AI 不再等你提问:ChatGPT Dots 如何让一个 Agent 24 小时替你工作?

作者注:ChatGPT Dots 围绕长期目标推进用户授权的工作。它能持续执行,靠的是任务状态、上下文、工具和调度机制的配合。

结论先行:OpenAI 于 2026 年 9 月 29 日发布的 ChatGPT Dots,把 AI 从“等你提问的问答工具”变成了“接受委派、持续推进的执行者”。每个 Dot 拥有自己的云端计算机和浏览器,能保留项目上下文,对授权信息源做主动研究,按时间或事件启动工作。遇到需要判断和批准的事项,它会把决定权交还给用户。标题里的“24 小时”指的是一种工作模式:Agent 在你离开之后仍能根据目标、事件、时间和任务状态决定下一步。它没有承诺无限循环、实时监控或零成本运行。目前 Dots 面向 ChatGPT Pro 100/200/500 个人用户,以及符合资格的 Business Premium、Enterprise、Edu、Healthcare 工作区开放。

下文先对比 Dots 与普通 ChatGPT、Cron 脚本、传统工作流的差别,再拆解它持续工作的内部机制,包括任务状态、记忆、主动研究、定时任务和后台 Agent 之间的关系。接着整理官方展示、媒体实测和用户自述中的使用场景,三类证据分开呈现。最后结合 OpenAI Agents SDK 与 Microsoft Research 的 SentinelBench,说明持续 Agent 需要哪些技术组件,有哪些成本与风险,以及哪些工作值得交给它。

To Know:ChatGPT Dots 相关术语

术语 解释
常驻 Agent(Always-on Agent) 在用户不发消息的间隙,仍能推进已委派工作的 AI 系统
Cron 按固定时间规则启动程序的调度方式,例如“每天 9 点运行一次”
事件触发 指定变化发生时才启动处理流程,例如 Slack 频道出现新 Bug 报告
任务状态 记录一项工作进行到哪一步、结果如何、还在等待什么的信息
长期记忆 跨任务保存的用户偏好、项目决策和背景资料
工具调用 模型调用外部程序来查询信息或执行操作
主动研究(Proactive Research) Dot 在没收到新消息时,对已授权数据源做只读的后台研究
后台 Agent Dot 派出去并行处理某部分工作的子 Agent
Human-in-the-loop / 人工介入 任务中需要人来判断、批准或修正的环节
误报率 系统给出不需要处理的提醒,占全部提醒的比例
Prompt Injection 网页、邮件等外部内容中藏有恶意指令,试图劫持 Agent 的行为
Token 模型计量输入输出的基本单位,直接决定调用成本

chatgpt-dots-always-on-agent-24-hours-image-0


1 从等你提问到主动承担任务:ChatGPT Dots 改变了什么

1.1 ChatGPT Dots 的官方定位

根据 OpenAI 发布文章 Introducing dots 和帮助文档,Dots 是一个常驻型个人 AI Agent(Personal Agent)。官方描述的核心能力有以下几项:

  • Always-on 常驻运行:用户没有发送新消息时,也能继续处理已委派的工作。
  • 自己的云端计算机:每个 Dot 有独立的云端计算机和浏览器,用户电脑关机后云端任务照常推进。
  • 持久上下文:可以利用 ChatGPT 记忆、历史对话和已连接应用中的信息。
  • 主动研究:对已授权的数据源开展后台研究,发现值得关注的信息。
  • 多项目执行:同时推进多个项目,可拆分任务、启动后台 Agent 并行处理。
  • 跨平台沟通:可以通过 ChatGPT Web、桌面端、移动端、Slack、Microsoft Teams 联系同一个 Dot。
  • 人机协作:需要用户判断或批准的事项会主动交还用户。

发布时,官方还提到 Dots 接入了 OpenAI 插件生态,可连接的应用超过 4,000 个。这个数字描述的是生态规模,每个账户实际可用的应用和权限,取决于用户自己的连接与授权。

1.2 ChatGPT Dots 带来的人机分工变化

使用普通 ChatGPT 时,用户是任务的调度者:每一步都要由人发起,人还要记住进度,并在不同对话之间来回切换。Dots 把调度责任的一部分转给了 Agent。用户交出一个长期目标,例如“跟进这个客户项目直到上线”,Dot 负责记住进度、关注变化、安排下一步,只在关键节点请人拍板。

