模型比拼之外，AI 代理开始争夺工作入口Gemini 4 Argon 亮相；OpenAI 把常驻代理、电脑操作和开发接口推到台前。

今天的主线，不是又有哪个模型刷新了榜单，而是 AI 正在从回答问题，走向接手一段真实工作。Google 推出 Gemini 4 Argon，强调编程、知识工作和网络防御；OpenAI 则把常驻代理、电脑操作和开发接口放到了台前。今天我想重点聊透三件事：模型的亮点该怎么判断，代理究竟怎样完成任务，以及它进入工作流程以后，权限和失误为什么会变得重要。这几件事连起来看，比单看一次发布更能说明，AI 正在争夺的到底是什么入口。 先看模型。Google 推出了 Gemini 4 Argon，给它选定的方向包括编程、企业知识工作和网络防御。Google 称，在公布的十九项基准中，它有十三项排名第一。这个成绩值得注意，但听到这里，我建议你先停一下：公布的基准成绩，是在特定评测条件下得到的结果；一个人在自己的工作里能不能用上、用起来是不是顺手，是另外两个问题。这不是说基准没价值，而是说它回答的是“在这些测试里表现怎样”，并不自动回答“我明天能不能把它接进自己的工作”。Argon 初期只向特定政府用户和可信网络防御人员开放，所以对多数人来说，眼下还无法亲自检验它在日常任务里的表现。把“成绩突出”和“普遍可用”分开，是理解这条消息的第一步。 这里还有一个很容易听岔的数字：最高一百万输出 token。token 可以粗略理解为模型处理文字时使用的计量单位，但它不等于一个汉字，也不等于一个词。更重要的是，这里说的超长输出，要借助 Long Decode Continuation 来实现。按今天素材的描述，它允许一个长回答在多次调用之间暂停，再接着往下生成。你可以把它想成一项很长的写作任务，不要求一次从头写到尾，而是做到一处先停下来，之后沿着已有内容继续。这和普通的一次调用就吐出一百万 token，不是一回事。如果只记住“一百万”，忽略“多次调用之间续接”这个条件，就会误判这项能力适合怎样的任务。 那这种续接能力为什么值得聊？我个人的理解是，它把注意力从“单次回答能有多长”，转向了“一个很长的任务能否被持续推进”。假设你要处理一份篇幅很长的材料，或者让模型完成一个不能靠短回答交差的工作，能够暂停和续接，听上去就更贴近实际需求。但这只是对功能用途的理解，不代表它已经在这些假设任务里得到验证。真正需要观察的，是续接之后能否保持任务方向，前后内容是否协调，以及整个过程对使用者是否便利。今天的素材没有给出这些实际任务的结果，所以我不会把“最高输出量”直接讲成“已经能可靠完成任何超长任务”。数字告诉我们能力边界被怎样描述；使用体验，还要等更多人有机会接触后再看。 另一边，OpenAI 的 Thibault Sottiaux 谈到 GPT-6.1 Sol：它在 A P I 和订阅端的需求都很高，ChatGPT 与 Codex 因此承受了较大负载。这里的 A P I，你可以把它理解成应用调用模型能力的接口，而不是用户直接打开聊天界面来使用。Sottiaux 说团队已经增加容量，预计接下来几小时速度会改善，可能接近前一天的两倍。注意，这是一项当时对后续速度的预期，不是说已经完成测速、确认翻倍。把这条消息和 Argon 放在一起看，恰好能看到模型竞争的两个面：一面是能力指标和新功能，另一面是当很多人同时来用时，服务能否稳定、快速地把能力交到他们手里。对开发者来说，后者并不是附带的小问题。如果一项工作需要连续几步完成，中途等待变长，整个流程的感受就会跟着改变。所以我看模型发布时，会分别问：公布了什么成绩？实现功能有什么条件？谁现在能用？真正用起来的速度和稳定性怎样？这四个问题不能用一个漂亮数字代替。 说完模型本身，我们往前走一步：如果模型不只回答一句话，而是要替你把事情做下去，它还需要什么？OpenAI 在 DevDay 展示的 Dots，是一个可以持续运行的 AI 代理，配有云端电脑，也能在需要时请求用户介入。