Dots负责人谈Personal Agents：如何用前沿模型打造可长期托付的个人助手

9 月 29 日，OpenAI 在 DevDay 推出的持续运行个人助手 Dots，要接的正是这类跨天任务。在它之前，Muse、Grok Bot、Manus Cue、Instinct 已相继进入 Personal Agents 赛道。

Sources 主持人 Alex Heath 在 OpenAI DevDay 期间采访了 Dots 产品负责人 Alexander Embiricos，围绕产品形态、技术基础、安全取舍及 ChatGPT 的未来展开讨论。Alexander 曾任协作工具创业公司 Multi 的 CEO，在 Multi 被 OpenAI 收购后加入团队，主要参与了 ChatGPT 桌面应用及上下文助手相关工作。

Alexander 认为，执行型 Agent 虽然能力很强，却仍需要用户不断委派和推进，从被动式智能到主动式智能是必然趋势。 Dots 要让用户交付一个长期目标，改由Personal Agents主动、持续跟进。访谈中提到的关于形态、交互、安全和定价的取舍，都在尝试回答同一个问题：

怎样利用模型强大的执行能力打造出用户愿意长期委托的助手。

Key Insights

• 持续性可以先于更大的自主权。 助手持续发现问题、提出建议，也能在有限行动权限下减少用户的跟进负担。
• 独立身份让用户意识到可以交出跨天任务。 云端计算机解决在哪里执行，名字和身份让普通用户把它当作可以委托跨天任务的助手，而不只是下一条即时指令的执行者。
• 交付物从一次回复变成持续维护的页面。 消息只承载意图和反馈，Space 里的清单、实时图表和原型由助手按指令持续更新。
• 用户习惯不能替代行动授权。 助手预测用户会怎样做，仍需检查当前指令是否允许它这样执行。
• 长期委托要把随时回应、工作量和完成时间拆成三种承诺。 基础订阅费保证助手全天候随时回应，整体额度决定它能做多少工作，同时需要说清楚已委托的任务何时能完成。

一、主动智能：为什么执行型 Agent 还不够？

Alexander 把产品演进分为 Chat、编码及知识工作 Agent，以及 OpenAI 所称的 Active Intelligence（主动智能）。

Chat 让模型能力通过对话变得可用，执行型 Agent 开始替用户做事，下一步要减少用户为了让 AI 有用而投入的精力和时间。

用任务的变化来解释一下。比如，修改一段代码有明确的开始和结束，而跟进一个 PR，需要等待测试、审查或其他变化，结束的时间是不确定的。要想及时感知到反馈信息，则要求个人助手在所有的新信息出现后判断是否值得处理。

这类任务的难点在于 ”及时性“：对于一些异步或者需要长时间才有反馈的外部变化何时出现，是无法提前预知的。个人助手要在几小时甚至几天后收到反馈时能够接着往下做，因此这类场景单靠一次连续计算完成不了。

可以把 Dots 涉及的能力拆成三层：跨时间跟进目标的持续性、发现问题或提出建议的主动性，以及在授权范围内执行行动的自主性。 Dots可以持续研究、及时提醒，同时将改会议、发邮件等行动留待用户批准。增加主动性，并不必然要求扩大行动权限。

为什么最近开始这种很多年前大家就在尝试的个人助手又开始火起来了？除了基础模型能力足够强以外，更重要的是团队使用 Agent 的条件也逐步成熟。比如，很多团队刚开始使用Coding Agent 时，只是代码生成本身，工具没有接好，上下文也不充分，但长期使用之后，连接、经验和工作习惯都逐步建立，现在开始从代码生成单点到整个软件SDLC，开始去构建自己的Software Factory了。

执行型 Agent 解决的是“怎么做”，但发现任务、判断时机和持续跟进这些责任还压在用户身上，对非连续的长里程跨天任务恰恰卡在这里。主动智能要解决这部分问题，而且可以先靠持续性和主动性做起来，不必同步扩大行动权限。

二、产品形成：为什么选择云端计算机与独立身份？

Alexander 早期曾在桌面应用中探索上下文助手：截取用户正在使用的应用，理解上下文并开展工作。当时的方案很慢，效果也不理想。

随后，Coding Agent 的进展提供了另一条路径：团队积累了工具连接和把 Agent 放到云端运行的基础。当模型更擅长编码之后，也能用代码辅助控制浏览器，减少完全依赖截图与点击的操作。

