文 | 硅谷101

7月17日，OpenAI正式發(fā)布ChatGPT Agent，正式進軍通用AI Agent賽道。

外界猜測，在GPT-5即將發(fā)布的關(guān)鍵節(jié)點，ChatGPT Agent的亮相更像是倉促應戰(zhàn)的“占位”之舉——通用Agent很可能成為下一代互聯(lián)網(wǎng)的“萬億流量入口”，讓市場格局再次洗牌。

在通用AI Agent賽道中，已經(jīng)有不少AI初創(chuàng)公司嶄露頭角，技術(shù)路線各有千秋：從瀏覽器為主的萬能路線，到沙盒虛擬機的高效執(zhí)行，再到工作流集成的專業(yè)化方案，幾大技術(shù)流派正在激烈角逐。

本篇文章，硅谷101和Pokee.ai創(chuàng)始人、前MetaAI應用強化學習團隊負責人朱哲清（Bill Zhu），以及硅谷101特約研究員Nathan Wang一起聊聊：OpenAI入局，是否意味著Agent成為又一個被巨頭吞噬的市場？還是說，技術(shù)壁壘和差異化路線將為創(chuàng)業(yè)公司保留生存空間？當“幽靈光標”成為互聯(lián)網(wǎng)訪問的主力軍時，廣告生態(tài)將如何被顛覆？ 新時代的流量入口霸主又將花落誰家？

01 ChatGPT Agent亮相，通用Agent戰(zhàn)局全面開幕

7月17日，OpenAI CEO Sam Altman和四位研究員在直播中介紹了OpenAI ChatGPT Agent。

簡單來說，你可以讓Agent幫你完成任務：比如，婚禮缺雙鞋，去電商平臺直接訂購；或者設計個寵物周邊，直接下單打印；查找信息，之后直接生成PPT等等。

這些任務的demo（演示），看起來完成度都還挺高。它們由OpenAI此前推出的兩個工具驅(qū)動：Deep Research和Operator。

Deep Research是一款深入研究的分析工具，可以閱讀大量網(wǎng)頁，生成深度的調(diào)研報告，主打“搜索”；而Operator之前是一款只開放給GPT Pro用戶的瀏覽器Agent工具，可以查看網(wǎng)頁，同時為用戶帶來特定操作，主打“執(zhí)行”。

OpenAI就表示，在兩樣工具分別推出的過程中，發(fā)現(xiàn)很多用戶用Operator寫的提示詞經(jīng)常很像會用Deep Research去做的任務，比如旅行計劃，行程預定等；而Deep Research那邊，用戶們也在呼吁能增加比如登陸不同網(wǎng)站、去訪問受保護資源的能力，這恰好又是Operator擅長的。

所以OpenAI就決定將兩個產(chǎn)品融合起來，相當于打通了“搜索與執(zhí)行”，也就是通用Agent所需要的技能。

同時，這也決定了OpenAI做通用AI的底層路線，是和目前市面上其它的產(chǎn)品有所區(qū)別的，存在優(yōu)勢和弊端。

接下來，我們就來聊聊目前通用Agent的四大技術(shù)派系。

02 瀏覽器為主派（OpenAI），操作萬能但速度受限

第一個技術(shù)派系就是所謂“browser-based”（瀏覽器為主）的技術(shù)路線，之前OpenAI的Operator就專注于這個路線。

這類智能體主要通過控制網(wǎng)頁瀏覽器來工作。簡單說，就是通過視覺模型讓AI像人一樣去網(wǎng)上搜索信息、點擊鏈接、瀏覽網(wǎng)頁，從而完成用戶交代的任務。

這種模式因為可以訪問全網(wǎng)信息，通用性很強，幾乎是無所不能的。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 我認為瀏覽器（Browser）的意義在于，世界上所有的網(wǎng)頁和互聯(lián)網(wǎng)服務，都可以集中呈現(xiàn)在某個頁面，所以我只需要我的Agent能夠看到網(wǎng)頁、去操作網(wǎng)頁，我就可以完成我的任務。用戶可以看到這個基于瀏覽器的Agent在頁面上點了哪些地方，一頁一頁地去看瀏覽器是不是跟人一樣在操作網(wǎng)頁。

它的缺點是很慢，而且Token消耗特別高，原因在于你去看一個網(wǎng)頁，等于把HTML的文件直接拉下來，可能還包含一些腳本（script），然后把它全部拉下來，從零開始全部讀一遍，只為了操作一個網(wǎng)頁。但是它確實是萬能的。

