ChatGPT Work 是 OpenAI 位于 chatgpt.com/work 的智能体环境,它改变了一次 ChatGPT 会话的产出形态。它不再是针对问题返回文字,而是接受一个目标和一组已连接的工具,随后自行规划任务、浏览网页、操作软件、把子任务交给后台助手处理,最终交付一个完成的成果,比如一个可运行的网站、一份幻灯片或一组已执行的交易。三个实操案例——企业发布派对、家庭主题乐园之旅和自动刷新的新闻仪表盘——展示了这种转变已走到哪一步,以及它对软件使用者和软件开发者可能意味着什么。
Chat、Work 与 Codex:三种模式,三类产出
大约六到八周前,OpenAI 将 ChatGPT、Codex 和 Work 功能合并到同一个界面中。ChatGPT Work 由 GPT-5 Astra 等前沿模型驱动,定位是把零散想法转化为完成工作的那一层。官方对比矩阵按用途、输入和结果区分了三种模式。
| 模式 | 用途 | 典型输入 | 结果 |
|---|---|---|---|
| ChatGPT Chat | 回答问题、解释概念、生成想法 | 对话式提示词 | 文本 |
| ChatGPT Work | 自主完成整项任务 | 高层目标和项目文件 | 网站、幻灯片、文件等完成品 |
| ChatGPT Codex | 代码库内的开发工作 | 代码仓库及功能或缺陷描述 | 可运行的代码和提交 |
实际使用中的区别在于,Work 直接与计算机交互。它会打开浏览器、处理身份验证提示、操作本地应用,并在后台运行多步骤任务。一个简单的例子是让它清空整个下午的日程安排,这在以前意味着手动配置。同样重要的是,该环境完全隐藏了代码。Codex 和 Claude Code 等早期工具会显示原始代码,让非技术用户望而却步。而在这里,商务用户只需描述一个工具,就能得到一个可用的工具,无需阅读任何一行代码。
案例一:用实时项目站点筹划产品发布派对
第一个案例来自一家软件公司,它正在旧金山为一款新的 AI 工作流产品筹备发布派对。用户在 ChatGPT Work 中创建了一个以活动命名的项目,并输入提示词,要求智能体通过一个内部网站来规划并执行该项目:活动定于 2026 年 10 月 20 日,约 100 位宾客。
ChatGPT Work 启动了多个子智能体(即分配到特定子任务的小型后台智能体),并利用其 Sites 功能生成了一个内部 Web 应用,包含概览、场地、任务、预算、宾客和流程表等标签页。智能体在网上搜索了 Embarcadero Center 附近的场地,把容纳人数、站立容量和照片整理成并排卡片,并附上报价请求和步行路线。整个调研加搭建的流程耗时约 5 到 10 分钟。
| 场地 | 标示容量 |
|---|---|
| Sens - Biada Lounge,Embarcadero Center | 130 人站立 |
| Bar Sprezzatura | 室内 200 人站立 |
| Heartwood,Commercial Street | 120 位宾客 |
| The Treasury,Bush 与 Sansome 街口 | 最多 200 位宾客 |
| Harrington's Bar & Grill,Front Street | 200 位宾客 |
| Schroeder's,Front Street | 300 人站立 |

▲ 智能体搭建的发布派对策划站点
完成的仪表盘显示 36 天倒计时、任务计数 0/16、已确认宾客 0/100、计划预算 $0,随着工作推进逐步填入。当用户要求把公司品牌元素加入站点时,ChatGPT 创建了两个专门的子智能体,一个负责品牌素材,一个负责场地照片。照片智能体逐一搜索每个场地,下载高分辨率图片并嵌入页面。如果候选名单不合适,用户可以要求重新调研,实时页面会直接更新,无需重新开始对话。
这种做法的理由在于组织层面:一个持久的内部站点让团队负责人和高管实时掌握里程碑进度,可能因此不再需要状态同步会议。