于是,人的角色从“逐条发指令”变成了“委派、监督、审批”。这项变化的价值在于持续承担工作,省掉的是人在多个系统间追进度、对信息、催下一步的协调成本。如果只是在流程里多加几个自动化步骤,收益有限。


2 为什么传统自动化无法完全替代 ChatGPT Dots 这类 Agent

2.1 Cron、工作流与常驻 Agent 的技术对比

传统自动化擅长执行事先写好的流程,常驻 Agent 则可以根据当前任务状态和新信息决定下一步。三者在关键维度上的差异如下:

维度 Cron 定时脚本 传统工作流 常驻 Agent(如 Dots)
触发方式 固定时间 固定时间或事件 时间、事件及任务状态
执行逻辑 预先编写 预先编排节点 根据上下文动态决定
信息理解 需要程序编码 依赖节点与条件 调用模型理解内容
异常处理 预设规则 预设分支 分析情况并提出方案
跨任务记忆 需自行开发 依赖工作流配置 维护长期项目上下文
调整方式 修改代码 修改工作流 用自然语言调整
运行成本 以基础设施为主 软件与基础设施 模型、工具与基础设施
可预测性 高 较高 受模型输出影响

举个例子。Cron 脚本可以每 10 分钟检查一次邮箱,把含有特定关键词的邮件转发出去。Agent 则围绕一个具体目标关注邮件,收到重要邮件时会判断它与哪个项目相关、是否需要跟进、该起草什么回复。

chatgpt-dots-always-on-agent-24-hours-image-1

2.2 规则固定的任务仍然适合传统自动化

对于明确、重复、规则固定的工作,比如每晚备份数据库、每周一导出固定报表,Cron 和工作流更容易控制、验证和维护,成本也更低。Agent 的优势集中在需要理解新信息、需要动态调整的任务上。比较合理的架构是两者共存:确定性环节交给脚本,判断性环节交给 Agent。


3 ChatGPT Dots 如何持续工作

3.1 任务状态决定 Dots 的下一步

OpenAI 的 Tasks and memory 文档说明,Dot 可以根据任务状态自行决定暂停和恢复工作,用户无需为每一步设置固定时间。它能识别何时该继续,可以等待外部条件变化,在合适时机重启,根据新信息调整后续步骤,需要决策时主动请求用户输入。

因此,Dots 的“持续工作”是一个由目标、事件、时间和任务状态共同驱动的决策过程,它不会每分钟空转一次。这样的设计让 Agent 在没有新情况时保持安静,资源留给真正需要行动的时刻。

chatgpt-dots-always-on-agent-24-hours-image-2

3.2 长期记忆与项目上下文

Dots 的上下文由四层数据组成:

  1. ChatGPT Memory:Dot 可以获取 ChatGPT 的相关记忆和近期对话上下文。
  2. Dot 自己的笔记:积累用户偏好、工作习惯、项目决策和长期责任事项。
  3. 当前任务上下文:当前对话的指令、文件、检索结果和工具执行结果。
  4. 已连接应用的数据:读取已授权应用中的信息,并在适当条件下研究这些数据,形成自己的记忆。

这四层彼此独立。Dot 的记忆是经过整理的相关上下文和笔记,并非完整的聊天记录全文。新建任务也不一定自动带上用户与 Dot 的全部历史,Dot 会在需要时检索过去的对话来补充背景。

3.3 主动研究、定时任务与事件监控的区别

这三种机制都让 Dots 在用户不发消息时继续工作,但触发方式和权限边界各不相同。

  • 主动研究:在没有新消息时,对授权来源做后台研究,例如发现项目文件中的价格与邮件内容对不上,或某个重要期限发生了变化。它的权限是只读的:不能给他人发消息,不能通过插件修改内容,也不能操作浏览器或计算机。后续行动必须经过正常的权限、审批和安全检查。
  • 定时任务(Scheduled Tasks):按设定时间运行,例如每天早上检查日历、每周一整理项目进展。创建时要明确检查什么、运行时间、时区、结束日期、哪些变化需要通知、结果发到哪里。
  • 事件监控(Event Monitoring):在连接的服务支持相应事件时,关注某类具体事件,例如 Slack 中出现新 Bug。用户必须明确告诉 Dot 监控什么。把 Dot 加进频道,它也不会自动监控整个频道。

