%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
示例 3：设计一张简单的封面图
到这里我意识到，我给 Agent 的任务过于复杂。拼贴图涉及的环节太多——网页抓取、空间推理、多图处理与精细设计工作同时进行。
于是我尝试更简单的：为博客文章创建封面图。这其实是我不太喜欢自己动手做的任务，如果 Agent 能搞定，那就真有用。
我把需求保持在基础水平：“我正在撰写一篇关于 ChatGPT 新 Agent 模式的教程。请用 DataCamp 的品牌色制作一张 16:9 的教程封面图。必须包含‘ChatGPT Agent’这个关键词，并在其旁边加入您能找到的任何机器人形象。请使用 Canva 完成本任务。”
更易掌控的成功案例
这一次，结果好得多。Agent 正确地检索了 DataCamp 的品牌色，并在 Canva 中把两个元素并排加入。元素对齐依然有偏差——文字与图像的相对位置并不完美——但至少它使用了 Canva 的真实元素。
这意味着我无需上传预制成品，就能自己轻松拖拽微调到更合适的位置。稍作调整，我就得到了可用的封面图。
有趣的一点：尽管我在此前的复杂任务中已登录过 Canva，但那是在另一条对话里，Agent 在这里并未要求我再次登录。虚拟电脑似乎会在会话间保存浏览记录、Cookie 和登录信息。对工作流程很方便，但如果您不希望 ChatGPT 存储这些信息，需要手动清理。
示例 4：乐高零件研究
这次我决定用我过去遇到困难的事情来测试 Agent。我是 AFOL（成年乐高粉），几个月前我曾用 o3 模型让 ChatGPT 生成一个包含 1 万件零件的乐高 Technic 入门散装包的 CSV 文件。
生成长 CSV 对大语言模型而言很难，因为要跟踪的细节太多。它生成了至少包含 50 种不同零件、其 ID、名称与数量的 CSV 后，我发现尽管它可以上网搜索，但在某些零件 ID 上出现了大量幻觉。
我的研究也就此终止，因为我没有耐心逐一核对每个零件的 ID，确保这些 ID 的确存在，并且与 o3 想让我在 BrickLink（官方乐高零件与套装交易平台）上购买的实际零件相匹配。
测试设置
但现在我可以使用 Agent，让它代替我进行二次核对浏览。我再次向 o3 要求 CSV，但为了简化，改为 3,000 件零件的集合：
I want you to generate me a 3000-piece bulk pack for getting started with Lego Technic.
I am interested in building cars and motorized mechanisms as a hobby.
The bulk pack you generate must be saved to a CSV file with the following columns:
- Part ID
- Part name
- Amount
Use the official part IDs and names so that when I upload the CSV to bricklink, I can place an order with a single click模型思考了 5 分钟，给出了 CSV。随后我切换到一个新对话（因为如果聊天线程的第一条不是 Agent 提示，Agent 模式会被禁用）。
核验任务
我上传了文件，并写下以下提示：
I attached a 3,000-piece Lego Technic starter pack list. Your task is to double-check that each part listed in the list actually exists and that part IDs actually match part names. You must use BrickLink website (only BrickLink) as a single source of truth.
If certain part IDs or names are incorrect, correct them. Afterward, create a wishlist on BrickLink that will allow me to one-click order them later. When creating the wishlist, ask me to log in to BrickLink and I will do that for you.