这里的“代理”，不要先想成一个抽象的新物种；你可以把它理解为接到目标以后，尝试自己推进若干步骤的助手。普通聊天更像你问一句、它答一句；常驻代理强调的是任务没有在一次回答后结束，它可以继续工作，遇到需要你决定或处理的环节，再把你请回来。这个区别很关键，因为一旦系统能持续推进任务，我们评价它的方式也要变：不只是某一句回答写得好不好，还要看它在一连串步骤里做了什么、何时停下、何时请人介入。 关于 Dots 的展示，需要把已知和未知分清。今天的素材提到，OpenAI 发布了一条演示视频，视频的标题和简介显示了旅行规划、整理用户反馈以及跟进 Slack 等场景。但素材没有取得视频字幕，我们不能据此讲出演示里每一步具体怎么操作，更不能说它在这些场景中达到了怎样的效果。尽管如此，光看这些被点名的场景，产品想进入的工作范围已经很清楚：它不满足于在对话框里给出建议，而是希望围绕一个目标，处理信息、使用软件，并在过程中和人保持联系。至于它实际做得有多顺畅，演示中遇到什么问题、怎样解决，今天的信息不足以判断。深度看一项代理发布，有时候最重要的不是替它补全一个精彩故事，而是准确地指出：它已经展示了什么，我们还没看到什么。 代理要推进任务，光能持续运行不够，它还得知道自己面前的软件是什么状态。这就进入电脑操作代理的话题。Latent Space 采访了 OpenAI 负责电脑操作的 Ari Weinstein，谈到代理如何结合截图、无障碍信息、网页结构和生成的代码来操作软件，以及如何从失败中恢复。听起来术语多，其实可以从你自己用电脑的经验理解：你看到屏幕上的布局，会辨认哪些地方能点；有时你还会借助页面本身提供的结构信息，知道某个按钮、输入框或内容区意味着什么。对代理来说，截图是画面上的线索，无障碍信息和网页结构是关于界面组成的另一类线索，生成的代码则可能成为执行操作的一种方式。它并不是只能“看见一张图，然后猜该点哪里”。 多种界面信息放在一起，为什么有价值？因为软件界面并不是一张永远不变的静态海报。你做完一步，屏幕可能换了内容；你以为操作成功了，结果可能没有发生；一个看起来相似的位置，也未必对应同一个功能。所以电脑操作不只是“找到按钮并点击”，还包括操作之前判断状态，操作之后核对结果，如果和预期不一样，再决定下一步。采访里讨论了从失败中恢复，这个方向本身很重要：真正的工作任务不会保证每一步都顺利。但我也要留一个边界，关于速度和能力的判断，今天素材里属于受访者的说法，不是我们拿到了独立测试结果。我们能据此理解它的设计思路，却不能把“讨论如何恢复”说成“各种失败都能可靠恢复”。 把这个问题再往下拆，你会发现“请求用户介入”不是一个可有可无的装饰。设想一个代理正在整理资料，碰到一个它无法确认的选项：它是继续猜，还是暂停来问你？这只是帮助理解的假设，不是 Dots 演示中已经发生的情节。可它说明了一个真实的产品设计问题：代理越想独立完成任务，就越需要划清哪些步骤可以自行推进，哪些步骤应该交还给人判断。如果它每走一步都问，持续运行的意义会被削弱；如果它遇到不确定之处也不问，失误就可能沿着后续步骤传下去。一个称得上好用的代理，不能只看最终有没有给出一个“完成了”的提示，还要看它怎样处理过程中的不确定，以及用户能否理解它为什么在某个时刻停下来。 除了操作屏幕，代理还要和外部工具相连。OpenAI 的 Thibault Sottiaux 表示，现在可以直接通过 ChatGPT 构建、部署 M C P 服务器，并限定谁能访问，或者把它公开。M C P 在这里可以理解成一套让 AI 接入外部工具或资源的接口约定；M C P 服务器，就是按这套约定向 AI 提供工具或资源的服务。换一个生活化的说法：代理想办事，不能永远只在自己的纸上写计划，它需要知道哪里有可用的工具，以及该怎样按约定使用。今天这条更新值得注意的地方，不只是“创建接口变得方便”，还在于创建、部署和设置访问范围，被放进了同一个流程。