定时任务是按时间执行的预设动作,主动研究是基于上下文的判断性发现,两者在本质上不同。另外,停止正在运行的任务与取消周期性计划是两个独立操作,需要分别检查。

3.4 后台 Agent 与委派任务

Dots 可以把复杂任务拆开,启动后台 Agent 并行处理,最后汇总结果。还可以进一步创建 ChatGPT Work 任务(独立复杂工作流)和 Codex 任务(软件开发与测试)。用户把本地电脑连接给 Dot 后,Dot 也能把任务派发到本地环境执行。本地访问默认关闭,需要通过 ChatGPT 桌面应用授权,可随时用 Revoke access 撤销。


4 ChatGPT Dots 可以替你承担哪些长期工作

4.1 用户自述案例

以下案例来自 2026 年 10 月 Reddit 社区的个人用户分享,属于用户自述,没有独立验证,也没有提供准确率或统计数据,只能代表个人体验。

案例 输入信息 Dot 的行动 用户描述的结果 人工参与环节
遗漏邮件提醒 授权邮箱、项目上下文 检查邮箱,识别被忘记或漏掉的事项 主动提醒用户处理遗漏事项 用户决定是否回复、如何回复
跨系统项目跟进 Cloudflare、CRM、Gmail(经 Composio MCP 集成) 跨系统推进项目,构建并测试自定义 MCP,制作客户信息收集门户和 Chrome 扩展,监控团队邮件与日历 主动提醒待处理事项 用户审核产出与关键决策
业务报表 客户财务数据 制作客户财务仪表盘 用户称约 1 小时完成,过去类似工作需 4—5 天 用户核对数据与呈现
周期性运营 日程调度 + Google Sheets 插件 执行每日、每周任务并更新业务表格 用户认为能处理部分 Cron 难以灵活应对的工作 用户设定规则并抽查结果

另一位 Reddit 用户做了约一天的机制测试:把数百份 PDF、数千页材料交给 Dot 审查,任务跨越多天仍能保留进度。中途插问时,Dot 会暂停审查,查找资料作答,然后回到原任务。该用户还观察到 Dot 的云端计算机、已连接的 Linux 电脑和一个后台研究 Agent 同时在运行。他本人也指出,这些执行路径的额度如何计算尚未确认。

4.2 媒体实测:Axios 对比 Dots 与 Meta Muse

Axios 记者 Ina Fried 在 2026 年 10 月 20 日发布了 Dots 与 Meta Muse 的对比测试,任务围绕一次 WNBA 总决赛观赛行程展开:

  • 多步骤规划:两者都发现了比赛日期提前、门票尚未开售等情况,Dots 还发现了行程与用户已有日程的冲突。
  • 文档生成:Dots 制作了 8 页聚会资料包和 38 页纪念节目册,Muse 的节目册是 35 页。两份节目册都出现了可疑的统计数据。
  • 照片纪念册:Dots 用 47 秒做出 12 页纪念册,这只是该次测试的结果。
  • 真实购物:Dots 引导用户转到 Target 应用,用已保存的账户继续操作,整个购买过程没有完全自动完成。

作者的结论是:这类 Agent 适合承担研究和准备工作,结果仍需人工编辑和事实核查,涉及账户和资金的操作,最终决策应留在人手里。

官方展示的场景还包括会议准备、销售数据监控、客户反馈追踪、内容创作、GitHub 项目管理和旅行安排等。这些属于产品示例,代表能力方向,不能当作每次运行都能达到的效果保证。


5 让 Agent 24 小时工作,背后需要什么

5.1 Agents SDK 的基础构件

OpenAI 的 Building Agents 指南把 Agent 系统归纳为几个基础概念,可以对应到持续工作的各个环节:

  • Agent:模型、指令和工具的组合,负责理解与执行。
  • Handoff:把工作交给另一个 Agent,对应 Dots 派发后台 Agent。
  • Guardrail:约束输入、输出和执行行为,对应审批与安全检查。
  • Session:维护跨运行的对话历史,对应任务状态与上下文延续。
  • Tracing:记录执行过程,便于排查和审计。

一个能持续工作的 Agent,实际上是“工具调用 + 状态管理 + 事件监控 + 长期记忆 + 执行调度 + 安全机制”六个组件的组合,缺了任何一个都难以稳定运行。

5.2 SentinelBench 的研究启示

Microsoft Research 在 2026 年 6 月公布了 SentinelBench,专门评测需要长期关注外部状态变化的监控型 Agent。它设计了 100 项任务,覆盖邮件、日历、金融、职业社交、娱乐等 10 种模拟 Web 环境,同时评估任务完成率、反应时间和资源消耗。