就像朱哲清說的，這個萬能的路線有一個致命問題：慢。

原因很簡單：瀏覽器為主的路線，背后的技術(shù)是Agent配合視覺模型來做Screencatch（屏幕截圖），進而來進行圖像識別，所以它注定要主頁加載網(wǎng)頁、等待響應。

這次我們也看到，“速度慢”是不少人對這次ChatGPT Agent的一個不滿之處，很多任務都要耗費幾十分鐘來完成。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 因為Deep Research相對于市面上所有的產(chǎn)品來說，它還是相對比較慢的一個Research產(chǎn)品，再加上Operator（操作者）本身，我們也知道它的Benchmark（基準測試）上面它速度也很慢，所以它把兩者結(jié)合了以后，整體速率就更慢了。

但這個“慢”可能也會因為大模型的優(yōu)化和算力的優(yōu)化，而在未來實現(xiàn)速度提升。

OpenAI的視覺模型和browser點擊能力比市面上其它通用Agent更強，所以這個技術(shù)派系在之后還會有很大的優(yōu)化空間。

03 虛擬機+瀏覽器派（Manus），本地執(zhí)行效率高但外部訪問受限

在Agent相關(guān)的報道和技術(shù)分析中，“Sandbox”一詞會經(jīng)常出現(xiàn)，它翻譯過來叫做“沙盒虛擬機”（隔離的計算環(huán)境，用于安全地運行程序）。

想象一個小朋友在家里玩泥巴。如果ta到處跑，可能把泥巴弄得到處都是，還可能打翻家具，甚至弄傷自己，這簡直就是家長的噩夢。

但如果你準備了一個“沙盒”——一個有邊界、專門讓ta玩泥巴的地方——ta在里面怎么玩都可以，又安全又干凈。

簡單來說，在AI Agent的應用中，“沙盒”就是一個被限制和隔離的環(huán)境，被稱之為“虛擬機”，讓程序在里面運行，而不會對主系統(tǒng)造成風險。

AI能在這臺虛擬電腦里隨意打開瀏覽器上網(wǎng)、運行代碼腳本、讀取和保存文件等，相當于AI拿到了一個隔離的電腦，像人類一樣拆解任務，在虛擬機里上網(wǎng)、編程，完成所有步驟。

而因為是真正的計算機環(huán)境，AI可以執(zhí)行非常復雜的操作流程，從網(wǎng)上獲取信息到本地計算處理，一條龍自主完成。

Nathan Wang 硅谷101特約研究員 AI Agent開發(fā)者： 其實虛擬機在做的一個事情，就相當于在一個虛擬搭建的環(huán)境中，基于Linux系統(tǒng)通過命令行操作生成各種文件。 所以，虛擬機背后給我感覺更多是調(diào)用大模型的編程能力，根據(jù)用戶需求生成相應代碼。只要你有一些編譯器或者一些庫，它可以把整個程序給渲染輸出，最終以網(wǎng)頁、PPT等用戶易于理解和使用的內(nèi)容形式呈現(xiàn)，從而實現(xiàn)完成用戶請求的目的。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 虛擬機環(huán)境的好處就在于它可以運行任何的線下的，就是open source(開源）那種package（程序包），但它的缺點就在于它很多情況下無法訪問互聯(lián)網(wǎng)，特別是那種需要全授權(quán)身份驗證的產(chǎn)品，比如說你要去登錄你的Facebook，這些東西它都是肯定做不到的。

所以“虛擬機”為主的路線優(yōu)點就是本地執(zhí)行效率高，但因為sandbox對外部服務的訪問有限制，所以與現(xiàn)實世界交互還不夠靈活。

“虛擬機”為主的通用Agent中做得很好的，是Manus。公司在今年四月融資7500萬美元，估值近五億美元。

但Manus并不是只有沙盒，它結(jié)合了我們剛才提及的基于瀏覽器browser的技術(shù)流，只是將沙盒做了進一步優(yōu)化。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： Manus的體驗是，它盡可能用一個Sandbox（沙盒）加上Browser（瀏覽器）的環(huán)境，來搭建一個幾乎讓人覺得萬能的環(huán)境。 與此同時，Manus的一個缺陷是被瀏覽器的能力所限制住了。比如，你要去真的發(fā)個帖，它做不到，因為它對于整個頁面的導航，說我要去選擇那個小的按鈕，選擇完之后去上傳一個圖片、生成一個視頻等，這很難；你要把谷歌表格里的某個單元格改成某種格式，也比較難，因為注意力的空間太小了，瀏覽器是它的一個主要限制。

