一個 AI 助手同時推進十個項目:Dots 的多任務調度和長期記憶是怎麼工作的?

作者注:多項目 Agent 需要獨立上下文、持久狀態、任務調度和恢復機制,並行工作才能做到可追蹤、互不干擾。

一個 AI 助手能否同時推進多個項目,關鍵在四件事:每項工作有獨立上下文,執行狀態持久保存,調度器統一安排優先級和併發,中斷後可以從檢查點恢復。同時調用多個模型並不難,難的是讓這些調用各自記得自己在做什麼。OpenAI 於 2026 年 9 月 29 日發佈的 Dots 採用了這套模式。官方文檔說明,一個 Dot 可以維護多個責任事項,把工作拆給後臺 Agent 並行處理。每個新任務擁有自己的對話上下文,不會自動獲得用戶與 Dot 的全部歷史對話。開發者可以用 Checkpointer、Store、任務隊列和狀態機搭建類似的多項目管理系統。

下文先根據官方資料拆解 Dots 的多任務和記憶機制,再用一個貫穿全文的項目管理示例,依次設計四層任務結構、並行調度、中斷恢復、執行追蹤和成本邊界。標題中的“十個項目”只是對工作模式的示例表達,Dots 和自建系統都沒有固定的十路併發,也不能無限並行。文中的自建 Agent 代碼屬於設計方案,沒有附帶虛構的運行結果。

dots-multi-task-scheduling-long-term-memory-zh-hant-image-0


To Know:Dots 多任務調度相關術語

術語 解釋
Workspace 組織項目與權限的工作空間,通常對應一個用戶或一個團隊。
Project 項目單元,包含目標、資料和相關任務。
Task 一項有明確目標的工作,例如“檢索今日 OpenAI 新聞”。
Run 任務的一次實際執行記錄,同一個 Task 可以執行很多次。
後臺 Agent Dot 派出去並行處理子任務的執行者,完成後向 Dot 彙報。
Checkpointer 保存任務執行檢查點的組件,負責中斷後恢復。
Store 保存跨任務長期信息的存儲組件,負責延續項目背景。
狀態機 按規則管理任務各階段轉換的機制,如待執行、執行中、等待審批。
併發限制 同時執行任務的數量上限,受 API 額度、服務器資源和成本約束。
Tracing 記錄模型調用、工具調用和交接過程的追蹤能力。
Proactive Research Dots 在沒有新消息時對已授權資料源做的只讀後臺研究。

1 Dots 多任務調度:一個 Dot 爲什麼能同時承擔多個責任

1.1 Dots 官方披露的多項目能力

按照官方定位,Dots 是一個常駐型個人 Agent。它擁有自己的雲端計算機和瀏覽器,用戶離開後仍能繼續推進已委派的工作。在多任務方面,Tasks and memory 文檔列出了以下能力:

  • 同時保留多個工作事項的狀態,並在同一對話中切換任務;
  • 用戶可以隨時補充信息、調整優先級;
  • 把複雜任務拆成若干部分,交給後臺 Agent 並行處理;
  • 創建獨立的可見任務線程,再收集各任務結果並彙總;
  • 工作出現阻塞時請求用戶介入,後臺任務運行期間用戶仍可繼續發消息。

這些能力合起來,讓 Dot 承擔的角色更接近項目協調者。它負責決定哪件事先做、哪件事拆出去、哪件事交還用戶,單個任務的具體執行可以由後臺 Agent、ChatGPT Work 任務或 Codex 任務完成。

1.2 多對話、多任務與多 Agent 的區別

這三個概念經常被混用,它們解決的問題各不相同。用統一的示例來看:假設用戶的工作空間裏有 AI Radar(AI 新聞日報)、Website(網站改版)、Research(競品研究)三個項目。

模式 運作方式 在示例中的表現 解決的問題
多對話 用戶爲每個項目開一個聊天窗口 用戶自己記住 Research 做到了哪一步 隔離聊天內容,進度仍由人管理
多任務 一個協調者維護多個任務的狀態 Dot 記錄三個項目各自的進度和優先級 統一調度和狀態追蹤
多 Agent 協調者把子任務派給多個執行者 後臺 Agent 收集資料,另一個執行者寫報告 並行執行與專業分工

Dots 把三者疊加在一起:用戶在一個入口與 Dot 溝通,Dot 維護多項任務,並按需派出後臺 Agent。自建系統要復刻這種效果,三層能力都要實現,只開多個聊天窗口遠遠不夠。