案例二:分组路线的家庭旅行,外加给四岁孩子看的幻灯片
第二个项目是为期四天的迪士尼乐园暑期之旅,提示词中写入了家庭约束条件:想玩过山车的大儿子们,以及需要温和项目的四岁女儿。ChatGPT 生成了一个行程站点,包含分开的路线、拆分的时间表、清单、每日备注、餐饮推荐和穿越园区的 Google Maps 路线。每位家长都可以查看自己所带小组的计划。
同一份调研随后变成了第二个成果。一份配套幻灯片是为女儿准备的,让她预览游乐项目并给出反馈,内容包括 Peter Pan's Flight、Dumbo the Flying Elephant、Storybook Land Canal Boats 和 It's a small world,配有照片和简单说明。关键在于,一次对话中收集的数据可以在网站、幻灯片和电子表格之间复用。
早前一次去奥兰多迪士尼世界的旅行,在现实中检验了 ChatGPT 搭建的行程。智能体在没有被要求的情况下嵌入了可点击的 Google Maps 链接,在手机上点击某个条目就会打开景点之间的步行导航,从绿巨人过山车开始。相比传统行程单只有一张打印纸,智能手机上的响应式页面可以随时调整和分享。
案例三:在手机上搭建并运行的新闻仪表盘
第三个案例展示的是智能体作为持续运行的服务,而非一次性的构建工具。一个托管在 ChatGPT Sites 上的 AI 新闻仪表盘,解决了追踪社交媒体、博客、YouTube 和开发者发布等碎片化信息源的难题。一个定时的 ChatGPT 任务每六小时运行一次,扫描头部 AI 创作者以及 OpenAI、Anthropic、谷歌和 GitHub 的官方信息源,汇总约 30 条头条新闻,进行分类和摘要,并为每条新闻打上重要性评分。在一次刷新中,一条 GPT-6 Astra 的新闻得分 89,Claude Cowork 86 分,Gemini 3.8 Flash 84 分,DeepSeek V4.1 Flash 79 分。每张卡片都链接到来源、官方公告、GitHub 仓库或嵌入的 YouTube 解读,筛选标签覆盖 OpenAI、Claude、Gemini、Perplexity、DeepSeek 和 Hermes 等公司。

▲ 常开家用主机驱动的移动新闻仪表盘
背后的基础设施是一台家中常开的 Mac mini,通过定时任务和远程访问工具与 ChatGPT 相连。有了这套配置,机主可以在散步时构思一个应用,用手机指挥 ChatGPT 构建并部署,然后在 iPhone 的 Safari 中查看针对移动端优化的结果。ChatGPT Sites 负责响应式布局、自定义域名和自动后台刷新,因此无需另行配置托管。同一台机器还运行着一个多渠道内容引擎,产出新闻通讯、轮播图 PDF 和社交文案,外加一个创作者业务追踪器。在 OpenClaw 时代,家用 Mac mini 曾掀起一波热潮;按这种解读,这个想法本身是对的,只是起初用错了方向,而它与持久运行的远程智能体十分契合。
让长时间运行不偏离目标
有几种技巧能让这些长时间的后台任务保持可靠。
- 先写目标规格。输入 /goal 而不是 /plan,模型会写出完整的规格说明和最终交付物的定义,例如一份实施文档。在持续一到两小时的运行中,智能体会不断对照该文档检查自己的工作,然后才宣布任务完成。这样可以避免可称为智能体“多动症”的问题:跑去做旁支任务,并随着上下文窗口被压缩而忘记最初的请求。较新的 ChatGPT 模型似乎能从自然语言中理解目标设定,所以显式的斜杠命令往往可以省略。
- 用 Schedules 做通宵工作。一条纯文本请求,让它持续迭代项目直到早上,就能在无人干预下运行;而据称其他工具需要每 15 分钟输入一次 /loop 命令,直到早上 9 点。
