ChatGPT Agent的技术细节，首次由OpenAI官方全面披露。

在推出其最强智能体后，OpenAI团队在与红杉资本的圆桌对话中，深入解析了Agent Mode的工作机制，并回应了多个关键问题。这是官方首次系统阐述ChatGPT Agent背后的技术架构与训练逻辑。

ChatGPT Agent由四大核心模块构成：

• Deep Research（基于文本的研究智能体）
• Operator（基于GUI/操作的计算机智能体）
• 其他新工具（终端、图像生成、API调用等）
• 通过共享状态进行整合

01 歪打正着的整合：用户行为推动产品演进

OpenAI核心成员Isa Fulford、Casey Chu与孙之清在对话中透露，ChatGPT Agent的诞生源于用户对两个独立功能的“错用”。

团队原本分别开发了Deep Research和Operator。分析发现，Deep Research用户希望访问付费内容，而Operator具备此类能力；同时，Operator用户常尝试执行研究类任务。这一交叉需求促使团队将两者融合。

最终，通过整合文本研究、视觉交互、终端操作与图像生成等功能，形成了统一的ChatGPT Agent。

02 1+1>2的关键：强化学习驱动的工具协同

ChatGPT Agent的核心突破在于其训练方式：OpenAI将所有工具集成至同一虚拟机（VM）环境中，采用强化学习让模型自主探索最优工具组合。

模型可调用文本浏览器、GUI浏览器、终端和图像生成器等多种工具，所有工具共享状态，类似于同一台电脑上的应用程序共用文件系统。

训练过程中，团队不预设使用规则，而是通过高难度任务与奖励机制，引导模型自主学习何时调用何种工具。例如，餐厅预订任务中，模型会先用文本浏览器搜索，再切换至GUI浏览器查看图片或完成预订。

该方法使模型能流畅切换工具，无需人工指定流程。团队指出，这一模式已在短时间内显著提升Deep Research与Operator的能力，未来仍有巨大优化空间。

03 小团队高效协作：跨职能融合加速研发

为推进项目，OpenAI将Deep Research与Operator团队合并，组建了20至35人的跨职能团队，涵盖研究、工程、产品与设计。

团队打破研究与应用的界限，工程师参与模型训练，研究人员也投入部署工作，所有环节以用户场景为导向，实现快速迭代。

尽管ChatGPT Agent尚处MVP阶段，但其端到端性能表现优异，支持用户随时干预并根据反馈调整行为，展现出高度灵活性。

04 安全机制与未来方向

训练中面临的主要挑战是稳定性——需同时运行数千虚拟机访问网络，常遭遇网站宕机、API限流等问题。团队为此构建了鲁棒性机制以应对异常。

在安全方面，针对Agent可能执行购买等外部操作，OpenAI实施了四层防护：

• 实时监控异常行为，自动暂停可疑任务
• 敏感操作前强制用户确认
• 设置生物风险专项防护
• 支持用户随时接管控制权

未来，团队致力于打造通用超级智能体，目标是无缝处理从简单查询到复杂工作流的各类任务，减少用户对专用模型的依赖。

发展方向包括：

• 增强多轮对话与个性化记忆
• 开发主动服务能力
• 探索更自然的交互范式
• 提升复杂任务（如数据分析）的完成能力

团队还计划通过用户反馈动态优化行为模式，提升任务精准度，并持续利用强化学习增强泛化能力。

目前，ChatGPT Agent已向Plus用户开放，每月可使用40次。团队鼓励用户探索其潜力，推动产品持续进化。