的主持人 Lauren Reeder 和 Sonya Huang 请到这三位嘉宾：Isa Fulford、Casey Chu 和 Edward Sun，ChatGPT Agent 背后的 OpenAI 团队。这期节目把产品思路、训练细节和安全设计讲得相当透，值得逐段拆开看。 ## 给模型一台真正的电脑 ChatGPT Agent 的核心思路很直接：给模型一台虚拟计算机。 这台“电脑”上有好几样工具。文本浏览器，继承自 Deep Research，速度快，擅长高效抓取和检索信息；图形界面浏览器，继承自 Operator，能真正“看见”网页，点击、输入、滚动、拖拽、填表单都行；终端，可以跑代码、分析文件、生成电子表格和幻灯片，还能调用 API，用户登录后可以接上 GitHub、Google Drive、SharePoint 这些私有数据源；甚至有图像生成工具，模型觉得幻灯片缺点配图，可以自己画一张。 **关键设计在于，所有工具共享同一个状态。**Isa 打了个比方：就像你电脑上的所有应用共用一个文件系统，浏览器里下载的文件，终端马上能处理；终端跑出来的结果，也能丢回浏览器打开。模型先用文本浏览器快速读资料，发现需要看图，无缝切到图形浏览器，全程不用人插手。 Edward 给了一个具体例子：让它研究餐厅并且订位。它会先用文本方式大量检索，然后切到图形浏览器看菜品照片、查空位情况，因为空位信息往往藏在 JavaScript 里，只有真实浏览器能渲染出来。 Sonya 问，这是不是所谓的一加一等于三。Casey 的回答是，何止，他们把能想到的工具全塞了进去。生成的幻灯片能直接产出 PowerPoint，这本身就是一个新能力。 ## 两个团队，一次合并 这个产品的起源，是 OpenAI 内部两个团队的一次合流。 今年1月，Casey 所在的团队发布了 Operator，一个能替你在网上干活的智能体，购物、订位、填表。两周后，Isa 所在的团队发布了 Deep Research，一个能深度检索、交叉验证、写出带引用长报告的模型。 两个产品恰好互补。Operator 擅长跟网页的视觉元素打交道，读长文章很吃力；Deep Research 读长文效率极高，却点不了按钮、填不了表单。用户对 Deep Research 最大的抱怨之一，是无法访问付费墙里的内容，而这恰好是 Operator 能做到的。 促成合并的临门一脚，是团队成员 Eric 做的一次分析。他统计了 Operator 上的用户提示词，发现大量请求其实是 Deep Research 式的任务，比如“先帮我研究这趟旅行，然后订好”。Casey 的原话是，这俩凑一块儿，简直是天作之合。 有意思的是 Isa 的一句内部爆料：这次发布在内部被定位成“最小可发布的去风险版本”，她坦承这个说法主要是公关用途。**换句话说，现在这个模型只是两个团队能力的最基础组合，天花板远没摸到。**幻灯片生成是新加的能力，她说用同样的方法还有很大提升空间。 用户拿它干什么？团队自己也在摸索。Edward 用它从电子表格和文档里拉数据，整理成演示用的幻灯片。Casey 拿它深挖古代 DNA，这个领域过去五年进展太快，新发现多到没有任何参考书能做综述，Agent 可以把散落的论文来源汇总成报告和幻灯片。Isa 用它买衣服，很多购物网站必须用图形浏览器才能过筛选器、看清商品长什么样；策划活动也很好用。 还有内部评测显示，**在数据科学任务上，这个模型的表现已经超过人类基线。**Edward 说，内部有一个 data science bench 评测，模型跑赢了人类基准，至少在基础研究分析上某种意义上已经“超人”。这项能力背后是团队成员 Jon Blackman 的长期推动。 