OpenAI 推出 Dots:常驻式 AI 智能体登陆 ChatGPT

OpenAI推出常驻式智能体Dots,配独立云端环境,可24/7自主执行跨应用任务。
OpenAI 在 Product Hunt 上发布了智能体产品 Dots,定位为"永远在线的数字员工",由 GPT-6 Astra 驱动。每个 Dot 拥有独立的云端电脑和浏览器,能够真正"动手"操作网页和应用,并通过插件连接超过 4000 款工具。它会持续学习用户偏好,在任务完成后交付成品供人审核,将执行权交给 AI、把关键判断留给人。为应对自主 Agent 带来的信任顾虑,产品设计了自定义规则、活动视图和自动审核三重机制以保障可控性。目前该产品仅向 ChatGPT Pro 和 Business Premium 用户开放,代表了 AI 从"回答问题的工具"向"主动承接工作的数字劳动力"演进的明确方向。
OpenAI 在 Product Hunt 上线了一款名为 Dots 的新产品,主打“永远在线的智能体”(always on agents)。与传统的对话式助手不同,每一个 Dot 都拥有独立的云端计算机和浏览器,能够 24/7 不间断地为用户的目标持续工作。这款产品目前正向 ChatGPT 的 Pro 与 Business Premium 用户逐步开放。

什么是 Dots
Dots 的核心定位是“常驻式智能体”,由 GPT-6 Astra 模型驱动。它跳出了“一问一答”的交互框架,更像是一个可以被长期委派任务的数字员工。你可以在 ChatGPT 的桌面端、网页端和移动端给它发消息或打电话,也可以直接在 Slack、Teams 里与它沟通。
每个 Dot 都配有专属的云端电脑和浏览器,这意味着它不只是生成文字,而是能真正“动手”操作——打开网页、填写表单、执行多步骤流程。产品介绍中提到,Dots 可以通过插件连接超过 4000 款应用,这极大扩展了它能触及的工作场景,从日程安排到跨应用的任务协同都有可能覆盖。
GPT-6 Astra 是 OpenAI 尚未正式公开发布的下一代模型,目前主要出现在官方产品宣传材料中。从命名推测,"Astra"可能指向一个针对长程任务执行和多模态感知优化的模型系列——Google DeepMind 旗下也有同名的多模态 AI 项目,行业在"Astra"这一概念上的重合折射出业界对持续感知、实时执行类模型的共同关注。值得注意的是,目前外界对 GPT-6 Astra 的实际参数规模、训练方式和能力边界均无独立验证,文章结尾也提示该信息仅来自官方宣传,读者应保持审慎。
持续学习与成果交付
Dots 的一大卖点在于它会“学习你的偏好”。根据用户的反馈不断调整,Dot 会逐渐理解你希望任务如何被完成,并在工作结束后把成品交给你审阅。这种“交付完成品、再由人审核”的模式,和当下流行的 Agent 工作流思路一致——让 AI 承担执行,把判断与把关的权力留给人。
换句话说,它试图把人从繁琐的过程性操作中解放出来,只在关键节点介入。对于需要处理大量重复性、跨平台任务的专业人士来说,这种模式的吸引力很明显。
可控性设计
智能体“永远在线”并能自主操作应用,天然会带来信任与安全的顾虑。OpenAI 为此设计了几项控制机制:Custom Rules(自定义规则) 允许用户设定 Dot 的行为边界;Activity View(活动视图) 让用户能够查看智能体正在做什么;auto review(自动审核) 则在任务执行链路中加入检查环节。
这些功能共同构成了“人在环路”(human in the loop)的保障,目的是在让渡执行权的同时,确保用户始终掌握主动权。对于面向企业的 Business Premium 场景而言,这类可控性与可审计性尤为重要。
"人在环路"(Human in the Loop,HITL) 是 AI 安全与可靠性领域的核心设计原则,指在自动化决策或执行链路中保留人工介入和审核的节点。它的对立面是"全自动化"或"人在环外"(Human out of the Loop)模式。在智能体场景下,HITL 尤为重要——因为 Agent 可能执行不可逆操作(如发送邮件、提交表单、删除文件),一旦出错代价较高。理想的 HITL 设计需要在减少用户干预负担与保留关键把关节点之间取得平衡:过于频繁的确认请求会消磨效率优势,过于宽松则会放大模型出错的风险。Dots 的三项控制机制——自定义规则、活动视图与自动审核——正是试图在这一张力中找到适合企业场景的平衡点。
产品信号与行业意义
从 Makers 名单看,OpenAI 总裁 Greg Brockman 位列其中,显示出官方对该产品的重视。在 Product Hunt 上,Dots 获得了 125 个投票、位列当日第 5 名,归类于生产力、任务管理与人工智能类目。
Dots 代表了 AI 产品从“助手”向“代理”演进的又一步。独立云端环境、海量应用连接、持续在线执行——这些特征勾勒出一个明确方向:AI 不再只是回答问题的工具,而是能够主动承接并完成工作的数字劳动力。当然,产品介绍中提到的 GPT-6 Astra 等信息目前仅来自官方宣传,实际能力与稳定性仍有待真实使用场景检验。
Dots 所代表的"常驻式 AI 代理"赛道正在快速成型,竞争者包括 Anthropic 的 Claude 与 Computer Use 功能、微软的 Copilot Agents,以及 Cognition AI 的 Devin 等垂直领域 Agent。这类产品的共同特征是:为 AI 分配独立的计算环境(沙箱或云端虚拟机),使其能够操作真实软件界面,而非仅停留在文本生成层面。这一路线的技术挑战集中在长期任务的状态管理、跨应用权限的安全边界划定,以及在执行失败时的错误恢复能力上——这些也是当前所有 Agent 产品普遍面临的瓶颈,而非 Dots 独有的问题。
小结
Dots 把“智能体”这一概念落到了具体的产品形态上:常驻在线、拥有独立执行环境、深度集成办公工具,并通过规则、活动视图和自动审核来平衡自主性与可控性。它目前仅向 Pro 和 Business Premium 开放,面向的是对生产力有较高需求的专业与企业用户。这款产品能否兑现“处理一切”的承诺,还需要看后续的实际表现。
相关推荐

无GPU也能跑大模型?老旧DDR3服务器的本地推理性价比探讨
一场Reddit讨论探讨了无GPU本地部署大模型的可行性:用老旧DDR3多路服务器靠内存带宽跑Qwen 3.8 Flash,以及4bit量化、KV缓存与上下文长度的实用权衡与电费成本争议。

拓扑域外泛化:让AI预测系统从未见过的动力学突变
NeurIPS论文提出拓扑域外泛化方法,通过特征分离与物理稀疏先验修复分层DSR模型缺陷,使AI能在不知控制参数的情况下预测系统分岔与动力学突变,适用于PLRNN和Neural ODE。

用不好AI Agent是你的错吗?破解AI工具焦虑的实用指南
用不好AI Agent是你的能力问题吗?本文从产品成熟度、使用预期和场景匹配三个角度剖析AI工具使用困境,提供破解AI焦虑的实用方法与选型建议。