OpenAI发布ChatGPT Agent，AI智能体迎来关键变革

注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书 《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频课程【陈敬雷】

文章目录

• [GPT多模态大模型与AI Agent智能体系列三十四](#GPT多模态大模型与AI Agent智能体系列三十四)
• • [OpenAI发布ChatGPT Agent，AI智能体迎来关键变革](#OpenAI发布ChatGPT Agent，AI智能体迎来关键变革)
  • [一、ChatGPT Agent功能展示](#一、ChatGPT Agent功能展示)
  • • （一）日常生活任务处理
    • （二）互联网浏览交互
    • （三）办公文档处理与API调用
  • [二、ChatGPT Agent基准测试表现](#二、ChatGPT Agent基准测试表现)
  • • （一）人类最后考试（HLE）
    • （二）FrontierMath基准测试
    • （三）WebArena基准测试
    • （四）BrowserComp基准测试
    • [（五）Spreadsheet Bench基准测试](#（五）Spreadsheet Bench基准测试)
    • [（六）Internal Banking Benchmark基准测试](#（六）Internal Banking Benchmark基准测试)
  • [三、ChatGPT Agent安全风险及防范](#三、ChatGPT Agent安全风险及防范)
  • [四、ChatGPT Agent上线计划](#四、ChatGPT Agent上线计划)
  • • 更多技术内容
• 总结

GPT多模态大模型与AI Agent智能体系列三十四

OpenAI发布ChatGPT Agent，AI智能体迎来关键变革

2025年7月18日凌晨1点，OpenAI通过直播发布了最新模型ChatGPT Agent，将DeepResearch和Operator功能融合，打造出可深度研究和浏览使用的AI智能体，标志着AI从单纯的语言交互迈向能执行复杂任务的新阶段。

一、ChatGPT Agent功能展示

（一）日常生活任务处理

以参加朋友婚礼准备为例，研究员向ChatGPT Agent输入详细需求，包括婚礼网站、预订酒店网站，并要求其寻找符合场合着装要求的男士服装（推荐五个方案，包含中等奢华物品且与场地和天气相符）、在booking.com预订提前几天可入住的酒店并查看空房及价格、挑选500美元以下礼物，最后生成报告。收到提示词后，ChatGPT Agent首先设置环境，通常需一两分钟，快时不到5秒（实际演示7秒）。准备好后会向用户确认理解是否准确，得到"continue"指令后开始工作。执行任务时，用户能同步看到其操作计算机屏幕过程及思维链。最终，它根据婚礼信息确定西装推荐及购买渠道、提供房源信息，还给出礼物建议，并附上浏览结果截图。任务完成后，用户可通过视频回顾执行过程。

（二）互联网浏览交互

ChatGPT Agent可使用文本浏览器和可视化浏览器浏览互联网。文本浏览器类似DeepResearch，能高效快速阅读和搜索大量网页；可视化浏览器类似Operator，可与网页UI交互，执行拖动网页、点击光标、打开UI组件、填写表单、输入文本等操作，两种浏览器互补性强。此前，Operator在阅读超长文章时因需滚动而耗时，DeepResearch在与网页交互元素、视觉效果交互方面较弱，而ChatGPT Agent整合二者优势。且用户反馈期待DeepResearch能登录网站访问经过身份验证的来源，这一点Operator可以实现，同时很多Operator提示与DeepResearch提示相似，也促使了二者融合。

（三）办公文档处理与API调用

ChatGPT Agent拥有自己的终端运行代码，可生成和分析PPT、Excel等文件，还能通过终端调用API，包括公共API和访问用户私有数据源的API（如Google Drive、Google Calendar、Github Sharepoint等），甚至调用图像生成API为PPT生成图像。演示中，研究员让ChatGPT Agent从Google Drive提取评估编号并制作幻灯片，模型连接Google Drive API，搜索相关结果，读取内容后编写代码，利用图像生成模型为PPT配图，最终生成可下载并在本地打开的PPT文档。

二、ChatGPT Agent基准测试表现

（一）人类最后考试（HLE）

在该面向人类知识前沿的多模态基准测试中，拥有完全工具使用能力的ChatGPT Agent通过率达42%，性能相比仅有browser use和python代码能力的DeepSesearch、o3几乎翻了一番，而没有工具使用能力的ChatGPT Agent和o3则垫底。这表明ChatGPT Agent在综合知识运用和复杂任务处理上优势明显，其工具使用能力极大提升了应对多模态任务的水平。