定位上，Casey 说他们瞄准的是“产消者”（prosumer）：愿意为一份详尽报告等30分钟的人。这种人既存在于消费场景，也存在于职场，所以两条路他们都不想放弃。Sonya 问了个刁钻的问题：能跟它说“去网上帮我赚钱”吗？Casey 的回答是，可以这么说。Isa 补了一句：它会试的。 ## 把模型锁进房间，让它自己试 训练方法跟 o1 一脉相承：强化学习。 团队把所有工具装进同一个虚拟机，给模型出一批很难的任务，完成得又快又对就给奖励。工具怎么搭配使用，没人教。 > “我们基本上是把所有工具交给模型，然后把它锁进房间，让它自己做实验。我们并没有告诉它什么时候该用哪个工具，它自己琢磨出来的，几乎有点魔法感。”Casey Chu 说。 这段对话里最有历史感的一笔，是 Sonya 提到了 World of Bits。那是 OpenAI 2017年的一个项目，试图用强化学习训练模型完成键盘鼠标级别的网页操作，当时被认为边界太宽、根本没法求解。Casey 透露，这次计算机操作模块的内部代号就叫“World of Bits 2”。 八年前解不开的题，现在为什么能解？Casey 的回答很干脆：规模。算力和训练数据（预训练加强化学习）大概是当年的十万倍上下，他原话是，“规模终于追上了我们的野心”。 但强化学习还有一个常被忽略的特点：**数据效率极高。**Isa 强调，RL 用的数据规模跟预训练数据比起来小到可以忽略，团队只需要人工筛选一小批高质量任务，就能教会模型新能力。Edward 给了判断标准：**只要一个任务能被评分，模型做完你能判断好坏，就可以可靠地把它训练得更好。** 前提是模型本身得有底子。Casey 说，在强化学习之前，模型必须先具备基本完成任务的能力，团队为此花了两年多，让模型学会理解页面、看懂视觉元素。 最难的部分其实是工程。Edward 回忆，训练时要同时拉起几十万台虚拟机，全部真实访问互联网；Casey 补充说，光是跑环境就是几千台的规模，网站宕机、容量限制、负载测试，各种状况层出不穷。新工具和终端捆在同一个容器里，环境一动就出问题，训练过程时不时失败。 这段训练经验顺带回答了一个行业争论：未来是单一全能智能体，还是财务分析师子智能体、派对策划子智能体各管一摊？Edward 从训练角度给了答案：深度研究、协作、幻灯片生成这些技能之间存在大量正向迁移，**做一个单一的基础智能体，比拆成多个专用模型更合理。**Casey 的观察更直接：模型在购物任务里会自己进终端算预算，它不需要先变成财务分析师，才有资格用财务工具。 ## 像跟同事协作一样用它 产品团队对人机交互的设计，参照了一个很日常的场景：你在 Slack 上请同事帮忙。 你交代任务，同事问你几个问题，然后开干。干到一半，他可能回来问“这里能确认一下吗”，或者“需要你登录一下”。你也可能中途想起漏说了什么，打断他补一句；等太久，要个进度汇报；发现他跑偏了，把他拽回来。 ChatGPT Agent 照这个逻辑来。它会主动问澄清问题，但不死板，不会每个任务都问。用户可以随时打断，比如“总结一下你目前做了什么”，或者“我忘了说，我只要蓝色的运动鞋”。模型要执行有破坏性的操作，或者需要登录，都会先征求同意。 还有一个很像“盯着同事干活”的界面：用户可以实时观看模型的操作过程，任务结束后这台虚拟电脑还在，可以回去追问、让它修改、接着派新活。你甚至可以接管它，替它点几下、替它登录、替它输入信用卡信息。Sonya 开玩笑说，谢谢 Agent 满足了她内心的微观管理者。Casey 的比喻更准确，**就像从同事肩膀后面看屏幕，必要时随时接手。** 支撑长时间任务的是上下文管理。Edward 透露，他们做了让模型把上下文延伸到原始硬限制之外的工具，模型通过记录自己做过什么，一步步拉长无需人类干预的工作时长。 