1.3 一位用戶自述的並行觀察

Reddit 上一位用戶自述了一天的測試。他把數百份 PDF、數千頁文檔交給 Dot 審查,同時運行法律研究任務。他觀察到三個執行過程同時存在:Dot 自己的雲端計算機處理任務 A,他連接的一臺 Linux 電腦處理任務 B,另一個後臺研究 Agent 處理任務 C。他還提到,啓動獨立法律研究任務時曾遇到執行環境不可用,連接本地電腦後纔派發成功。

這份個人觀察說明,Dot 的雲端計算機、本地電腦和 Work/Codex 環境是不同的執行資源。作者本人也指出,他沒有驗證這些路徑是否擁有獨立且無限的額度。所以這次測試只能說明 Dots 能把工作分派到不同環境,不能據此推斷每位 Pro 用戶都能獲得同樣的並行規模。


2 Dots 長期記憶:一個任務爲什麼需要獨立記憶

2.1 新任務的上下文邊界

官方文檔明確寫道:每個新任務有自己的對話上下文,不會自動獲得 Dot 與用戶之間的全部歷史對話。Dot 可以檢索過去的 ChatGPT 對話來尋找背景,檢索到的內容只作爲當前工作的上下文使用。

這個設計很實際。如果每個任務都載入全部歷史,Research 項目的競品報告就可能混入 Website 項目的改版討論,上下文也會越來越長、越來越貴。長期項目需要顯式管理“這個任務該知道什麼”,單靠一條越拉越長的聊天記錄做不到這一點。

2.2 Dots 記憶的四個數據層

根據官方資料,Dot 的上下文來自四個不同來源:

  1. ChatGPT Memory:Dot 可以讀取 ChatGPT 的相關記憶和近期對話;
  2. Dot 自身的筆記:積累用戶偏好、工作習慣、項目決策和長期責任事項;
  3. 當前任務上下文:本次對話中的指令、文件、檢索結果和工具執行結果;
  4. 已連接應用的數據:Dot 讀取已授權應用的數據,並可通過主動研究形成記憶。

這幾層的生命週期各不相同。ChatGPT Memory 和 Dot 筆記屬於不同的數據層,關閉 ChatGPT Memory 共享不會自動刪除 Dot 已獲取的信息,斷開插件也只會停止新的訪問。截至 2026 年 11 月 16 日,用戶還不能逐條查看、修改或刪除 Dot 的獨立記憶,刪除 Dot 會啓動對其自身上下文的刪除。自建系統設計記憶層時,可以參考這套分層思路,同時補上可查看、可刪除的管理界面。


3 Checkpointer 與 Store:多任務 Agent 的兩種記憶

LangGraph 的持久化文檔把 Agent 的記憶分成兩類,這個劃分正好對應 Dots 的“任務上下文”和“長期筆記”。下面仍以 Research 項目的月度競品報告爲例說明。

3.1 Checkpointer:記住工作做到哪一步

Checkpointer 保存單個任務線程的執行快照,內容包括當前步驟、已調用的工具、工具返回結果,以及哪一步在等待人工審批。在示例中,月度報告任務已經抓完 6 家競品的價格頁,正準備分析時服務重啓了。有了檢查點,任務可以從“分析”這一步繼續,已經抓取的資料不必重抓。

存儲介質決定了檢查點能否撐過重啓。內存型實現適合開發測試,進程重啓後狀態就會丟失;本地持久化可以用 SQLite,長期部署的服務更適合 PostgreSQL。檢查點會持續增長,生產系統還要制定舊狀態的清理策略。

3.2 Store:記住項目背景

Store 保存跨任務、跨會話的長期資料,例如用戶偏好、項目背景、歷史決策和多個任務共享的知識。在示例中,“報告讀者是產品團隊”“只跟蹤 API 價格和功能更新”“上月已決定不再跟蹤某家停更的競品”都屬於 Store 的內容。下個月新建報告任務時,它會讀取這些決策,用戶無需重新交代。

3.3 Checkpointer 與 Store 職責對比

維度 Checkpointer Store
作用範圍 單個任務線程 多任務、跨線程
保存內容 執行狀態快照 長期資料與事實
核心價值 中斷後恢復工作 新任務延續項目背景
示例內容 “已抓取 6 家價格頁,下一步分析” “報告讀者是產品團隊”
生命週期 跟隨任務狀態,完成後可清理 按長期記憶策略保留和更新