（二）FrontierMath基准测试

该测试衡量高级数学推理能力，ChatGPT Agent通过率达27%，超越了拥有Python编码能力的o4 - mini和o3 ，显示出其在数学推理领域较强的实力，能够处理复杂的数学问题并给出准确解答。

（三）WebArena基准测试

ChatGPT Agent表现接近人类且高于o3和4o ，说明在模拟真实网络环境下的任务执行中，ChatGPT Agent能够较好地理解和完成任务，与人类表现差距不断缩小，在实际网络应用场景中具有较高的可用性。

（四）BrowserComp基准测试

该测试衡量Agent搜索和查找信息的能力，ChatGPT Agent显著优于o3和DeepResearch模型，证明其在信息检索和处理方面的高效性，能够快速准确地从互联网海量信息中找到所需内容并进行有效利用。

（五）Spreadsheet Bench基准测试

该测试衡量创建和编辑电子表格的能力，使用LibreOffice和其它工具的ChatGPT Agent可完成30%的任务，当赋予其访问终端中原始Excel文件权限时，性能提升至45% ，体现出其在电子表格处理方面的不断优化和强大潜力，随着权限和工具的完善，能够更好地满足用户在该领域的复杂需求。

（六）Internal Banking Benchmark基准测试

该测试评估模型执行1到3年经验投资银行分析师任务的能力，如为财富500强公司构建三表财务模型，ChatGPT Agent表现显著优于DeepResearch和o3 ，表明其在专业金融领域的任务处理上具备较强优势，能够胜任复杂的金融分析和建模工作。

三、ChatGPT Agent安全风险及防范

OpenAI官方强调，让AI Agent执行网页浏览存在风险。互联网存在各种网络攻击、诈骗和网络钓鱼，试图窃取信息，Agent模型也无法完全避免。例如"prompt injection"攻击，若用户让智能体买书并输入信用卡信息，智能体可能进入恶意网站并按其要求输入信息。为防范风险，OpenAI采取多种措施：训练模型忽略可疑网站上的可疑指令；设置多层监视器监视Agent运行，且可实时更新信息防范新攻击。但OpenAI也指出，不可能阻止所有风险，用户自身需意识到风险，尽量不分享高度敏感信息，合理使用接管模式。

四、ChatGPT Agent上线计划

ChatGPT Agent将为Pro、Plus和Team用户上线。Pro用户每月获400次查询，Plus和Team用户每月获40次查询。Pro版部署预计本月底完成，Plus版随后完成，Team版争取本月底前上线企业版和教育版。OpenAI团队表示，虽然目前处于初期阶段，但会迅速改进，期待看到其后续发展。

更多技术内容

更多技术内容可参见
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】书籍。

更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。

总结

此文章有对应的配套新书教材和视频：

【配套新书教材】
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

新书特色：《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。

全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。

本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。

【配套视频】

清华《GPT多模态大模型与AI Agent智能体》书籍本章配套视频【陈敬雷】

视频特色： 前沿技术深度解析，把握行业脉搏

揭秘 DeepSeek、Sora、GPT-4 等多模态大模型的技术底层逻辑，详解 Transformer 架构如何突破传统神经网络局限，实现长距离依赖捕捉与跨模态信息融合。

对比编码预训练（BERT）、解码预训练（GPT 系列）及编解码架构（BART、T5）的技术差异，掌握大模型从 "理解" 到 "生成" 的核心逻辑。
实战驱动，掌握大模型开发全流程

提示学习与指令微调：通过 Zero-shot、Few-shot 等案例，演示如何用提示词激活大模型潜能，结合 LoRA 轻量化微调技术，实现广告生成、文本摘要等场景落地（附 ChatGLM3-6B 微调实战代码）。

人类反馈强化学习（RLHF）：拆解 PPO 算法原理，通过智谱 AI 等案例，掌握如何用人类偏好优化模型输出，提升对话系统的安全性与实用性。
智能涌现与 AGI 前瞻，抢占技术高地

解析大模型 "智能涌现" 现象（如上下文学习、思维链推理），理解为何参数规模突破阈值后，模型能实现从 "量变" 到 "质变" 的能力跃升。

前瞻通用人工智能（AGI）发展趋势，探讨多模态模型（如 Sora）如何推动 AI 从 "单一任务" 向 "类人智能" 进化，提前布局未来技术赛道。

上一篇：《GPT多模态大模型与AI Agent智能体》系列一》大模型技术原理 - 大模型技术的起源、思想
下一篇：DeepSeek大模型技术系列五》DeepSeek大模型基础设施全解析：支撑万亿参数模型的幕后英雄