这项研究的主要观点是:长周期监控任务的关键在于保持对环境的关注,等真正值得行动的变化出现再行动,持续执行动作反而不一定有效。这与 Dots 依据任务状态暂停和恢复的设计思路一致。需要说明的是,SentinelBench 是独立研究基准,不能用来推算 Dots 的具体成功率。

5.3 自建持续 Agent 的设计方案

开发者如果想在自己的系统中实现类似的“状态驱动”工作模式,可以用 OpenAI 兼容接口搭一个原型。以下代码是设计方案示例,展示判断环节的写法,未附运行结果。

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

# 让模型判断一封新邮件是否需要提醒用户
resp = client.chat.completions.create(
    model="gpt-4.1",
    messages=[
        {"role": "system", "content": "你是项目跟进助手,只输出 JSON:{\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
        {"role": "user", "content": "项目:官网改版,截止 11 月 30 日。新邮件:设计方说交付推迟到 12 月 5 日。"}
    ]
)
print(resp.choices[0].message.content)
查看完整设计方案:时间 + 事件 + 状态驱动的 Agent 循环
import json
import time
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# 任务状态:持续工作的核心,决定下一步做什么
task = {
    "goal": "跟进官网改版项目直到上线",
    "status": "waiting",          # waiting / judging / awaiting_human / done
    "memory": ["截止日期 11 月 30 日", "发送邮件前必须人工确认"],
    "next_check": time.time(),     # 定时兜底检查
}

def fetch_new_events():
    """事件源:对接邮箱/IM 的 webhook 或增量接口,这里留作占位"""
    return []

def judge(event: str) -> dict:
    """调用模型判断:忽略、提醒,还是请求人工决策"""
    resp = client.chat.completions.create(
        model="gpt-4.1",
        messages=[
            {"role": "system", "content": "根据目标与记忆判断新事件,只输出 JSON:"
             "{\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
            {"role": "user", "content": json.dumps(
                {"goal": task["goal"], "memory": task["memory"], "event": event},
                ensure_ascii=False)}
        ]
    )
    return json.loads(resp.choices[0].message.content)

def run_once():
    events = fetch_new_events()
    # 没有事件且未到定时检查时间:直接等待,避免无效轮询和 Token 浪费
    if not events and time.time() < task["next_check"]:
        return
    for ev in events:
        decision = judge(ev)
        if decision["action"] == "ask_human":
            task["status"] = "awaiting_human"   # 人工审批节点:Agent 不擅自执行
            print("需要你决定:", decision["reason"])
        elif decision["action"] == "remind":
            print("提醒:", decision["reason"])
        task["memory"].append(f"已处理事件:{ev[:50]}")
    task["next_check"] = time.time() + 3600     # 每小时一次定时兜底

# 实际部署时由调度器或事件回调触发 run_once,而非 while True 空转

这个方案体现了三个设计原则:事件优先、定时兜底;状态决定动作;高风险动作进入人工审批。

🚀 快速开始:搭建自有 Agent 原型时,可以通过 API易 apiyi.com 用一个 API Key 调用 OpenAI、Claude、Gemini 等模型,对比不同模型在“该不该行动”这类判断任务上的表现。新用户有免费测试额度。


6 ChatGPT Dots 持续工作的边界:可靠性、成本与权限

6.1 误报、错误判断与无效轮询

官方隐私与安全文档写明,Agent 可能理解错任务、误判资料、生成错误数据、无法完成网站登录,或者遇到执行环境不可用,执行结果需要人工检查。Axios 测试中出现的可疑统计数据,说明这些风险在真实使用中确实存在。

长期运行还会带来几项容易被忽视的成本:任务执行与等待事件的资源消耗不同;模型恢复上下文时会重复读取资料,带来 Token 开销;不必要的轮询会造成重复执行。SentinelBench 把响应时间和资源使用量一起纳入评估,原因就在这里:长期监控既要快,也要省。

6.2 权限与人工审批

Dots 通过 Custom Rules 让用户为不同行为设置执行要求,共四档:无需询问直接执行、预先授权后执行、执行前询问、交还用户。例如,可以允许它自动整理指定文件夹,同时要求发邮件前询问,采购必须确认,社交媒体一律禁止发布。