兩者分工明確,缺一不可。只有 Checkpointer,每個新任務都像新員工入職;只有 Store,任務一中斷就要從頭再來。

dots-multi-task-scheduling-long-term-memory-zh-hant-image-1

上圖中的“讀取背景—寫入快照—回寫決策”循環,可以直接映射到第 6 節的代碼。示例代碼通過 API易 apiyi.com 的 OpenAI 兼容接口調用模型,換模型時只需修改模型名。


4 多項目任務管理系統設計:Workspace、Project、Task、Run

4.1 四層結構與獨立 ID

自建多項目 Agent 建議採用四層結構,每一層都有獨立 ID:

層級 作用 示例
Workspace 管理一個用戶的工作空間和權限 regulus
Project 管理獨立項目的目標與資料 AI Radar、Website、Research
Task 管理具體任務 Daily News、Monthly Report
Run 記錄某次實際執行 Daily News 在 2026-11-16 09:00 的執行

對應的樹形結構如下:

Workspace: regulus
├── Project: AI Radar
│   ├── Task: Daily News
│   │   ├── Run: 2026-11-16
│   │   └── Run: 2026-11-17
│   └── Task: Topic Discovery
├── Project: Website
│   ├── Task: UI Improvement
│   └── Task: Bug Fix
└── Project: Research
    ├── Task: Competitor Analysis
    └── Task: Monthly Report

Task 和 Run 分開記錄是關鍵。Daily News 每天運行一次,每次 Run 都有自己的輸入、輸出、耗時和狀態,出了問題可以精確定位到某一天的某一次執行。

4.2 記憶訪問範圍與項目隔離

一個 Agent 管理多個項目時,各項目的文件默認不能互相讀取。建議按層級劃分記憶的訪問範圍:

  • 用戶通用偏好(如報告用中文、結論先行):所有授權項目可讀;
  • 項目背景(如 Research 的讀者和跟蹤範圍):僅該項目的任務可讀;
  • 單次任務記錄:僅當前任務和明確授權的關聯任務可讀;
  • 企業客戶資料:僅指定客戶項目可讀;
  • 敏感憑證:放在獨立的安全存儲中,永遠不進入模型上下文。

跨項目共享資料時,要記錄來源和授權範圍。這與 Dots 的做法一致:官方說明 Dot 的上下文不保留憑證、圖片和截圖,權限邊界由插件授權和 Custom Rules 共同控制。


5 多任務調度:如何讓任務並行又互不干擾

5.1 調度器與 Agent 推理分離

建議把“什麼時候做”和“怎麼做”交給兩個組件。調度器負責啓動時機、項目選擇、當前運行數、優先級、超時和重試;Agent 負責理解任務、制定步驟、選擇工具、分析結果和提交成果。這樣,調度規則可以確定性地執行,模型只處理需要推理的部分。

技術選型可以參考這套組合:APScheduler 管理週期性任務,Celery 做後臺任務隊列,Redis 負責消息和短期協調,PostgreSQL 保存項目與執行狀態,LangGraph 這類框架管理 Agent 流程與持久化狀態。小規模原型用 Python 的 asyncio 加 SQLite 也能跑通,第 6 節的代碼就是這樣設計的。

5.2 三種並行方式

多任務 Agent 至少有三種並行:

  1. 獨立任務並行:AI Radar 的每日新聞和 Research 的月度報告互不依賴,可以同時運行;
  2. 子任務並行:一個項目拆成資料收集、事實覈查等子任務分頭進行;
  3. 模型角色並行:不同模型負責不同專業工作,最後彙總。

決定能否並行的約束包括 API 併發額度、服務器資源、任務依賴、數據庫寫入競爭、模型成本、結果衝突和重複執行。

5.3 示例:資料收集、數據分析、報告生成

Research 項目的月度報告拆成三個子任務。資料收集可以和 AI Radar 的每日新聞並行;數據分析依賴資料收集的結果,必須等它完成;報告生成依賴分析結論,完成後進入等待審批狀態,由用戶確認後纔算交付。

dots-multi-task-scheduling-long-term-memory-zh-hant-image-2

把三個子任務一起啓動看起來更快,數據分析卻會因爲拿不到資料而產生空結論,甚至自行編造數據。依賴關係決定了哪些任務必須串行,併發上限決定了能同時跑多少個,兩者都應寫進調度器,交給模型臨場判斷很容易出錯。

