OpenAI Operator 研究预览

OpenAI 已发布 Operator，这是一个能够使用自身网页浏览器独立执行任务的 AI 代理的研究预览。通过输入、点击和滚动与图形用户界面（GUI）进行交互，Operator 将 AI 从被动工具转变为能够处理重复基于浏览器的工作流的主动参与者。

集成与可用性

截至 2025 年 7 月 17 日，Operator 已完全集成到 ChatGPT 中的“代理模式”，可通过作曲家下拉菜单访问。此集成取代了独立站点（operator.chatgpt.com），该站点计划下线。该工具最初在美国的 Pro 用户中以研究预览形式推出。

技术架构：Computer-Using Agent (CUA)

Operator 由一种名为 Computer-Using Agent (CUA) 的新模型驱动。该模型将 GPT-4o 的视觉能力与通过强化学习发展的高级推理能力相结合，以与图形用户界面（GUI）进行交互，包括按钮、菜单和文本字段。

关键技术特征包括：

  • 视觉交互：CUA 通过截图“看到”浏览器，并使用标准鼠标和键盘操作进行交互，从而无需自定义 API 集成。
  • 自我纠正：当遇到错误或挑战时，代理使用推理能力进行自我纠正。
  • 性能：CUA 在 WebArena 和 WebVoyager 两个主要的浏览器使用基准测试中取得了新的最先进基准结果。

能力和用户工作流程

Operator 能够执行多种任务，例如订购杂货、填写表单和创建表情包。它支持几项高级工作流功能：

  • 用户接管：用户可以随时接管远程浏览器的控制权。Operator 已专门培训，以在需要验证码、付款详情或登录要求时交出控制权。
  • 个性化：用户可以为所有网站或特定域名应用自定义指令（例如，在 Booking.com 上设置航空公司偏好）。
  • 提示保存：诸如在 Instacart 上补货杂货之类的重复任务可以保存为主页上的提示，以便快速访问。
  • 并行执行：用户可以通过创建独立的对话同时运行多个任务。

生态系统合作伙伴关系和公共部门使用

OpenAI 正与多家公司合作，以提升 Operator 在实际中的实用性和转化率，包括 Uber、DoorDash、Instacart、OpenTable、Priceline、StubHub 和 Thumbtack。

除了商业用途，OpenAI 正与斯托克顿市合作，以提升公民参与度，并让居民更轻松地参与城市服务和项目。斯托克顿市信息技术总监 Jamil Niazi 表示：

"随着我们在 Operator 的研究预览阶段了解更多信息，我们将更好地识别出 AI 如何让我们的居民参与公民事务变得更加容易的方法。"

安全、隐私和防护措施

OpenAI 已实施三层防护系统，以维护用户控制并防止滥用：

1. 用户控制与监督

  • 接管模式：Operator 会请求用户输入敏感数据（登录/付款），并且在此模式下不会截图或收集用户输入的信息。
  • 用户确认：在最终完成诸如发送电子邮件或提交订单之类的重要操作之前，代理必须寻求批准。
  • 任务限制：Operator 已接受培训，以拒绝高风险决策（例如，工作申请决策）或敏感交易（例如，银行业务）。
  • 监控模式：在金融服务等高度敏感的网站上需要密切监督。

2. 数据隐私

  • 训练选择退出：如果在 ChatGPT 设置中禁用了“改进模型以供所有人使用”，则 Operator 数据不会用于训练。
  • 数据管理：用户可以单击一次删除所有浏览数据，登出所有网站，或删除过去的对话。

3. 对抗防御

  • 谨慎导航：系统被设计为检测并忽略来自对抗网站的提示注入。
  • 监控模型：一个专用模型监视可疑行为，并能够自动暂停任务。
  • 检测管道：自动化和人工审查的组合用于识别并更新针对新威胁的防护措施。

当前局限性和未来路线图

作为研究预览，Operator 目前在处理复杂界面时存在困难，特别是涉及日历管理或幻灯片创建的界面。

OpenAI 对该技术的未来计划包括：

  • API 访问：通过 API 公开 CUA 模型，以便开发者构建他们自己的计算机使用代理。
  • 增强工作流：提高代理处理更长、更复杂的动作序列的能力。
  • 扩展访问：将可用性扩展到 Plus、Team 和 Enterprise 用户。

Sources