在可能影响账户或对外披露信息的操作之前,Auto-review 机制会检查行为是否符合指令、规则、安全要求和权限边界。修改密码、转移资金这类操作需要用户亲自接管,永久删除数据、安装软件可能每次都要批准。面对 Prompt Injection,OpenAI 采取了区分指令来源、限制工具、审批与持续监测等措施,同时明确表示这些措施无法消除所有风险。

6.3 费用:个人 Pro 与企业 Dots

  • 个人用户:Pro 100($100/月)、Pro 200($200/月)、Pro 500($500/月)都具备 Dots 使用资格。官方在个人 Pro 的 Dots 说明中没有列出单独的 Dot 月费。个人 Pro 需年满 18 岁,暂不含欧洲经济区、英国和瑞士,权限逐步推送。
  • 委派任务:Dot 启动的 ChatGPT Work 或 Codex 任务,按对应产品的额度或计费规则单独计算,消耗量取决于模型、上下文、推理、工具调用和检索。
  • 企业工作区:Enterprise、Edu、Healthcare 在 2026 年 11 月 4 日至 18 日为免费的管理员预览期,11 月 18 日起符合条件的工作区默认开放并开始计费。企业可选择按工作类型的固定费率或按用量计费,委派至 Work 或 Codex 的任务另行收费,具体金额以工作区实际适用的报价为准。每位成员可创建一个个人 Dot。

6.4 评价持续 Agent 的五个指标

判断一个 Agent 是否真的“替你工作”,需要可量化的指标:

指标 计算方式 关注点
任务完成率 成功完成的任务 / 全部任务 能否真正交付结果
平均响应时间 事件发生到给出有效响应的时间 时效性是否满足业务
误报率 无需行动却触发的次数 / 全部触发次数 提醒是否在打扰人
人工介入率 需要用户介入的任务 / 全部任务 实际节省了多少人力
单任务成本 模型、工具与服务器成本 / 成功完成任务数 经济上是否划算

💰 成本优化:自建监控型 Agent 时,“判断是否需要行动”这一步调用频率最高,适合分级选模:轻量模型做初筛,强模型做深度分析。通过 API易 apiyi.com 按量计费调用多种模型,可以按上表测算单任务成本。


7 哪些工作真正值得交给 ChatGPT Dots 这类 Agent

可以从五个维度判断一项工作适不适合委派给常驻 Agent:

判断维度 更适合交给 Agent 更适合传统自动化或人工
规则明确程度 规则模糊,需要理解语义 规则清晰、可完全编码 → 脚本
信息变化频率 信息源多、变化不定期 变化固定、可预测 → 定时脚本
任务持续时间 跨天、跨周的长期项目 一次性短任务 → 普通对话
决策风险 低风险,或可设审批节点 涉及资金、密码、不可撤销操作 → 人工
人工协调成本 需要跨多个系统追进度、对信息 单系统内的简单操作

据此,比较值得委派的工作包括:长期专题研究与资料跟踪、跨系统项目跟进、遗漏事项提醒、周期性报表更新、会议准备与会后行动整理。转账、改密码、对外发布等高风险操作,应留在人工手中,或至少设成“执行前询问”。

💡 选择建议:如果你的团队想在 Dots 之外自建 Agent 工作流,不同模型在工具调用、长上下文和判断稳定性上各有差异。可以先在 API易 apiyi.com 上用同一套代码切换模型做小规模对比,再决定生产环境用哪个。


常见问题 FAQ

Q1:ChatGPT Dots 是什么?

Dots 是 OpenAI 于 2026 年 9 月 29 日发布的常驻型个人 AI Agent。它有独立的云端计算机和浏览器,能保留项目上下文、主动研究授权信息源、按时间或事件推进工作,需要决策时把事项交还给用户。

Q2:Dots 真的能 24 小时连续运行吗?

“24 小时”描述的是工作模式:用户离开后,Dot 仍能根据目标、事件、时间和任务状态决定何时继续、何时等待。它受已连接应用、事件支持类型和使用额度约束,不会无限循环,也做不到实时监控所有信息源。

Q3:Dots 的主动研究和定时任务有什么区别?

定时任务按设定时间执行指定动作。主动研究是在没有新消息时,基于上下文对授权来源做只读研究,发现值得关注的信息。主动研究本身不能发消息、改内容或操作计算机,后续行动要经过权限与审批。

Q4:使用 Dots 需要额外付费吗?