5.4 模型角色分工

子任務 推薦模型類型 選擇理由 可用平臺
資料收集與摘要 輕量快速模型 調用量大,對成本敏感 API易 apiyi.com、官方 API
數據分析 推理能力強的模型 需要多步比較和計算 API易 apiyi.com、官方 API
報告生成 長文寫作能力強的模型 結構與表達質量要求高 API易 apiyi.com、官方 API
事實覈查 與寫作模型不同的模型 交叉驗證,減少同源錯誤 API易 apiyi.com、官方 API

具體模型以平臺當前的模型列表爲準。一個 Key 對接多家模型時,角色分工可以通過配置調整,代碼結構無需改動。


6 快速上手:用統一接口搭建多任務 Agent 原型

6.1 極簡示例:給任務注入項目背景

下面的代碼演示最核心的一點:任務執行前,從長期記憶中只取出所屬項目的背景。

from openai import OpenAI

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

# Store:按項目隔離的長期背景
project_memory = {
    "research": "讀者:產品團隊;只跟蹤 API 價格與功能更新;報告結論先行",
    "ai-radar": "每日 09:00 彙總 OpenAI、Anthropic、Google 官方動態",
}

def run_task(project_id: str, goal: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-4.1-mini",
        messages=[
            {"role": "system", "content": f"項目背景:{project_memory[project_id]}"},
            {"role": "user", "content": goal},
        ],
    )
    return resp.choices[0].message.content

print(run_task("research", "列出本月需要關注的競品更新清單"))

6.2 完整設計方案:狀態機、檢查點、依賴與併發

以下代碼是一個設計方案,覆蓋 Store、Checkpoint、狀態機、依賴調度、併發限制、重試、超時和執行記錄,用於說明各組件如何協作。它沒有經過生產環境驗證,文中也不提供虛構的運行結果。

查看完整設計方案代碼
import asyncio, json, sqlite3, time, uuid
from dataclasses import dataclass, field
from enum import Enum
from openai import AsyncOpenAI

client = AsyncOpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易統一接口,一個 Key 切換多家模型
)

class Status(str, Enum):
    PENDING = "pending"; RUNNING = "running"; WAITING = "waiting"
    APPROVAL = "approval"; COMPLETED = "completed"
    FAILED = "failed"; CANCELLED = "cancelled"; PAUSED = "paused"

db = sqlite3.connect("agent.db")
db.executescript("""
CREATE TABLE IF NOT EXISTS store(
  scope TEXT, key TEXT, value TEXT, source TEXT, PRIMARY KEY(scope, key));
CREATE TABLE IF NOT EXISTS checkpoint(
  run_id TEXT, task_id TEXT, step TEXT, state TEXT, ts REAL);
CREATE TABLE IF NOT EXISTS runs(
  run_id TEXT PRIMARY KEY, workspace_id TEXT, project_id TEXT, task_id TEXT,
  model_id TEXT, input_tokens INT, output_tokens INT,
  duration REAL, retry_count INT, final_status TEXT);
""")

def store_get(scopes: list[str]) -> str:
    """只讀取被授權的作用域:user 與 project:<id>"""
    marks = ",".join("?" * len(scopes))
    rows = db.execute(f"SELECT key, value FROM store WHERE scope IN ({marks})", scopes)
    return "\n".join(f"- {k}: {v}" for k, v in rows)

def save_checkpoint(run_id, task_id, step, state):
    db.execute("INSERT INTO checkpoint VALUES (?,?,?,?,?)",
               (run_id, task_id, step, json.dumps(state, ensure_ascii=False), time.time()))
    db.commit()

def log_run(run_id, task, usage, duration, retries, status):
    db.execute("INSERT OR REPLACE INTO runs VALUES (?,?,?,?,?,?,?,?,?,?)",
               (run_id, "regulus", task.project_id, task.task_id, task.model,
                getattr(usage, "prompt_tokens", 0), getattr(usage, "completion_tokens", 0),
                duration, retries, status.value))
    db.commit()

