L78_数字工作伙伴的升级与未来

发表于 分类于 阅读次数： Waline：
ChatGPT Agent是OpenAI推出的统一智能体，整合Operator、Deep Research与ChatGPT能力，具工具链、深度接入、自动推送与高配额特性，适合生活与办公场景；文中对比Manus与Skywork的技术架构、执行方式、任务规划等维度，并汇总GoogleGemini通话与嵌入、百度Tizzy、AWS Kiro IDE、月之暗面Kimi K2、秘塔深度研究、PresentA

L78_数字工作伙伴的升级与未来

最近，我参加了 OpenAI 的技术直播，重点发布内容是全新的 ChatGPT Agent。这个产品不仅是对现有 ChatGPT 的扩展，更像是一次对「数字工作伙伴」概念的全面升级。

Agent 能够自主判断任务所需的工具，整合了 Operator、Deep Research 和 ChatGPT 本体三者的能力。换句话说，它不再是被动响应，而是主动分析、执行复杂流程的智能体。

Agent 的核心能力有哪些

  • 统一架构设计：Operator、Deep Research 和 ChatGPT 融合为一体，实现真正意义上的统一智能体系统；
  • 工具链丰富：具备图文浏览器、终端和 API 调用器等多种工具，支持手机端使用；
  • 深度连接工作流：可接入 Gmail、GitHub 等第三方应用，嵌入到我的日常工作流中；
  • 任务执行智能化：任务完成后会主动推送结果，无需手动检查；
  • 高性能和高配额：Pro 用户每月可获得 400 次调用，其他付费用户也有 40 次，并支持按需扩容。

这些能力在真实场景中展现得非常直观。以下是发布会中三个具有代表性的应用案例：

  1. 根据请柬中的信息（时间、地点、着装），Agent 搜索并推荐合适的服装和礼物，并给出理由和购买链接；
  2. 自动设计贴纸、比价、下单，同时还能响应临时指令（如推荐鞋子）；
  3. 根据 MLB 赛程规划一条完整的观赛路线，包含城市、交通、住宿和可视化路线图，结果以表格形式输出。

我对比了其他平台的实现

为了进一步理解 ChatGPT Agent 的优势，我对比了当前市场上几款具代表性的智能体系统：

能力维度 ChatGPT Agent Manus Skywork
技术架构 统一整合 Operator、Deep Research 与 ChatGPT 本体 多智能体系统，支持 200+ 工具和多层级接入 多模态智能体协作框架 AgentOrchestra
执行方式 可运行代码、浏览网页、生成文档等，自动推送结果 操作过程透明、可中断与手动接管 全流程自动化执行，强调办公场景的内容输出优化
任务规划 强化学习驱动路径动态调整 使用任务树算法实时优化 顶层调度与底层分工协作，支持跨模态逻辑推理
学习与记忆能力 当前未提及显式的用户偏好记忆 可记忆用户行为偏好以优化后续任务流程 多模态奖励机制优化模型泛化能力，尚未提供偏好记忆功能
应用场景 生活服务、通用办公 专业研究、教育创意等多个领域 内容创作、自动化办公、学术写作等专业场景

这个对比让我更清楚地认识到，ChatGPT Agent 的亮点不仅在于工具融合，还在于它执行任务的流畅度和结果呈现的完整性，尤其适合需要高可靠输出的实际工作。

AI 行业其他重要进展

除了 OpenAI，其他公司近期也有不少值得关注的新动态：

Google

  • 推出 AI 自动通话功能，结合 Gemini 模型，用户在搜索服务时，AI 可直接帮忙拨打电话、预约、甚至协商价格；
  • Gemini 嵌入模型在 MTEB 排行榜中得分 68.37，超越 OpenAI 的 58.93，展现了在嵌入表达能力上的技术领先；
  • NotebookLM 推出公共笔记库，用户可浏览知名媒体和研究者的笔记，并基于内容提问和总结。

百度

  • 推出 Tizzy.ai，无广告搜索助手，强调「干净」、「直达」；
  • AI 助手上线视频通话功能，拓展对话边界，适应更多生活场景。

开发工具相关

  • MiniMax 推出一键构建全栈应用的 Agent，支持 Supabase、Stripe、Cron Job 等后端功能；
  • AWS 推出 Kiro IDE，主打「规范驱动开发」，集成 Claude 模型，致力于提升开发一致性和效率；
  • 月之暗面开源 Kimi K2，具备 1T 参数、128k 上下文窗口和复杂指令解析能力，强调代码与 Agent 场景兼容性。

内容生成与创作工具

  • 秘塔 AI 搜索开放「深度研究」模式，整合全网信息、生成结构化报告，并以网页形式交付；
  • 通义千问发布 Qwen Chat 桌面客户端，支持快速唤起和本地资源管理；
  • PresentAgent 可将文档转化为配音演示视频，节省制作幻灯片和录音的时间；
  • PixVerse 支持多关键帧视频生成，提高叙事连贯性和场景掌控力；
  • 美图推出 RoboNeo，整合图像处理与网页搭建功能，支持一站式图像需求；
  • B 站发布 IndexTTS2，开放本地语音合成模型，支持情绪克隆与语音风格控制。

The Why·Liam·Blog by WhyLiam is licensed under a Creative Commons BY-NC-ND 4.0 International License.

由WhyLiam创作并维护的Why·Liam·Blog采用创作共用保留署名-非商业-禁止演绎4.0国际许可证。

本文首发于Why·Liam·Blog (https://blog.naaln.com)，版权所有，侵权必究。

本文永久链接：https://blog.naaln.com/2025/07/newsletter-78/