ChatGPT Agent登场：通用AI Agent竞赛拉开序幕

7月17日，OpenAI正式推出了ChatGPT Agent，标志着其正式进军通用AI Agent领域。

外界普遍认为，在即将发布GPT-5的关键时刻，ChatGPT Agent的亮相更像是仓促应战的“占位”之举。通用Agent有望成下一代互联网的“万亿流量入口”，引发市场格局的再次洗牌。

在通用AI Agent赛道中，多家AI初创公司崭露头角，技术路线各有千秋：从浏览器为主的万能路线，到沙盒虚拟机的高效执行，再到工作流集成的专业化方案，几大技术流派正在激烈角逐。

本篇文章中，硅谷101和Pokee.ai创始人、前MetaAI应用强化学习团队负责人朱哲清（Bill Zhu），以及硅谷101特约研究员Nathan Wang将探讨：OpenAI入局是否意味着Agent将成为又一个被巨头吞噬的市场？还是说，技术壁垒和差异化路线将为创业公司保留生存空间？当“幽灵光标”成为互联网访问的主力军时，广告生态将如何被颠覆？新时代的流量入口霸主又将花落谁家？

01 ChatGPT Agent亮相，通用Agent战局全面开幕

7月17日，OpenAI CEO Sam Altman和四位研究员在直播中介绍了OpenAI ChatGPT Agent。

简单来说，你可以让Agent帮你完成任务：例如，婚礼缺双鞋，去电商平台直接订购；或者设计个宠物周边，直接下单打印；查找信息后直接生成PPT等等。

这些任务的演示看起来完成度都还挺高。它们由OpenAI此前推出的两个工具驱动：Deep Research和Operator。

Deep Research是一款深入研究的分析工具，可以阅读大量网页，生成深度的调研报告，主打“搜索”；而Operator之前是一款只开放给GPT Pro用户的浏览器Agent工具，可以查看网页，同时为用户带来特定操作，主打“执行”。

OpenAI表示，在两样工具分别推出的过程中，发现很多用户用Operator写的提示词经常很像会用Deep Research去做的任务，比如旅行计划、行程预定等；而Deep Research用户们也在呼吁能增加如登陆不同网站、访问受保护资源的能力，这恰好又是Operator擅长的。

因此OpenAI决定将两个产品融合起来，相当于打通了“搜索与执行”，也就是通用Agent所需要的技能。

同时，这也决定了OpenAI做通用AI的底层路线与目前市面上的其它产品有所区别，存在优势和弊端。

接下来，我们将探讨目前通用Agent的四大技术派系。

02 浏览器为主派（OpenAI），操作万能但速度受限

第一个技术派系是所谓“browser-based”（浏览器为主）的技术路线，之前OpenAI的Operator就专注于这个路线。

这类智能体主要通过控制网页浏览器来工作。简单说，就是通过视觉模型让AI像人一样去网上搜索信息、点击链接、浏览网页，从而完成用户交代的任务。

这种模式因为可以访问全网信息，通用性很强，几乎是无所不能的。

Bill Zhu（朱哲清）

Pokee.ai创始人

前Meta AI应用强化学习团队负责人：

我认为浏览器的意义在于，世界上所有的网页和互联网服务都可以集中呈现在某个页面。因此我只需要我的Agent能够看到网页、去操作网页，我就可以完成任务。用户可以看到这个基于浏览器的Agent在页面上点了哪些地方，一页一页地去看浏览器是不是跟人一样在操作网页。

它的缺点是很慢，而且Token消耗特别高。原因在于你看一个网页等于把HTML文件直接拉下来，可能还包含一些脚本（script），然后把它全部拉下来从零开始全部读一遍只为了操作一个网页。但它确实是万能的。

就像朱哲清说的，这个万能的路线有一个致命问题：慢。

原因很简单：浏览器为主的路线背后的技术是Agent配合视觉模型来做Screencatch（屏幕截图），进而进行图像识别。所以它要等待主页加载网页、等待响应。

“速度慢”是不少人对这次ChatGPT Agent的一个不满之处，很多任务都要耗费几十分钟才能完成。

Bill Zhu（朱哲清）

Pokee.ai创始人

前Meta AI应用强化学习团队负责人：

因为Deep Research相对于市面上所有的产品来说还是比较慢的一个Research产品。再加上Operator本身我们也知道它的基准测试速度很慢。所以把两者结合了以后整体速率就更慢了。

但这个“慢”可能也会因为大模型的优化和算力的优化而在未来实现速度提升。

OpenAI的视觉模型和browser点击能力比市面上其它通用Agent更强，所以这个技术派系在之后还会有很大的优化空间。