@dataclass
class Task:
    task_id: str
    project_id: str
    goal: str
    model: str
    depends_on: list[str] = field(default_factory=list)
    needs_approval: bool = False

async def run_task(task: Task, done: dict, sem: asyncio.Semaphore,
                   max_retry: int = 2, timeout: int = 120):
    run_id = f"run-{uuid.uuid4().hex[:8]}"
    background = store_get(["user", f"project:{task.project_id}"])
    upstream = "\n\n".join(done[d] for d in task.depends_on)
    messages = [
        {"role": "system", "content": f"長期背景:\n{background}"},
        {"role": "user", "content": f"{task.goal}\n\n上游結果:\n{upstream or '無'}"},
    ]
    async with sem:  # 併發限制
        for attempt in range(max_retry + 1):
            start = time.time()
            save_checkpoint(run_id, task.task_id, f"attempt-{attempt}", messages)
            try:
                resp = await asyncio.wait_for(
                    client.chat.completions.create(model=task.model, messages=messages),
                    timeout)
                output = resp.choices[0].message.content
                status = Status.APPROVAL if task.needs_approval else Status.COMPLETED
                log_run(run_id, task, resp.usage, time.time() - start, attempt, status)
                save_checkpoint(run_id, task.task_id, status.value, {"output": output})
                if status == Status.COMPLETED:
                    done[task.task_id] = output
                return
            except Exception as e:  # 超時或接口錯誤:指數退避後重試
                save_checkpoint(run_id, task.task_id, "error", {"error": str(e)})
                await asyncio.sleep(2 ** attempt)
        log_run(run_id, task, None, 0, max_retry, Status.FAILED)

async def schedule(tasks: list[Task], max_concurrency: int = 2) -> dict:
    sem = asyncio.Semaphore(max_concurrency)
    done: dict[str, str] = {}
    pending = {t.task_id: t for t in tasks}
    while pending:
        ready = [t for t in pending.values() if all(d in done for d in t.depends_on)]
        if not ready:  # 前置任務失敗、待審批或存在循環依賴
            print("阻塞任務:", list(pending))
            break
        await asyncio.gather(*(run_task(t, done, sem) for t in ready))
        for t in ready:
            pending.pop(t.task_id)
    return done

tasks = [
    Task("daily-news", "ai-radar", "彙總今日 AI 官方動態", "gpt-4.1-mini"),
    Task("collect", "research", "收集本月競品 API 價格與功能變更", "gpt-4.1-mini"),
    Task("analyze", "research", "對比變更並歸納趨勢", "gpt-4.1", depends_on=["collect"]),
    Task("report", "research", "生成月度競品報告", "gpt-4.1",
         depends_on=["analyze"], needs_approval=True),
]
asyncio.run(schedule(tasks))

代碼裏有幾處對應前文的設計。store_get 只讀取 user 和當前項目作用域,實現項目隔離;checkpoint 表按 run 記錄每一步,配合 runs 表記錄 Token 與最終狀態;schedule 用依賴關係決定串行,用信號量限制併發。真實系統還需要補上工具調用、審批迴調和恢復入口。

🚀 快速開始:搭建原型階段,推薦通過 API易 apiyi.com 獲取免費測試額度,用同一個 Key 分別給收集、分析、寫作三個角色配置不同模型,對比效果和成本後再確定分工。


7 多任務 Agent 如何處理中斷、失敗和人工審批

7.1 任務狀態機

任務進度應當由明確的狀態記錄,模型在聊天裏描述的進度只能作參考。推薦的主流程是 Pending(待執行)→ Running(執行中)→ Waiting(等待外部條件)或 Approval(等待審批)→ Completed(完成),另設 Failed、Cancelled、Paused 三個終止或暫停狀態。每次狀態轉換都寫入數據庫,調度器只依據數據庫裏的狀態做決策。

7.2 重試、超時與暫停恢復

  • 重試:接口錯誤或超時後指數退避重試,並記錄 retry_count,便於發現經常失敗的步驟;
  • 超時:每個 Run 設置執行時限,超時轉爲 Failed 並告警,防止一個卡死的任務長期佔用併發名額;
  • 暫停恢復:暫停時保存檢查點,恢復時從最後一個檢查點繼續,已經完成的工具調用無需重複執行;
  • 冪等性:發郵件、寫數據庫這類有副作用的步驟,重試前先檢查是否已執行,避免重複操作。