第二個缺陷是它很慢，這是Manus和ChatGPT Agent的一個通病，因為用了瀏覽器，所以它的速度會非常慢——30多分鐘做一個任務。 可能它的總體優(yōu)勢可能在于，它Sandbox的環(huán)境搭得可能比ChatGPT更好一些。我還不太清楚ChatGPT里面的虛擬機能做到什么程度，但我猜應該Manus在虛擬機里面已經(jīng)花了很多精力去部署，應該會有一個比較小的優(yōu)勢。

第三種路線強調(diào)大語言模型（LLM，Large Language Model）本身結(jié)合一個“沙盒”，也就是封閉工具環(huán)境來完成任務。

和第二種路線對比來說，與其給AI整個開放電腦，不如給它一套有限但有效的工具箱和一個小型運行環(huán)境。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 第三種，是大模型加沙盒放一塊的Agent，它可能是限制一個大環(huán)境。Genspark是一個這樣的例子，它并不給你完整的一個沙盒，連瀏覽器都沒有。Genspark有一個大模型作為主體的推理過程，它寫代碼也完全靠這個大模型；有一個沙盒去運行一些代碼、生成一些東西，然后再把它渲染出來。它是fully control（完全控制的）——這個環(huán)境內(nèi)部無法說“現(xiàn)在去下載一個開源的package（程序包）”“現(xiàn)在需要臨時去修改一張圖片”等任務。如果在它原始的程序包設計里面沒有，它自己不會下載一個程序包，去做這件事。

所以Genspark這種設計是，比如說像那種幻燈片Agent、表格Agent，它們在設計的時候把可用的程序包給限制住，不再讓用戶去用更多的程序包，是一個相對比較封閉的環(huán)境和工作流程——在限制環(huán)境下用一個大模型做主體寫代碼，同時用一個小的環(huán)境去執(zhí)行。

這里朱哲清提到的一個典型公司就是GenSpark，這家公司目前是在A輪，估值5.3億美元，剛在2月份融資1億美元。

GensPark集成了多種不同規(guī)模的語言模型，以及80多個預先構(gòu)建和測試好的工具。

當有任務時，系統(tǒng)會根據(jù)需求調(diào)用合適的模型來理解，并直接用相應的API（應用程序編程接口）或內(nèi)置工具去處理，比如搜索信息、調(diào)用地圖服務、查詢數(shù)據(jù)庫等，而不依賴模擬完整瀏覽器或操作系統(tǒng)。大語言模型更像大腦中樞，在相對封閉的環(huán)境里調(diào)度現(xiàn)成能力，快速產(chǎn)出結(jié)果。

Nathan Wang 硅谷101特約研究員 AI Agent開發(fā)者： GensPark給我的印象比較突出的就是，它會接很多第三方的工具，或者是各種API。比如說它其實很多時候它會說，你只要把你LinkedIn的訪問權(quán)限給到我，我可以通過這個large language model（大語言模型）直接登錄你LinkedIn的賬戶，幫你去生成一個LinkedIn的帖子。

如果用戶授權(quán)其訪問用于代碼version control（版本管理）的GitHub賬戶，它可以直接在GitHub去看你寫的程序，改你寫的程序，并執(zhí)行一系列相關(guān)任務。此外，它與Google系列產(chǎn)品（如Google Sheets、Google Slides）也能實現(xiàn)無縫對接，把各式各樣workflow（工作流）都幫你設計好，把你所需要的工具、所需要的接口都幫你放在那。

GenSpark可能相當于，把這些工作的工作流任務細分到每一個場景中去，具體到某個場景的時候，我再去用這一系列的工作流。這個設計，我去做這件事情肯定是更可靠的，因為我已經(jīng)限定了我的問題是什么。

總結(jié)一下，以GensPark為代表的大語言模型+虛擬機（LLM+Sandbox）技術(shù)流相當于標準化工作流，設立了更封閉的環(huán)節(jié)，犧牲通用性去換取速度和穩(wěn)定性，來讓一部分的任務更快、更靠譜。

05 工作流+工具集成派（Pokee/UiPath），速度快、交付好但通用性差

第四種路線，本質(zhì)上是把預先設計好的流程和第三方工具集成結(jié)合AI使用。比如朱哲清所創(chuàng)辦的Pokee，所用的技術(shù)路線叫做“工作流+工具集成”。

可以把它想象成搭積木：開發(fā)者先把完成某類任務需要的步驟都規(guī)劃成一個個節(jié)點，也就是工作流（Workflow），每個節(jié)點可以調(diào)用不同的應用或API（工具集成）。