- 用 MCP 对接外部 API。模型上下文协议(MCP)是把 AI 模型连接到外部工具的标准。Mac mini 上的一个基础 MCP 服务器将 ChatGPT 与 YouTube API 和网络搜索相连,使其能够分析参考创作者的数百张高表现缩略图,而不是照搬它们。自定义 Skills 保存设计规范和品牌素材,官方的 Google Drive 连接器则保存输出结果。
- 使用原生图像生成。ChatGPT 2.5 Image Gen 可在同一工作区内生成缩略图、LinkedIn 轮播 PDF 和图标套件,一个 Skill 会指示模型获取精确的矢量 logo 和品牌规范,而不是近似模仿。
这对日常生活和软件行业意味着什么
ChatGPT Work 的系统架构图列出了它的模块:用于沙盒化调研的 Projects、用于企业工具连接的 Plugins、用于自主执行的 Browser Use 和 Computer Use、用于周期性例行工作的 Schedules、用于可复用文本资产的 Blocks,以及用于持久指令的 Skills。综合来看,这些功能与许多独立 AI 初创公司所售卖的产品重叠,包括网站构建器、浏览器智能体和工作流管理器。由此给创业者的建议是:避开通用的横向工具,瞄准高度专业化的垂直细分领域,因为基础模型提供商看起来很可能会吞并通用层。
在成本方面,这里给出的评估是:无论在每月 $20 还是每月 $200 的套餐上,ChatGPT 每一美元提供的 token 和操作余量都比 Claude 更多;而据称在 Claude Code 或 Cowork 等工具中,一次重度的智能体运行可能一条提示词就用掉一周的额度。速度的描述也是如此:过去需要半小时的任务,现在几秒钟就能完成。这些是使用体感而非基准测试结果,而且这种竞争领先被描述为一场不断变化的竞赛的当前状态。
浏览器智能体也已成熟。早期工具依赖缓慢的截图和文字识别,且常常拒绝触碰密码字段。当前的 ChatGPT 实现可以使用已保存的凭据代替用户登录并导航,这正是端到端完成任务得以实现的关键。
更多案例:模拟交易、媒体流水线和照片库
一项金融实验通过 API 把 ChatGPT 接入了 Alpaca Trader。提示词要求构建一个股息组合,模拟交易预算 $100,000,每个仓位模拟买入 $1,000,并预测未来收入。模拟交易指的是不动用真实资金的模拟下单。ChatGPT 提出了十只股票,每只 $10,000,包括强生、宝洁、可口可乐和 Realty Income,并预计年股息约 $3,691,即约 3.69% 的收益率或每月 $308。随后 Alpaca 仪表盘显示了已执行的多头仓位,余额为 $99,969.89,当日下跌 $30.11。这些是单一案例的模拟数据;真实交易存在波动和风险,模拟账户的用意是在投入任何真实资金之前充当试验场。
两个日常案例补全了整幅图景。播客录制平台 Riverside 缺少批量下载和直接同步到 Google Drive 的功能,于是 ChatGPT Work 被配置为登录、批量下载录音文件并整理到共享的 Drive 文件夹中,这项琐事此前由人类助理处理,常有延误且命名不一致。对消费者而言,同样的模式可以整理数百张度假照片、挑出最好的并编排成可打印的相册,许多人因没有时间而放弃了这件事。
核心要点与下一步
所有案例的模式都是一样的:给 ChatGPT Work 一个目标和它所需的集成,它就会在后台调研、构建、部署并维护结果。如果你想试一试:
- 为每项重复性工作创建专门的 Project,让上下文、文件和素材得以保留。
- 预先说明约束条件,如日期、人数、区域、年龄和偏好,这样浏览智能体会返回精确的候选名单。
- 当团队需要共享可见性时,要求生成内部 Sites 仪表盘,而不是电子表格。
- 用目标规格开启长任务,并让 Schedules 在夜间运行重活。
- 如果你想通过手机指挥构建,可考虑一台常开的台式机并搭配本地 MCP 服务器。
- 金融实验限于模拟交易账户,把任何预测收益都当作模拟结果看待。
对软件公司而言,智能体能力整合进 ChatGPT 本身意味着,持久的产品将来自深度的领域专业化,而非通用自动化。