Dots 的官方資料裏有一個相關細節:停止正在運行的任務和取消已創建的週期計劃是兩件事,暫停 Dot 時,獨立的 Work、Codex 和計劃任務也可能繼續運行。自建系統應把“停止本次 Run”“暫停 Task”“取消週期計劃”設計成三個獨立操作。

7.3 人工審批:參考 Dots 的 Custom Rules

Dots 用 Custom Rules 把行爲分成四檔:無需詢問直接執行、預先授權後執行、執行前詢問、交還用戶。修改密碼、轉移資金等操作必須由用戶接管,永久刪除數據、安裝軟件可能要求每次批准。用戶批准也無法覆蓋核心安全限制。

自建系統可以照此給工具打標籤。只讀檢索直接執行;起草報告完成後進入 Approval;對外發送、付款、刪除一律交給人。示例中的報告任務設置了 needs_approval=True,生成後停在審批狀態,用戶確認後才寫入 Completed。


8 多任務 Agent 的執行追蹤:Tracing 與日誌

多項目並行時,用戶最常問的問題是“它到底做了什麼”。OpenAI Agents SDK 的 Tracing 可以記錄調用了哪個 Agent、使用了哪個模型、發生了哪些工具調用、哪裏進行了 handoff、觸發了哪些安全檢查,以及任務最終如何結束。

Tracing 擅長還原單次執行過程,項目級的統計還需要業務日誌補充。建議每個 Run 至少記錄 project_id、task_id、run_id、model_id、input_tokens、output_tokens、tool_calls、duration、retry_count 和 final_status。有了這些字段,就能回答“Research 項目本月花了多少 Token”“哪個步驟重試最多”“哪個模型的分析任務最常超時”這類管理問題。第 6 節的 runs 表就是這套字段的最小實現。


9 多任務 Agent 的成本和管理邊界

9.1 Dots 的費用結構

截至 2026 年 11 月 16 日,個人用戶可通過 ChatGPT Pro 100、Pro 200、Pro 500 三檔訂閱使用 Dots,月費分別爲 100、200、500 美元。官方沒有在個人 Pro 的 Dots 說明中列出單獨的 Dot 月費。Dot 委派出去的 ChatGPT Work 或 Codex 任務按對應產品的額度和規則計算,消耗取決於模型、上下文、推理、工具調用和檢索。個人 Pro 的使用還有年齡(18 歲以上)和地區限制,不包括歐洲經濟區、英國和瑞士。

企業工作區的計費方式不同。現行官方文檔說明,符合條件的企業工作區可以選擇按工作類型的固定費率,或者按用量計費;預覽期免費,2026 年 11 月 18 日起對已啓用的 Dots 開始計費;委派到 Work 或 Codex 的任務另行收費。具體金額以工作區實際適用的報價爲準。

9.2 自建系統的成本來源

自建多任務 Agent 的成本主要來自四處:

  • 重複讀取上下文:每個任務都注入項目背景,背景越長,每次調用的輸入 Token 越多,Store 裏的內容需要定期精簡;
  • 重試與失敗:一次失敗的分析任務會把上游資料重新送入模型一遍;
  • 模型選擇:所有子任務都用最強模型,成本會成倍上升;
  • 併發額度:API 的速率限制決定了實際可用的並行數。

9.3 並行數量與有效工作量

並行數量和有效工作量是兩回事。依賴未滿足的任務提前啓動只會產出廢結果,相互衝突的結論要花人工去合併,一個項目的錯誤數據經共享記憶傳到另一個項目,返工成本會更高。合理的做法是先保證項目隔離和依賴正確,再根據監控數據逐步調高併發上限。


10 常見問題 FAQ

Q1:Dots 的多任務調度是什麼?

一個 Dot 同時維護多個責任事項。用戶可以切換任務、調整優先級,Dot 把複雜工作拆給後臺 Agent 並行處理,彙總結果後在需要決策時交還用戶。

Q2:Dots 的長期記憶會記住所有歷史對話嗎?

不會全部載入。新任務有自己的對話上下文,Dot 依靠 ChatGPT Memory、自身筆記、當前任務上下文和已連接應用的數據工作,需要時再檢索過去的對話。

Q3:Checkpointer 和 Store 能互相替代嗎?

兩者職責不同。Checkpointer 保存單個任務的執行快照,用於中斷恢復;Store 保存跨任務的項目背景和決策,用於讓新任務延續上下文。長期項目兩者都需要。

Q4:Dots 能同時並行多少個任務?

