# 刚刚，OpenAI 发布 ChatGPT 版 Manus！奥特曼：感受 AGI 时刻

- 作者：莫崇宇
- 发布时间：2025-07-18 05:27
- 分类：产品、公司
- 原文：https://www.ifanr.com/1631238

![](https://s3.ifanr.com/wp-content/uploads/2025/07/2-23.png)

过去大半年，Agent（智能体）是 AI 行业最常被提及的概念之一。

几乎所有厂商都在讲 Agent，概念不缺，demo 也不少，但真正做到产品级落地，始终缺一套完整的执行系统——既能理解复杂目标，又能调用多种工具串联任务流程，还要随时支持任务中断、修改与恢复，真正贴合用户工作流。

就在刚刚，OpenAI 正式发布 ChatGPT Agent 功能。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/1-2.gif)

通过整合 Operator + Deep Research + ChatGPT 本体，用户只需描述任务，ChatGPT Agent 就能自主判断所需工具，自动访问网页、提取信息、运行代码、生成幻灯片或表格等，并可在执行过程中实时展示步骤、接受中断和修改指令。

发布会结束后，OpenAI CEO Sam Altman 在社交媒体上写道：：

> 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。

亮点如下：

- ChatGPT Agent 将 Operator、Deep Research 与 ChatGPT 本体三合一，构建了一个统一智能体系统。
- 内置图形/文本浏览器、终端和 API 调用器等工具，支持手机端使用，任务完成后可自动推送结果；
- 可连接 Gmail、GitHub 等第三方应用，深度嵌入用户真实工作流；
- 在多项基准测试中表现领先，综合性能位居行业前列；
- 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。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/2-23.png)

### ChatGPT Agent 正式上线，能购物，能写 PPT，你的浏览器要被 AI 接管了

今天开始，你可以在任何对话中，通过聊天界面左下角的「工具」下拉菜单，选择「Agent 模式」来启用这一功能。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/3-18.png)

只需描述你想完成的任务，ChatGPT 能够智能地浏览网站、筛选结果、在需要时安全提示你登录、运行代码、执行分析，甚至输出可编辑的幻灯片和电子表格，总结任务结果。

整个执行过程是可视的——操作步骤会实时显示在屏幕上，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，确保任务始终符合你的目标和需求。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/4-16.png)

在今天凌晨的演示中，OpenAI 展示了 ChatGPT Agent 在真实场景中的应用能力。

比如，为即将出席的婚礼做准备，一直是个难题。现在只需发出请求，ChatGPT Agent 迅速搭建虚拟环境，自主判断应调用浏览器、文本解析器还是终端，并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。在这个过程中，模型可以与 OpenAI 研究员进行互动，并在适当节点请求确认需求。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/5-14.png)

更重要的是，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，当智能体认为有必要时，也会主动向你请求更多信息，确保任务始终与你的目标保持一致。如果任务超出预期时间或出现卡顿，你可以选择暂停任务、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，是我们这次训练模型的重点之一，」OpenAI 研究员解释道。

这一能力背后，是 ChatGPT Agent 对三大系统的统一整合：Operator 提供网页交互能力，支持自动滚动、点击、填表；Deep Research 擅长信息整合与分析；ChatGPT 本体则负责自然语言理解与智能推理。

ChatGPT Agent 是通过强化学习在复杂的任务中训练出来的，过去三者各有短板——前者难以深入分析，后者无法操作网页，而 Agent 将三者优势整合为一体，并辅以浏览器、终端、API 调用器等工具，形成一个完整的执行系统。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/6-10.png)

用户不仅可以在桌面端启动 Agent 模式，在手机端也同样适用。

任务完成后还将自动推送结果通知。在第二个演示任务中，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。

通过连接器，用户还可将 Gmail、GitHub 等日常应用接入 ChatGPT，让模型读取邮件、日历或代码库等上下文内容，并执行诸如总结今天的邮箱内容或查找下周空闲会议时间等任务。

一个更典型的应用场景是，OpenAI 研究员能够让 ChatGPT Agent 汇总自己在多项基准测试中的表现，并制作成幻灯片。收到命令后，Agent 会调用 Google Drive 连接器读取数据文件，用终端编写代码绘制图表，并生成完整的 PPT。

这类自动化能力，都是 Agent 深度嵌入工作流的体现。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/7-10.png)

不过，可以看到，ChatGPT Agent 生成的 PPT 在设计审美方面表现比较一般，并且，虽然可以上传电子表格供 ChatGPT 编辑或作为模板使用，但生成的 PPT 暂不支持二次修改。

需要说明的是，OpenAI 并不是让 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。这种做法的好处是可以利用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，也降低了对计算资源的消耗。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/8-7.png)

The Information 报道指出，如果 ChatGPT 要直接编辑 PPT 或 Excel 文件，就需要启动一台「虚拟机」（即通过 ChatGPT 运行的虚拟计算机环境），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，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（Enterprise）和教育版（Education）将在未来几周内上线

Pro 用户每月可使用 400 条消息，其他付费用户每月可使用 40 条消息，并可通过弹性积分方案购买更多额度。

### 全线刷新「跑分」记录，Agent 战场迎来最强对手

ChatGPT Agent 能力的提升，也体现在「跑分」环节。

在评估 AI 解决跨学科专家级问题的基准测试 Humanity’s Last Exam（HLE）中，搭载智能体的 ChatGPT 模型以 41.6 的 pass@1 得分刷新纪录。在启用并行执行策略后，该得分进一步提升至 44.4。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/9-5.png)

在目前被认为最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。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/10-8.png)

在这一复杂且高经济价值的知识型工作任务的内部基准测试中，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，表现也显著优于 o3 和 o4-mini 模型。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/11-7.png)

在一个内部的投行建模任务基准中，ChatGPT 智能体的表现也显著优于 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。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/12-7.png)

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。

![](https://s3.ifanr.com/wp-content/uploads/2025/07/13-8.png)

从平台视角看，Agent 能力的底层接口，正是浏览器。

在 Perplexity AI CEO Aravind Srinivas 最近的采访中，他表示浏览器将会是 AI 的「杀手级应用」。在他看来，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，AI Agent 的理想形态不是停留在对话框中生成文本，而是具备实际行动力——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，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，转向具备协作、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。