Agent 立刻开始行动。它在 BrickLink 网站上工作了 5 分钟，发现有三种零件在网站上的名称不同，并进行了修正。这正是我不想自己做的那种繁琐核对工作。
流程卡壳之处
随后它让我登录，以便在我的账户下创建心愿单。我用凭据登录后，Agent 接管并尝试创建心愿单。
在点击最终的“创建心愿单”按钮前，它按照训练会在关键操作前征求确认。我回答了是，而流程就在此时出了问题。
Agent 称已创建心愿单，但我进入账号查看并未找到。实际上，它应该点击最终的创建心愿单按钮，然后上传 CSV 才能完成任务。而最后这一步被遗漏了。
不完全的成功
不过，困难的部分——需要在 CSV 与 BrickLink 间反复切换的研究与核对——Agent 确实完成了。它成功验证了数十个零件 ID，发现并纠正了命名不一致。这为我节省了数小时的人工交叉核对。
失败发生在最后的心愿单创建，可能是 Agent 误解了 BrickLink 的多步上传流程。虽然令人沮丧，但核心价值已实现：我现在有了一份经过核验、ID 正确的 CSV，可以自己手动上传到 BrickLink。
示例 5：生成演示文稿
最后，我想测试一下 Agent 的 PowerPoint 能力，因为发布文章把制作演示列为 Agent 的真实应用之一。PowerPoint 是我能避免就避免的工具，如果必须做演示，我会用 Gamma。
现在，我想看看 Agent 是否能与 Gamma 媲美。我的提示词是：
I want you to build me a presentation pitch deck for convincing existing Manus users to the newly released ChatGPT Agent.
Here is the announcement post that you can use for information: https://openai.com/index/introducing-chatgpt-agent/Agent 立即追问了一个问题：
Do you have any specific preferences for slide count, visual style, or key points you'd like emphasized?我回答：
Yes, keep it to 10 slides max, use a minimalistic white, black and red (gradients are allowed) for the style.
If possible, look for direct comparisons between Manus and ChatGPT Agent一种行之有效的不同做法
Agent 用了 13 分钟制作演示。有意思的是，它没有用 Google 幻灯片——而是通过终端运行了 Python 与 JavaScript 代码的组合！
您可以在 这里查看这份演示。
结果比预期好得多。本以为会重演 Canva 那样的失败，因为演示也涉及把元素对齐到页面上。但由于 Agent 仅通过代码执行，它能自行精确确定元素坐标，并打开实际演示文稿进行可视化检查，必要时纠偏。
与 Gamma 的性能对比
这也是它生成这份演示耗时 13 分钟的原因。这比 Gamma 的用时长得多，但使用 Gamma 时，您需要自行以文本形式提供数据。Agent 则能动态自助检索数据。
因此这依旧非常令人印象深刻，但我认为在高风险的专业场景中仍有提升空间。幻灯片看起来很专业，内容结构良好，但格式化方面如果用于客户演示，还可以更打磨。
我对 ChatGPT Agent 的看法
在测试之前，我刻意把预期压得很低，以免失望。事实证明这是个好策略，因为 Agent 在我最头疼的任务上失败了。
不过它也很有潜力——让我意识到我们仍处在能像人一样操作电脑与浏览器的 Agent 的早期阶段。核心基础设施已在：软件确实能操作一台虚拟电脑与浏览器，但受限于当前模型的固有特性。