官方資料沒有公佈固定的併發數。Dots 支持並行,執行環境和使用額度都有邊界。Reddit 用戶自述觀察到三個執行過程同時運行,這只是個人測試結果。

Q5:自建多項目 Agent 如何快速調用多種模型?

可以使用 OpenAI 兼容的聚合接口。在 API易 apiyi.com 註冊獲取 API Key 和免費測試額度後,把本文代碼的 base_url 設爲 `https://api.apiyi.com/v1`,即可用同一套代碼給不同子任務配置 GPT、Claude、Gemini 等模型。

Q6:如何控制多任務 Agent 的模型成本?

按角色分配模型:資料收集用輕量模型,分析和寫作再用強模型;精簡 Store 中的項目背景;用 runs 表統計每個項目的 Token。通過 API易 apiyi.com 按量計費調用,便於先小規模測試再決定配額。

Q7:Dots 和自建系統在安全上要注意什麼?

Agent 可能誤解任務、誤判資料或遭遇 Prompt Injection,官方也表示現有防護措施無法消除全部風險。涉及賬戶、資金、對外發送的操作應設置人工審批,敏感憑證不進入模型上下文。


11 Dots 多任務調度與長期記憶 Key Takeaways

  • 核心難點:多任務 Agent 的關鍵在獨立上下文、持久狀態、調度與恢復。
  • Dots 機制:一個 Dot 協調多個事項,後臺 Agent 並行執行,新任務上下文相互獨立。
  • 兩種記憶:Checkpointer 負責恢復執行,Store 負責延續項目背景。
  • 四層結構:Workspace、Project、Task、Run 各有獨立 ID,項目之間互相隔離。
  • 調度原則:依賴決定串行,併發上限決定規模,規則寫進調度器。
  • 可追蹤性:每個 Run 記錄模型、Token、耗時、重試次數和最終狀態。
  • 上手方式:通過 API易 apiyi.com 統一接口給不同子任務配置不同模型。

12 總結

Dots 展示了個人 Agent 管理多個長期項目的產品形態:常駐運行,任務上下文相互獨立,記憶分層保存,後臺 Agent 並行執行,高風險操作交還用戶。它的多項目能力建立在狀態管理之上,單純增加並行數量做不到這一點。

自建類似系統時,可以按本文的順序落地:先用四層結構和作用域劃分實現項目隔離,再用 Store 與 Checkpointer 分別解決“記得背景”和“能夠恢復”,然後用調度器管理依賴與併發,最後用狀態機、審批和執行日誌讓每一步可控、可查。原型階段推薦通過 API易 apiyi.com 快速驗證不同模型在各個角色上的效果,再根據日誌數據調整分工和併發。


參考資料

  1. OpenAI:Introducing dots:產品發佈公告
  2. 鏈接: openai.com/index/introducing-dots
  3. 說明: 產品定位、雲端計算機與多項目執行
  4. ChatGPT Learn:Tasks and memory:Dots 任務與記憶文檔
  5. 鏈接: learn.chatgpt.com/docs/dots/tasks-and-memory
  6. 說明: 後臺 Agent、任務獨立上下文、主動研究
  7. OpenAI Help Center:Dots privacy, security, and safety FAQs:隱私與安全說明
  8. 鏈接: help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs
  9. 說明: 權限、審批、記憶刪除與數據保留
  10. ChatGPT Learn:Dots admin guide:企業版管理與計費
  11. 鏈接: learn.chatgpt.com/docs/enterprise/dots-admin-guide
  12. 說明: 企業工作區計費方式與開始計費日期
  13. About ChatGPT Pro tiers:Pro 訂閱檔位說明
  14. 鏈接: help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers
  15. 說明: Pro 100、200、500 的價格與額度規則
  16. LangGraph Persistence 文檔:Checkpointer 與 Store
  17. 鏈接: github.com/langchain-ai/docs/blob/main/src/oss/langgraph/persistence.mdx
  18. 說明: 短期執行狀態與長期記憶的劃分
  19. OpenAI Agents SDK:Tracing 與工作流
  20. 鏈接: developers.openai.com/api/docs/guides/agents/sdk
  21. 說明: Agent 執行過程的追蹤與調試

作者:APIYI 技術團隊
技術交流:歡迎在 API易 apiyi.com 首頁聯繫我們,更多接入資料可訪問 docs.apiyi.com 文檔中心

發佈留言