这条路径由几个环节组成：模型选择动作，连接器提供工具和数据，运行框架（harness）组织模型与工具的执行，云端计算机提供独立于用户当前桌面的工作环境。发布会上明确指出Dots 使用了 Codex 的运行框架，并针对长时间运行、子 Agent 委派等行为进行了改进。

执行环境解决了在哪里做，还要让用户知道可以交给它什么，这点是很多产品设计容易忽视的，用户根本不知道如何用好产品。

为了解决这个问题，Dots团队为助手赋予名字和独立身份，让用户能从 Slack 等渠道联系它，而不只是在 Codex 线程里使用这项能力，其实就跟给QoderWake这样的数字员工身份，名字和职责一样。这种身份更容易让用户想到交付跨天、等待变化的任务。

云端电脑让Dots拥有不依附用户电脑、可以跨天运行的执行环境，解决长任务能否持续做下去；独立身份让用户把它当作可以交代事情的助手，解决用户会不会想到交出跨天任务。两者缺一不可，代价是产品定位更难讲清。

三、交互设计：统一上下文、消息与 Space 如何配合？

Alexander 自己使用Dots的典型场景是：通勤时与 Dot 通话，工作中在 Slack 的不同线程里@它，有时转发私信，也会回到应用内交流。各个入口承接同一个助手的对话上下文，就像线下交谈后再发消息，不需要先把此前的对话贴进短信。

统一上下文也意味着，一个人通常只需要一个助手，高级用户才会创建多个。

上下文连贯之后，下一个问题是内容放在哪里。消息界面有明确约束，比如Dot连续发来几十条建议，一看消息数量和小红点就很烦了。若把建议整理成 Space 页面上的清单，体验就不同了。产品选择用消息承接日常沟通，把长内容放进协作页面。

Space 被设计为人与 Agent 共同工作的空间。Alexander 过去写文档时，需要切到 Slack，把文档链接发给同事，请对方补充内容。Space 把这些协作动作留在页面里：用户可以直接点名 Dot 补内容、拉数据、询问同事进度，并在事项完成后更新清单。

页面还能设置 Agent 指令，让助手继续维护内容。OpenAI 内部的一个使用案例是，讨论指标时使用Dot持续更新、可按需调整的图表，讨论设计时也能把可点击原型放进页面。HTML 和 CSS 不便于人手工编写，却适合 Agent 生成，使页面能承载普通文档之外的交互。

统一上下文、消息与Space三者各管一层：统一上下文保证用户从任何入口都在与同一个Dot接续工作；消息只承载意图和反馈，保持轻量；Space 承载需要持续维护的成果。Dot的交付由此从一次回复，变成一个会继续更新的工作对象。

四、能力与可信度：为什么先采用保守的行动边界？

OpenAI将能力与可信度作为 Dots 的两个产品目标。

用户交付的任务越难，Dot承担的责任越大，因此在模型选择、功能和推出范围上都先采取了保守策略。优先面向较熟悉 AI 的 Pro、Business Premium 及企业用户推出，先观察使用反馈、调整产品，再扩大覆盖。

保守首先体现在模型层。Dots 使用 GPT-6 Astra模型，能力强、对齐表现好。在 Codex 运行框架中加入持续运行和子 Agent 委派后，Dot团队还重新做了安全评估，包括通过邮件向助手注入恶意指令、尝试窃取数据。

产品层也要规定行动边界。比如，后台主动研究通过已连接应用的只读工具进行，不能发送消息、修改应用内容或操作浏览器与计算机。实际执行受内置规则、自定义规则和安全要求约束。Slack 中默认只回应用户点名，除非用户明确允许回应其他人。尽管Dot掌握了个人上下文，但不代表第三方可以随意询问。

规则还需要执行检查。auto-review 使用另一模型，核对可能影响账户或分享信息的行动是否符合指令和规则，运动员和裁判分开；活动记录让用户查看任务及子 Agent 的工作，并进行干预。

控制过严或过松都会出问题。过严会出现过多用户确认，过松的会在用户不知情的时候擅自决策并行动，Dot可能会自作聪明地把用户过去的操作习惯用于当下的执行决定。

委托越多越深入，越权的后果越严重。Dot对用户的了解再充分，也只能用来预测，不能用来授权。Dots 先在模型、规则和执行检查三层收紧边界，再通过减少不必要的确认找回委托价值。用户习惯不能替代行动授权，过度确认也会让委托失去意义，边界要在两者之间平衡。