个人 Pro 100/200/500 用户具备使用资格,官方没有列出单独的 Dot 月费。Dot 委派的 Work、Codex 任务按对应额度或规则另计。企业工作区从 2026 年 11 月 18 日起计费,可选按工作类型固定费率或按用量计费,金额以实际报价为准。

Q5:开发者如何自建类似 Dots 的持续 Agent?

可以参考 OpenAI Agents SDK 的 Agent、Handoff、Guardrail、Session、Tracing 等概念,组合状态管理、事件触发、定时兜底和人工审批。模型调用部分可以接入 API易 apiyi.com 的 OpenAI 兼容接口,把 base_url 设为 `https://api.apiyi.com/v1`,用一个 Key 测试多家模型。

Q6:Dots 有哪些已知限制?

Agent 可能误判任务或生成错误数据,可能卡在登录环节,已完成的操作不一定能撤销,Prompt Injection 风险也无法完全消除。用户目前无法逐条查看或删除 Dot 的独立记忆,断开插件也不会自动清除已获取的信息。在你自己的业务里验证 Agent 方案时,可以先用 API易 apiyi.com 的免费额度做小样本测试,统计误报率和人工介入率。


ChatGPT Dots 核心要点 Key Takeaways

  • 定位转变:Dots 让 AI 从被动问答变成接受委派、持续推进的执行者。
  • 持续工作的本质:由目标、事件、时间和任务状态决定下一步,不靠无限循环。
  • 三种机制:主动研究只读、定时任务按时、事件监控按需,三者要分开理解。
  • 证据分层:官方能力、Axios 实测、用户自述三类证据,可信度各不相同。
  • 边界清晰:高风险操作需人工接管,结果仍需事实核查。
  • 费用分两层:Pro 订阅资格与委派任务消耗分别计算,企业按报价计费。
  • 自建路径:参考 Agents SDK 设计状态与审批,用 API易 apiyi.com 统一接口验证多模型。

总结

ChatGPT Dots 的核心价值在于让一个 Agent 长期承担工作:独立云端计算机提供执行环境,长期记忆提供上下文,主动研究、定时任务和事件监控提供触发,Custom Rules 与 Auto-review 划定权限边界。它适合跨系统、跨时间、需要理解新信息的任务,规则固定的工作交给传统自动化依然更划算,高风险决策仍由人来做。

评估这类 Agent 时,可以用任务完成率、响应时间、误报率、人工介入率和单任务成本五个指标衡量它是否真的替你省下了时间。如果你想在自己的产品里实现类似的持续工作能力,推荐先通过 API易 apiyi.com 快速验证效果:一个 API Key 接入多家主流模型,按量计费,适合做原型对比。


📚 参考资料

  1. OpenAI:Introducing dots:Dots 发布公告,含产品定位与生态规模
  2. 链接: openai.com/index/introducing-dots
  3. 说明: 了解官方能力描述的首要来源

  4. ChatGPT Learn:Meet dots / Tasks and memory:产品概览、任务、记忆、主动研究与周期任务

  5. 链接: learn.chatgpt.com/docs/dots
  6. 说明: 理解持续工作机制的核心文档

  7. OpenAI Help Center:Getting started with your dot:开通、电脑连接、规则管理

  8. 链接: help.openai.com/en/articles/20001530-getting-started-with-your-dot
  9. 说明: 实际操作步骤与限制

  10. OpenAI Help Center:Dots privacy, security, and safety FAQs:权限、审批、Prompt Injection 与数据政策

  11. 链接: help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs
  12. 说明: 评估安全边界必读

  13. Dots Enterprise 管理员指南与 Pro 订阅说明:企业计费方式与 Pro 价格

  14. 链接: learn.chatgpt.com/docs/enterprise/dots-admin-guide
  15. 说明: 费用信息以此为准

  16. OpenAI Building Agents 指南:Agents SDK 基础概念

  17. 链接: developers.openai.com/tracks/building-agents
  18. 说明: 自建 Agent 的技术参考

  19. Microsoft Research:SentinelBench:长期监控 Agent 基准研究

  20. 链接: microsoft.com/en-us/research/publication/sentinelbench-a-benchmark-for-long-running-monitoring-agents
  21. 说明: 理解持续监控的效率与资源权衡

  22. Axios:I tested Dots and Muse:第三方媒体实测

  23. 链接: axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test
  24. 说明: 真实任务表现与操作障碍

作者:APIYI 技术团队
技术交流:欢迎在 API易 apiyi.com 网站首页联系我们,更多接入资料可访问 docs.apiyi.com 文档中心

发表评论