你在决定让代理能够接触什么的同时，也得决定哪些人能够使用这个连接。 为什么我反复强调访问范围？因为“能连接上”和“应该让谁连接”不是同一个问题。假设你做了一个供代理调用的工具，只给特定人用，与把它公开，意味着完全不同的使用边界。这仍是说明概念的假设，不是在说今天某个服务已经出现了问题。工具一旦被接入工作流程，权限就不再是事后补一张说明书，而是功能本身的一部分。你不能只问，代理有没有调到需要的工具；还得问，它是在什么授权下调用的，谁能发起这种调用，使用者能不能看清自己开放了什么。今天素材并没有给出这项功能的安全评估，所以我不会凭“可以设置访问范围”就推断风险已经被解决。它说明的是：产品正在把权限设置摆上台面，而这件事必须被认真对待。 接下来是代理背后的开发接口。Latent Space 同一篇访谈中，OpenAI A P I 团队的 Nikunj Handa 介绍了异步工具调用、运行中调整指令、WebSockets 和 Decisions A P I 等能力。名称听起来偏工程，我换个角度说。异步工具调用，针对的是代理调用一个工具时，不必什么都停下来、一直等它返回；运行中调整指令，针对的是任务做到一半，人的要求可能变了，系统需要接住新指令；更及时的应用通信，则是在解决代理和承载它的应用之间，信息怎样跟上任务进度。WebSockets 和 Decisions A P I 是这组开发能力里被提到的名称；今天的素材没有逐项提供完整技术规格，我们把它们理解到“帮助代理更及时地和应用协作”这一层就够了，不需要假装已经看到了全部实现细节。 这些接口为什么和普通听众也有关？因为你最终感受到的代理，不是模型、工具和应用各自单独工作的样子，而是它们串起来之后的样子。想象你给出一个任务，代理需要读取现状，调用工具，等结果，再根据结果走下一步；这时你又补充一句“刚才那个条件要改”。如果系统只能在最初接收指令，后面的步骤就可能沿着旧要求继续走。如果它能在运行中接住新要求，体验就更接近你和一个正在办事的人协作。当然，“更接近”不等于它已经能妥善理解所有临时修改。这里想说明的是，开发接口看似藏在后台，实际决定了代理能否及时响应人，以及长任务是否只能僵硬地一路跑到底。 访谈也谈到长任务的缓存和上下文压缩。上下文，可以理解成代理眼下拿来判断下一步的任务记录和相关信息；压缩，则是面对越来越长的过程，设法把重要内容保留下来，而不是让每一步都背着全部细节往前走。这个解释只是帮助你理解讨论的方向，今天素材没有提供具体方案的性能数据。为什么长任务尤其需要考虑它？因为任务走得越久，代理遇到的指令、工具结果和中间决定就越多。它需要知道哪些信息仍然关键，哪些只是已经过去的一步；但如果压缩时把重要约束丢了，后面也可能走偏。于是你会看到，所谓“常驻代理”并不只是让程序多运行一段时间。它同时是界面理解、工具连接、通信响应，以及长期保持任务脉络的一整套问题。 现在我们可以把 OpenAI 的几条消息拼成一条链了：Dots 代表持续推进任务的产品形态；电脑操作让代理尝试在软件里观察和行动；M C P 服务器提供连接外部工具的一种方式；开发接口让任务中的调用、调整和通信有办法配合。链条里任何一环不顺，用户看到的都可能是“它没把事办好”。也正因为链条变长，成功的标准不能只是一句“代理完成了任务”。它完成的是不是你原本授权它做的事？中途有没有遇到需要你判断的地方？调用外部工具时，访问范围是否合适？出现偏差之后能不能停住并让人看明白？这些问题，在一次简单问答里不一定显眼；到了持续运行的代理里，却会越来越接近产品体验的核心。 说完代理怎样行动，再看看它怎样进入我们已经在用的工作流程。Google Labs 表示，Gemini 中的 Skills 已面向全球推出，可以在聊天中保存自定义指令，自动处理重复任务。这里的 Skill，不必想得太玄：你可以把它理解成一套可复用的做事要求和步骤。假设你常常希望用同一种方式整理一类内容，每次都从头解释一遍会很累；能把自己的要求保存下来，下次再用，重复工作就有机会被压缩。