五、持续服务：为什么定价与生态策略也要改变？

Alexander 用一个航班跟进的案例解释了用户对于此类产品新的服务预期。

比如，用户让Dot根据交通情况安排去机场，却可能因为前一天写代码耗尽了额度，到了关键时刻无法提供服务。用户已经把未来事项交出去，此时中断，代价远高于一次聊天被限流。

因此，产品决策上，把随时回应与实际工作量分开设计。Dot 应当全天候在线，用户任何时候发消息都能很快得到回复；它能做多少工作，则取决于用户付了多少钱。

用中介来类比一下，响应及时的中介总会回你消息，但做多少事儿要看报酬。目前的产品现状是，与 Dot 对话不占 ChatGPT 使用额度，而深度工作则单独计算额度。

拆分背后是成本。Dots 默认使用 GPT-6 Astra，用固定订阅支撑一个全天候在线的前沿模型，耗费算力的深度工作就必须单独计入额度。

未来肯定是，付多少钱办多少事儿。更高付费，可以换来更强的模型、更好的计算机、更快的执行或更多并行任务。当接近额度上限时，Dot会与用户协商改用更便宜的模型，或把非紧急任务延后到夜间。降级和延后都会改变交付时间，Dot需要事先说明它们对已委托工作的影响。

随时回应、可以执行多少工作、能否按时完成，是三种不同的承诺。

收费方式背后还有商业模式的考虑。被问到为什么不抽取交易佣金时，Alexander认为Dots 押注的是帮助用户完成有挑战的任务，这些工作未必涉及交易。

这种定位也决定了生态策略：围绕完成任务的工具与服务更容易形成一致利益，因此团队优先切入工作场景，而在网站访问、购物和支付上采取合作优先，比如与 Cloudflare 推进 Web Bot Auth，让 Agent 明确声明身份。

持续服务意味着，用户买的是一段时间里可靠的服务，因此 Dots 把随时回应、工作量和完成时间拆开设计。Dots押注的是帮用户完成工作，收入来自订阅，生态上也就选择与网站合作、让 Agent 表明身份。这个产品选择，与Instinct有着本质的不同。

六、产品走向：Dots 与 ChatGPT、个人与专职 Agent 如何共存？

ChatGPT 是面向所有人的消费级助手，周活用户超过 12 亿。Codex 和 Work 两款 Agent 产品合计 3500 万用户，Work 未来也会并入 Chat。

Dots 则在重复 Codex 的路径：先以较独立的高端产品谨慎推出前沿能力，再逐步把经验与能力带回 ChatGPT。Alexander希望升级既有体验，不要求大量用户立即改变使用方式。扩大套餐覆盖、进入更多沟通渠道，以及与其他人乃至其他 Dots 交流，都是需要谨慎推进的方向。

组织职责是另一条扩展路径。个人 Assistant Dots 是用户的延伸，Specialist Dots 则负责组织的特定职能或流程，有独立身份，由 IT 集中管理，我理解就是可以进入企业生产的数字员工。两者的管理主体和权限来源不同，Specialist Dots 并非个人助手的升级版，目前还在少量企业客户中试点。

Dots 先在高端用户中验证能力和安全边界，再把经验逐步带回 12 亿用户的 ChatGPT。个人Dots与专职Dot 是并行关系：个人助手是用户的延伸，权限来自用户本人；专职 Dots 承担组织职能，权限来自组织和 IT，两者沿各自的管理体系扩展。我认为，未来更大的市场空间一定是在Specialist Dots.

JOTO 企业落地观察

• Personal Agent 的「持续性」设计对企业部署具有直接启示：企业级智能体无需一步到位追求全自主，可优先构建具备状态记忆、定时唤醒与跨系统轮询能力的轻量级长期运行实例，降低初期工程复杂度与安全风险。
• 将「随时回应」「工作量」「完成时间」三类承诺显式分离，为企业 RAG 知识工程中的服务 SLA 设计提供了新范式——知识检索响应延迟、推理调用配额、报告生成周期应作为独立可配置项纳入服务契约，而非捆绑为单一 API 调用次数。
• Dots 对「用户习惯不能替代行动授权」的坚持，凸显企业在构建内部 Agent 时必须建立运行时动态鉴权机制：即使某 Agent 已获某类数据读取权限，每次执行写操作前仍须触发基于当前上下文与指令的细粒度策略校验，不可依赖静态角色分配。
• 云端计算机+独立身份的组合，本质上是对企业 FDE（Field Deployment Engineer）驻场共创模式的延伸提示：当智能体需长期嵌入业务流，其运行环境、身份标识与权限生命周期必须与企业 IAM 体系对齐，而非仅依赖终端设备或会话级上下文。