OpenAI 推出网页操作智能体 Operator

背景

智能体（agent）是一类能分多步完成任务的软件，而不只是对一次提问给出回答。Operator 是 OpenAI 对浏览器智能体的研究预览（research preview）。2025年1月23日发布时，它只向美国境内的 ChatGPT Pro 用户开放。^[1]

这使 Operator 与只回答问题的聊天界面不同：它的工作对象是网页，任务要经过多个界面步骤才能完成。^[4]

发布内容

Operator 使用自己的浏览器，能查看网页，并通过输入、点击和滚动与网页交互。^[4] 它由 Computer-Using Agent 模型驱动，该模型把 GPT-4o 的视觉能力与经过强化学习（reinforcement learning）训练的推理结合起来。^[2] 在实际任务中，Operator 可以通过浏览器填写表单、在线下单和安排预约。^[3]

这是一套视觉与交互的循环：先读取页面上的内容，再决定下一步，然后输入、点击或滚动。任务因此不再只是生成一段文字，而是对网页界面执行操作。^[4] 对用户来说，研究预览意味着功能先在小范围内开放，Operator 当时也只覆盖美国的 Pro 用户。^[1][4]

关键细节与保护措施

Operator 会在预订酒店或发送邮件这类动作前要求用户确认。^[2] 遇到登录凭据或支付信息时，接管模式（takeover mode）会把控制权交给用户；OpenAI 表示，在这一过程中不会收集或截屏用户输入的内容。^[4] 它被训练为拒绝银行交易等敏感任务；在电子邮件或金融服务等网站上，它要求用户密切注视它的操作。^[4]

这些设置划出了智能体能自主行动和必须由人接手的边界：有后果的动作先确认，涉及秘密和付款的环节交给用户，银行类任务直接拒绝，邮件和金融网站上则要求监督。^[4] 确认、接管和拒绝分别对应不同风险，而不是把整个流程完全自动化。智能体可以继续处理页面，但用户要在关键点检查或亲自输入。

OpenAI 把 Operator 定位为研究预览，并表示计划把它扩展到 Plus、Team 和 Enterprise 用户，同时把这项能力整合进 ChatGPT。^[4] 发布时，它仍只面向美国的 Pro 用户。^[1]

影响

2025年7月，Operator 的能力被合并进 ChatGPT agent。^[3] 合并之后，浏览器操作能力成为 ChatGPT agent 的一部分。把 Operator 的能力并入 ChatGPT agent，也把浏览器操作放进了 ChatGPT 的能力范围。^[3]

从聊天机器人到能执行任务的智能体，Operator 是这条变化中的一个节点。它同时展示了这类产品必须处理的边界：确认提示、用于登录和付款的接管模式、对银行任务的拒绝策略，以及对敏感网站的监督要求。^[4] 这些设计决定了智能体能在哪些环节自主行动，以及人在哪些环节仍需介入。

来源

^[1]: Wikipedia，“OpenAI”。 ^[2]: ForkLog，“OpenAI unveils AI agent Operator”。 ^[3]: Wikipedia，“ChatGPT”。 ^[4]: OpenAI，“Introducing Operator”。