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 |

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。

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。

3.2 长期记忆与项目上下文
Dots 的上下文由四层数据组成:
- ChatGPT Memory:Dot 可以获取 ChatGPT 的相关记忆和近期对话上下文。
- 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。
- 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。
- 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
- OpenAI:Introducing dots:Dots 发布公告,含产品定位与生态规模
- 链接:
openai.com/index/introducing-dots -
说明: 了解官方能力描述的首要来源
-
ChatGPT Learn:Meet dots / Tasks and memory:产品概览、任务、记忆、主动研究与周期任务
- 链接:
learn.chatgpt.com/docs/dots -
说明: 理解持续工作机制的核心文档
-
OpenAI Help Center:Getting started with your dot:开通、电脑连接、规则管理
- 链接:
help.openai.com/en/articles/20001530-getting-started-with-your-dot -
说明: 实际操作步骤与限制
-
OpenAI Help Center:Dots privacy, security, and safety FAQs:权限、审批、Prompt Injection 与数据政策
- 链接:
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs -
说明: 评估安全边界必读
-
Dots Enterprise 管理员指南与 Pro 订阅说明:企业计费方式与 Pro 价格
- 链接:
learn.chatgpt.com/docs/enterprise/dots-admin-guide -
说明: 费用信息以此为准
-
OpenAI Building Agents 指南:Agents SDK 基础概念
- 链接:
developers.openai.com/tracks/building-agents -
说明: 自建 Agent 的技术参考
-
Microsoft Research:SentinelBench:长期监控 Agent 基准研究
- 链接:
microsoft.com/en-us/research/publication/sentinelbench-a-benchmark-for-long-running-monitoring-agents -
说明: 理解持续监控的效率与资源权衡
-
Axios:I tested Dots and Muse:第三方媒体实测
- 链接:
axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test - 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