AI的作用是在運行時根據(jù)用戶請求，自動選擇并執(zhí)行這些預設的流程，或用自然語言幫你填充參數(shù)。

舉個例子，Zapier（自動化工作流平臺）平臺上用戶可以設置一個自動化流程：一旦收到新的表單，就讓AI讀取內(nèi)容整理摘要，通過Gmail發(fā)送給相關(guān)人員。

這里AI負責理解內(nèi)容和寫郵件，但從觸發(fā)表單到發(fā)送郵件的步驟是事先定好的。類似地，Pokee AI強調(diào)通過強化學習來自動規(guī)劃和調(diào)用工具。

這樣的技術(shù)路線優(yōu)點是速度快，交付好，但也被限制在特定任務中，通用性差一些。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 我們最后會有自己的deep research Agent（深度研究智能體），加上我們的execution Agent（執(zhí)行智能體）放在一塊，總體體驗會有大幅提升。但是總體速度應該是市面上所有產(chǎn)品的4-10倍左右。

能夠?qū)崿F(xiàn)這一優(yōu)勢的原因在于，我們不再需要使用復雜的虛擬機環(huán)境，也無需依賴復雜的tool calling（工具調(diào)用機制）。我們直接使用第三方集成的SDK和工具，通過自研的工具調(diào)用基礎(chǔ)模型來調(diào)用這些功能的話，整個速度是會大幅度提升的。我們避免了像MCP以及市面上其他產(chǎn)品在工具調(diào)用中存在的上下文冗長的問題。

因此每次工具調(diào)用的成本可以削減百分之五六十。結(jié)合我們自主研發(fā)的上下文工程技術(shù)（engineering），使得整體成本與OpenAI的ChatGPT Agent和Manus相比有數(shù)量級的差異；與垂直化的GenSpark相比，也有幾倍的優(yōu)勢。在token使用方面，我們確實存在劣勢，特別是與基于瀏覽器（Browser-based）的Agent相比，我們并不是完全萬能的。

這樣的優(yōu)勢在于，能夠保證每個服務的交付質(zhì)量非常可靠。因為我們使用的是第三方服務（如Facebook）直接提供的訪問權(quán)限，不會出現(xiàn)錯誤。同時這也帶來了限制，就是它無法實現(xiàn)所有功能。

結(jié)合以上的四種技術(shù)流派和對應的代表公司：瀏覽器為主，做得最好的是OpenAI的ChatGPT Agent，Sandbox（虛擬機）做得最好的是Manus，LLM+Sandbox（大語言模型+虛擬機），代表公司是GensPark，最后是工作流加工具集成，如Pokee、Zapier、UiPath。

可以看出，目前“通用性”和“速度及穩(wěn)定性”是魚與熊掌不可兼得，必須要犧牲一個。ChatGPT Agent和Manus選擇了前者，而GensPark和Pokee選擇了后者。

Nathan Wang 硅谷101特約研究員 AI Agent開發(fā)者： 大家一開始都是想去做通用Agent。但是到最后大家體驗完發(fā)現(xiàn)，什么都想做，就什么都做不精。這時，產(chǎn)品的迭代又會轉(zhuǎn)到另一個方向：怎么提高它的可靠性、工作流，或者把場景變得更加專精？這可能是當下探索的一個更加實際的方向。

第二個問題是，我怎么能夠把我吸引的用戶不斷地留存下來、去持續(xù)付費？第二件事就是，需要靠像類似工作流增加應用場景，讓每個應用場景變得更加可靠的模式，才能把用戶留住，而不只是說一上來給大家一個非常驚艷的demo（演示），或者一個MVP（最小可行性產(chǎn)品），讓大家覺得通用AI Agent已經(jīng)來臨了，但持續(xù)去使用的時候又發(fā)現(xiàn)不是。如果真正達不到用戶要求，很多人可能就會退訂、離開平臺。

所以現(xiàn)在，更多的通用Agent公司是在解決“怎么能夠把用戶留住”。工作流加上更多工具，專攻應用場景是一個非常好的路徑。

06 幽靈光標，Agent將打響未來流量入口之戰(zhàn)

無論是什么技術(shù)路線，要想真正讓大家用起來，提高可靠性和留存率，加快交互速度是接下來通用Agent的共識方向。

我們可能會看到更加細分的Agent，以及萬能通用Agent的百花齊放，包括ToB和ToC的產(chǎn)品也會不同。

所以，雖然OpenAI入局通用Agent賽道，但這場仗看起來還有得打。但同時，這也給我們指明了一個未來的發(fā)展共識，就是：Agent們，不管是通用的還是專用的，將代替人類，成為訪問互聯(lián)網(wǎng)的主力軍。