OpenAI 自己的研究员也在拿它写代码。Edward 说他用 Agent 模式写代码，因为它不总想着重写整个代码库，改动很小，而且会认真读函数的原始文档，函数调用时幻觉更少。他的分工是：设计好的明确问题交给 Codex，让它提 PR；交互式的、探索性的活交给 Agent，跟用 o3 的感觉更像。 当然，也有至今没解决的怪事。Casey 说，表单填写已经可靠多了，但日历下拉框里选个日期，仍然需要打磨。Isa 补了一句：不知道为什么，选日期就是最难的。Sonya 接话说，人类选日期也费劲。 ## 安全这关，怎么过 Deep Research 是只读的，风险有上限。ChatGPT Agent 能对外部世界产生真实影响，风险结构完全变了。 Isa 举了个例子：你让它帮你买个东西，它为了让你满意，可能一口气买下一百个不同选项。任务完成了，过程是灾难。Sonya 的问题更尖锐：怎么保证模型不会登录你的银行账户，然后把所有钱转给一位尼日利亚王子？ 团队的安全设计分几层。模型层面做了安全训练，让它对钓鱼网站、诈骗页面有基本判断力，但 Casey 承认，模型有时还是会被骗，有时会为了完成任务过度积极。系统层面有一个监视器，类似电脑上的杀毒软件，持续盯着模型的操作轨迹，发现它上了奇怪的网站之类的异常，立刻叫停。他们还建了快速响应机制，野外出现新攻击手法，可以像更新病毒库一样更新监视器。 流程上，这是一次跨部门作战：安全、治理、法务、研究、工程全部参与，外部和内部红队都做了。生物风险被单独拿出来重点处理，团队做了好几周红队测试，确保模型不能被用来加速制造生物武器，这项工作由一位叫 Karen 的成员牵头。 Casey 的一句话概括了难点：**互联网本身就是个危险的地方，攻击者、骗子、钓鱼网站层出不穷，而模型还要主动接触这个真实世界。** ## 接下来会发生什么，明天能做什么 Isa 在节目里两次指向同一个方向：**个性化和记忆。**现在每个智能体任务都由用户发起，未来它应该在你还没开口时就替你把事办了。多轮对话能力她也点了名，Deep Research 的短板之一，就是同一个对话里连续追问效果不稳定，这个模型已经明显更好，还要继续加强。 Casey 看好的是交互方式的革新。现在大家活在 ChatGPT 的对话框范式里，开一个对话，它跑，你等，智能体时代应该有全新的交互形态。Edward 把这次发布称为迭代式部署：他们很期待用户在 Agent 里发现新能力，就像有人在 Deep Research 里发现了写代码的用法，有人在 Operator 里发现了深度研究的用法。Isa 对能力边界的描述更开阔：这台虚拟计算机覆盖了人在电脑上能做的大部分事，接下来就是让模型把人类在电脑上做的所有任务都做好。 落到读者自己身上，有几件事明天就可以试。 - 把“研究加执行”合并成一个任务派出去。这个模型的最大增量是工具共享状态，单独问它问题体现不出优势。像“调研这三个供应商，把报价整理成表格，再做一页对比幻灯片”这种跨工具的长链条任务，才是它的主场。 - 学会中途纠偏。任务跑起来之后别干等，隔几分钟回来看一眼，发现方向不对立刻打断补充，就像给新同事交代活儿一样。需要登录或付款时它会停下来问你，这时候接管浏览器替它完成即可。 - 如果你在做 AI 产品，记下这个团队的公式：**能评分的任务，就能用强化学习可靠地提升；小团队加上精选的高质量任务数据，比堆数据规模更有效。**先想清楚你的场景里什么任务可以自动打分，再谈训练。 最后留一个 Casey 在节目里的观察当注脚：Agent 这个名字起得极其模糊，团队是故意的。他们自己也不知道人们会拿它干什么。Deep Research 上线时，他们没想到有人拿它做代码搜索，这次他们想留出空间，让用户替他们发现下一个意外用法。