OpenAI 并未详细介绍驱动 Agent 的强化学习模型。尽管它针对计算机控制做了优化，但我把 Agent 的短板归因于其底层模型。即便它能处理图像与截图，本质上仍是通过文本化视角看世界。
这就是它在鼠标移动与空间任务上吃力的原因。Agent 能“看见”网页上元素的位置，但必须把视觉信息转译为基于坐标的命令，而非像人类那样通过直接的视动协调来操作。您在 Canva 拖动图片时，并不会计算像素坐标——而是运用空间直觉。Agent 缺乏这种对数字空间的直觉理解。
这一根本局限解释了为何 Agent 在研究与数据核验任务上表现出色，却在设计工作与精确的界面操作上频频绊倒。未来能够控制计算机的 Agent 很可能需要新的架构，以弥合视觉理解与空间交互之间的鸿沟。
就目前而言，当您可以用逻辑而非审美定义成功、且任务偏信息处理而非创意性空间编排时，ChatGPT Agent 的表现最佳。
结论
ChatGPT Agent 是在沙盒电脑上运行的虚拟助手，结合了网页浏览、代码执行与文件处理。尽管表现参差——擅长研究与数据任务，但在视觉或界面密集型工作上显得笨拙——它仍然让我们一窥未来 AI 工具如何代表我们与软件交互的图景。
如您希望进一步了解代理（agents），推荐以下资源：
我是一名数据科学内容创作者，拥有超过 2 年的经验，并在 Medium 上拥有较大的读者群。我喜欢用略带讽刺的笔调撰写有关 AI 和机器学习的深度文章——毕竟总得想点办法让这些内容不那么枯燥。我已发表 130 多篇文章，并制作了一门 DataCamp 课程，另有一门正在筹备中。我的内容已被超过 500 万人次阅读，其中有 2 万人在 Medium 和 LinkedIn 上成为关注者。
现场演示中的ChatGPT Agent看起来相当出色：上网挑礼物、预订行程、制作演示文稿。发布文章中展示的基准测试结果同样亮眼，暗示该 Agent 能胜任复杂的真实世界工作。
但现场演示总是精心挑选案例，基准测试也无法反映 OpenAI 所称 Agent 能解决的日常工作流程的复杂现实。
因此我用五个高要求测试来检验它，这些测试贴近真实工作场景——需要在多个浏览器标签页间切换、跨网站交叉核对信息，并交付我实际会用的结果。本文展示了当市场宣传遇上实际落地时会发生什么。
我们通过每周五发送的免费通讯The Median为读者带来最新 AI 动态，解析本周重点资讯。订阅即可用每周几分钟保持信息敏锐：
什么是 ChatGPT Agent？
ChatGPT Agent 是 OpenAI 面向 Plus、Pro 和 Enterprise 用户推出的最新高级功能。它把此前各自为政的三种工具整合到一起：Deep Research、Operator 和核心语言模型的推理能力。最大的不同？Agent 拥有一台可供其使用的虚拟电脑。
这点很重要，因为旧方案存在问题。Deep Research 模式善于分析，但无法点击操作。Operator 能浏览网站，却缺少让深度研究有用的推理能力。Agent 通过把两种能力合并在一起解决了这些问题。
ChatGPT Agent 的独特之处
您会在聊天工具栏中看到 Agent 作为另一个选项。但与普通 ChatGPT 不同，它运行在一台虚拟电脑上，并可完全访问：
虚拟电脑的设置意味着 Agent 能完成此前无法实现的操作。
示例 1：联合国教科文组织（UNESCO）教育数据任务
当我用一个 UNESCO 教育数据任务测试它时，我看着它连续工作了 14 分钟。提示词如下（是我首次与 Agent 交互时由 ChatGPT 自行建议的）：
在执行提示词时，它能做到以下这些：
与 o3-pro 的真实表现对比
我给 Agent 和o3-pro 相同的复杂提示词：拉取 UNESCO 的师生比数据，并创建一个包含多个标签页的格式化表格。结果差异明显。
Agent 工作了 14 分钟，交付了覆盖 222 个国家的电子表格。它漏掉了一项要求（包含最佳/最差比例的汇总标签页），并且按字母顺序排序而非按比例排序。这可能是 上下文膨胀——模型在处理长任务时遗忘最初细节。