Wired雜志在7月底就發(fā)布了篇文章說，以后的互聯(lián)網(wǎng)充斥的都將是所謂的“ghost clicks”（幽靈光標），都是Agent們在與網(wǎng)頁交互，抓取信息。這可能意味著一個巨大的變革和機會。

也就是說，“流量”這個詞將變得毫無意義，因為都不是真人在點擊網(wǎng)頁了，而未來的流量入口將成為Agent，而這個賽道也將是下一場巨頭之戰(zhàn)的中心。

當然，也不排除會有新的公司占據(jù)這個巨頭的位置。而這個變化可能會來得比我們想象中更快。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 無法避免的是，我認為在接下來一到兩年，大多數(shù)門戶網(wǎng)站的流量都將快速下降，無論是電子商務、搜索引擎、視頻網(wǎng)站還是其他各類門戶網(wǎng)站，它們的流量入口都將變成各個方向的Agent。這正是Google推出Agent2Agent (A2A)協(xié)議的原因。每家公司都可能擁有自己的Agent，實現(xiàn)Agent之間的交互。如果Google能夠占據(jù)這個協(xié)議，并在Gemini中率先部署，它就將成為最大的贏家，因為它成為了Agent入口。ChatGPT和Claude也是一樣，它們推出協(xié)議的核心目的也是要占據(jù)智能體入口的戰(zhàn)略地位。

而順著這個新范式，我們可以期待，未來的廣告模式和信息模式都會發(fā)生顛覆性的變化。

Bill Zhu（朱哲清） Pokee.ai創(chuàng)始人 前Meta AI應用強化學習團隊負責人： 比如說硅谷101的播客，現(xiàn)在大家都是免費聽的。通過YouTube廣告分成獲得收益。但在未來，獲取播客內(nèi)容本身的知識產(chǎn)權(quán)就將具有價值。

每當Agent通過調(diào)用或網(wǎng)頁訪問獲取播客信息時，都需要向內(nèi)容創(chuàng)作者付費。創(chuàng)作者不再需要承擔廣告流量的責任，廣告將由Agent完成。Agent在獲得信息后，會在工作流或者用戶體驗中插入廣告。當Agent向用戶提供對比選擇時，會詢問用戶想要嘗試哪個Agent，此時就形成了排名機制。由于這些問題沒有標準答案，它這個時候推薦哪個Agent讓用戶去試試，它就可以向那個Agent的公司去收錢了，廣告收入就在這個環(huán)節(jié)產(chǎn)生。

而支持每個API、每個第三方的插件的產(chǎn)品本身，以及知識產(chǎn)權(quán)本身，都可以直接收費。因此，對于創(chuàng)作者生態(tài)和SaaS生態(tài)而言，從某種意義上來說這種變化是積極的。創(chuàng)作者不再需要在Google投放廣告，也無需免費將內(nèi)容提供給YouTube進行廣告投放，而是有一個Agent直接向你付費，它通過自己的廣告機制覆蓋成本。我認為創(chuàng)作者不會受到很大沖擊。

很開心聽到嘉賓說，作為內(nèi)容生產(chǎn)者，當我們的觀眾不再是真人，變成了所謂的”幽靈光標”Agent們，但我們的內(nèi)容還是極具價值的，并且這樣的商業(yè)模式是更友好的。

但感覺還有挺多技術(shù)限制需要去突破，以及很多的協(xié)議要達成共識。

Sam Altman OpenAI聯(lián)合創(chuàng)始人、CEO： 雖然這（AI Agent）是一項極其令人興奮的新技術(shù)，但它也帶來了新的風險。人們已經(jīng)大致學會了如何相對安全地使用互聯(lián)網(wǎng)，盡管當然仍然有詐騙和其他攻擊行為存在，而未來人們同樣需要學習如何使用AI Agents。社會也需要建立針對AI Agents攻擊的防御機制。所以我們是從一個非常穩(wěn)健的系統(tǒng)開始的，并設置了大量警示機制。隨著用戶逐漸適應，我們將逐步放寬限制。但我們確實希望人們將其視為一項新技術(shù)、一個新的風險面，并采取所有必要的謹慎措施。話雖如此，我們還是希望你會喜歡它。

而就在ChatGPT Agent發(fā)布的同一天，OpenAI公布了一個數(shù)據(jù)：目前ChatGPT每天收到的用戶指令高達25億條。

這是什么概念呢？相當于年化9125億次。如果把每一次提問指令都等同成一次搜索，ChatGPT已經(jīng)占據(jù)谷歌年搜索量的18%。

而這個數(shù)字，隨著AI Agent的成熟落地，很可能會繼續(xù)快速增長。而新的流量入口之戰(zhàn)，已經(jīng)打響。