这个假设只是在解释功能，不是说 Google 已经公布了某项任务节省了多少时间。事实上，今天素材明确没有提供节省时间的量化结果。我们知道的是功能推出了，不知道每个人在不同任务上会节省多少。 Google Labs 还把 Skills 与此前探索工作流定制的 Opal 实验联系起来。这条线索告诉我们，重点不只是让模型“回答得更聪明”，还包括让用户把自己的做事方式留下来，之后反复调用。你可能会发现，这和刚才的常驻代理讨论处在不同位置。Skills 更多处理“我想怎么做这件事”：哪些指令常用，哪些步骤值得复用；代理连接工具则处理“按这些要求做事时，能去哪里取得信息、完成操作”。先把重复要求固定下来，再让系统触达完成任务所需的地方，才更像一条完整的工作流。不过，步骤可复用，不代表每一次具体任务都完全一样。你仍然需要判断保存下来的要求，是否适合眼前这次情况。这也是为什么功能推出之后，真实使用方式比名称本身更值得观察。 再看 Vercel 推介的 Connect。Vercel 的首席执行官 Guillermo Rauch 邀请服务提供者加入 Connect，让应用和代理更容易接入服务。他的判断是，构建应用的难点正在转向“连接已有服务”，而让每个代理分别持有静态密钥会带来麻烦。所谓静态密钥，你可以把它想成一份用来证明“我有资格访问”的凭据；这个类比只为说明它为什么敏感，不代表所有具体服务都采用同一种做法。如果每个代理都各自拿着这样的凭据，那么代理变多、连接变多以后，谁持有什么、什么时候还能用，就可能更难理清。Rauch 提出的方向，是希望把连接服务这件事做得更容易；至于 Connect 实际能把凭据问题解决到什么程度，今天没有独立验证，不能提前给出安全结论。 Skills 和 Connect 放在一起，恰好是工作流的两端。一个从个人的指令和重复步骤入手：下次遇到相似的事，不必每次重新交代。另一个从应用和服务之间的连接入手：代理想继续往下做时，不至于只停在聊天窗口里。它们都在降低把 AI 放进日常工作的门槛，但降低门槛，也会把新的问题带到眼前。原先只是保存一句写作要求，和后来允许一个代理触达外部服务，涉及的权限并不一样；原先只是得到一段建议，和后来让系统执行操作，失误的影响也不一样。我个人的理解是，工作流产品下一步比的，不会只有“接入得快不快”，还会有“边界让不让人看得懂”。这是一种基于今天这些发布方向的推断，不是素材中已经得到证实的行业结论。 沿着“看得懂边界”往外看，还有一条关于可信内容的消息。Google DeepMind 发布了一期视频，由 Hannah Fry 与 Pushmeet Kohli、Jeremy Ratcliffe 讨论 AI 水印。视频标题和简介显示，话题包括 SynthID，以及水印在文本、图像、视频和生物领域的应用。这里先把“水印”讲明白：你可以把它理解成一种为内容提供来源线索的技术思路，让人有机会判断内容与生成过程之间的关系。这个说法只是概念解释，并不是在断言某一种水印能够解决所有来源判断问题。尤其需要注意，今天没有取得这期视频的字幕，所以我无法告诉你几位讨论者在视频里提出了什么具体论证、展示了什么实验，或者最后得出了什么结论。 为什么在代理和工作流之外，还要提可信内容？因为当 AI 既能生成内容，又能进入工具、推动任务时，我们会越来越需要区分“这份内容从哪里来”“它代表了谁的操作”。水印讨论更直接针对内容来源；代理权限讨论针对谁允许系统做什么。两者不是同一项技术，却都和可辨认、可追问有关。这里我是在做横向理解，不是在说 SynthID 已经被用于今天提到的代理流程，更不能把视频简介当成跨领域有效性的证明。素材能支持的判断比较克制：AI 生成内容如何标明来源，仍是值得关注的技术问题；这期视频把相关话题带到了讨论中。具体效果和适用边界，还需要看到比标题、简介更多的信息。 技术之外，再看看人和企业会怎么接住这些变化。