另一方面，o3-pro 花了 18 分钟思考问题，随后在 Agent 先前能自动解决的环节遇阻。由于 o3-pro 无法下载文件，它让我手动下载两份资源、解压，并运行它写的一个 Python 脚本。我没有测试该脚本，但显然这会至少给我的工作流程增加 10 分钟。
Agent 的实际工作方式
当 Agent 运行时，您可以实时看到一切。您可以随时接管浏览器，但对于不涉及敏感数据或交互的任务，它独立运行也没问题。
任务结束后，您有两种方式回顾过程。其一是一段可暂停重播的全程视频记录（新鲜感过后观看体验较枯燥）。其二是一份详细的文字时间线，展示每一步的推理、实际运行的命令和执行的文件操作。
更妙的是？Agent 完成任务后，您可以在常规聊天模式里继续追问。它会记住所学的一切，并可引用其收集的数据。
示例 2：创建拼贴图
第一个研究类任务显示 Agent 能处理复杂的数据采集。但我还需要测试另一类情形——需要鼠标持续与网页元素交互的任务。否则我会直接用键盘快捷键自己做了。
我很快想到制作示意图与图表。我常为博客文章做这类工作，因此很适合作为测试案例。
任务与首次尝试
在为本文做研究时，我在阅读 OpenAI 关于 ChatGPT Agent 的发布文章。文中有 6–7 张基准测试结果图，展示 Agent 的出色表现。我没有逐一列出每个基准测试，而是让 Agent 创建一个可视化拼贴图，方便我放进这篇博文。
我的需求很直接——从网页抓取所有基准测试图表，把它们并排排成行，在显示 Agent 表现的列周围画红色矩形。对普通 Canva 用户而言，这只需几分钟：抓图、排版、画矩形。
但对 AI 程序来说，这需要复杂推理和大量鼠标操作。Agent 用了 9 分钟，交付的结果却不尽如人意。
图像是完全纵向的，而不是合格的网格布局。红色矩形也不是干净的边框，而是填充形状，散落在各图上。更糟的是，它完全跑去别的网站，从随机页面抓取基准测试结果，而不是我指定的发布文章。
它还完全无视 Canva，尽管我已经将其连接到我的账户。
第二轮：更详细的指令
我在一个新对话中给出了更具体的说明：
起初，Agent 在读取发布文章时遇到了验证码。我只好接管，亲自勾选人行横道的图片。随后它工作了 18 分钟，接着让我登录 Canva。
登录体验不算流畅。虚拟电脑与浏览器存在延迟——远不如我们登录网站时期待的快速响应。诸如 Cmd + V 粘贴密码等快捷键需要更久才能生效。
问题出在哪里
我让 Agent 登录 Canva 后，它又开始在界面上操作。
看它毫无头绪地折腾了 8 分钟后，我只好干预。Agent 试图一张张手动“绘制”基准测试结果图，而不是使用实际下载的图片。
我用另一条提示澄清：
这一次 Agent 明白了，但显然它并不真正懂得如何执行。
它花了好一阵子重读发布文章并下载基准图。下载过程极其缓慢——Agent 反复纠结到底该用“复制图片链接”、“保存图片”，还是右键菜单里的其他选项，抑或右上角的“下载图片”按钮。
把图片终于上传到 Canva 后，它开始真正的排版工作。这暴露了它空间控制能力之差。看它拖动图片定位，就像看一个孩子用电脑。它不断错过对齐点以及元素应当落位的自然位置。
Agent 试图在基准条形图周围画矩形时，又出现了问题。对人类而言，这很简单——平滑地拖动鼠标即可画出一个矩形。对 Agent 来说却很难。由于缺乏空间与视觉设计智能，它转而运行 Python 脚本和 OCR 来检测哪些柱状条代表 Agent 的表现，然后计算矩形的精确放置坐标。
最终结果
整个流程包括反复沟通耗时超过 75 分钟。Agent 留给我 Canva 账户里一个“Untitled Design Page 2”。
图像看起来被裁切，是因为 Agent 尝试添加标题文本元素，结果把上半部分给遮住了。我手动调整尺寸后，得到了一张能用但依旧相当粗糙的拼贴图，比起哪怕是不太熟练的人类设计师几分钟就能做出的作品，差距不小。
投入的时间完全配不上结果质量。更糟的是，我后来发现 Agent 根本没用 Canva 的矩形工具——而是用 Python 画好矩形后，再把修改过的图片上传到 Canva。这意味着那些歪扭的矩形我无法在 Canva 里手动调整或移动。