Box 的首席执行官 Aaron Levie 认为，把 AI 真正部署进企业经济活动中，是一个重要机会；但更换企业工作流所需的工作量，往往超出预期。他还指出，这可能体现在软件和代理上，也可能带来新的服务需求。请注意，这是他对机会和落地难点的判断，不是说企业工作流已经普遍完成改造。为什么这句话值得放在今天？因为它给前面的发布补了一块现实背景：工具能做某件事，不等于企业现有的工作方式会立刻为它让路。一个流程里面有人做决定，有软件承接步骤，也有谁能访问什么的安排。要让代理真正发挥作用，光演示它会操作还不够，还要让这些环节接得上。 我个人的理解是，企业采用代理的难处，很可能不只在某一个模型够不够强，而在“原来的流程要怎样改，改完之后谁负责看住它”。这是从 Levie 的观点和今天几条产品消息做出的推断，不是对所有企业情况的事实陈述。你可以用一个很朴素的问题检验这层逻辑：如果原来一项工作由人确认后再进入下一步，现在想让代理接手其中一段，那原来的确认点放在哪里？如果保留，代理如何在合适的时候停下；如果调整，又由谁决定它可以继续？今天的素材没有给出某家企业的实施案例，所以不需要编造答案。但把这些问题摆出来，就能理解为什么“更换工作流”会比“试用一个新功能”复杂得多。发布会展示的是能力入口，真正落地考验的是流程能否围绕它重新安排。 另一个视角来自投资人 Nikunj Kothari。他说自己已经把大部分工作自动化，但寻找并联系创业者、与创始人见面，以及撰写不投资的说明，仍由他亲自完成。他特别提到，每一份不投资的说明都是自己手写的。这是一个人的工作经验，不能直接推成“所有岗位都必须把这几件事留给人”。但它很适合提醒我们：讨论自动化时，不必只问“能不能自动做”，还可以问“做这件事时，人希望保留什么”。有些任务也许可以被工具协助，却仍有人选择亲自投入。这个选择背后的具体原因，今天素材没有展开，我不替他猜；我只想指出，自动化的范围和个人愿意交出去的范围，并不总会完全重合。 把 Levie 和 Kothari 的观点并排听，正好能避免两种过于简单的想象。一种是，新代理一出现，企业就会自然换掉旧流程；另一种是，只要一件事带有人情味或判断，就完全不可能用工具协助。今天的素材没有支持这两种绝对说法。Levie 强调流程改造的工作量，Kothari 描述自己具体留下了哪些亲自做的事。他们谈的层次不同：一个偏企业落地，一个偏个人工作选择，但共同把问题从“AI 能做什么”拉回了“我们准备怎样使用它”。这也解释了为什么权限、介入和操作记录会被反复提起：当人决定交出一部分步骤时，他需要知道自己究竟交出了哪一部分，又在哪些地方仍然握着决定权。 现在把今天几条主线放在一起看。Gemini 4 Argon 告诉我们，模型仍在展示新的能力指标，但开放范围和使用条件必须一起看；GPT-6.1 Sol 的负载消息提醒我们，能力还要通过足够快、足够稳的服务才能被感受到。Dots、电脑操作和开发接口，代表 AI 正在尝试把“回答”延伸成“持续完成任务”；Skills 和 Connect，则分别瞄准重复步骤的复用、以及外部服务的接入。内容水印的讨论、企业流程改造的观点和个人保留亲自处理的工作，又不断把我们拉回同一个问题：当系统能做得更多，我们怎样知道它在做什么、凭什么做、做到哪里该停？我认为，这正是“争夺工作入口”最具体的含义。入口不只是谁占据一个聊天窗口，而是谁能把能力接进一段可持续、可授权、可检查的工作过程。 接下来我会重点盯三件事。第一，Gemini 4 Argon 何时向更多开发者开放，那个借助续接实现的百万输出，在实际长任务里究竟怎样表现；第二，OpenAI 扩容之后，ChatGPT 和 Codex 的速度是否如当时预期那样改善；第三，也是我觉得会越来越重要的一点，常驻代理接入更多应用以后，产品怎样处理授权、凭据和操作失误。今天我们已经看到了模型、代理和连接工具分别往前走，但它们能否组成让人放心使用的工作方式，还需要继续观察。以上就是今天这期《AI内参日报》，我们明天见。