Operator - OpenAI推出的AI智能体，能推理、联网自主执行任务

发布于 2025-01-24 · Operator是OpenAI推出的首款AI智能体。能像人类一样操作网页浏览器的AI工具，可以自动完成各种在线任务，如预订餐厅、购买机票、填写表单等。Operator基于Computer-Using Agent（CUA）的新模型驱动，模型结合了GPT-4o的视觉能力和强化学习的高级推理能力。

Operator是什么

Operator 是 OpenAI 推出的首款 AI 智能体，本质是一个会像人一样操作浏览器的工具，预订餐厅、买机票、填表单这类在线任务可以自动做完。它背后是 Computer-Using Agent（CUA）这个新模型，模型结合了GPT-4o的视觉能力和强化学习带来的推理能力。它靠屏幕截图“看”网页，再用虚拟鼠标和键盘去操作。Operator 目前还在研究预览阶段，只对美国地区的 ChatGPT Pro 用户开放。之后 OpenAI 打算放开给更多用户，也会把它集成进 ChatGPT。

Operator的主要功能

自动化任务执行：预订餐厅、买机票、在线购物、填表单这些在线任务，它都能自己做完。
多任务处理：多个任务可以同时跑，比如一边在旅行网站下单，一边在别的站点买东西。
个性化设置：偏好可以设（比如首选哪家航空公司），常用任务也能存下来，下次直接执行。
自我纠错与推理能力：卡住了它会推理着调整，实在解决不了就把控制权交回给用户。
安全与隐私保护：碰到登录、支付这类敏感环节，它会请用户接手，高风险任务直接拒绝。

Operator的技术原理

Computer-Using Agent (CUA)模型：模型把 GPT-4o 的视觉识别能力和强化学习练出来的推理能力放在一起。图形用户界面（GUI）它看得懂也能操作，用起来和人点网页差不多。
- 感知（Perception）：屏幕截图就是它的眼睛，当前界面有什么信息都从图里读。GPT-4o 的视觉能力负责分析截图，认出按钮、菜单、文本框这些元素。
- 推理（Reasoning）：靠强化学习得来的推理能力规划下一步。它有个“内心独白”机制，边评估观察结果边跟踪中间步骤，情况变了就调整。
- 行动（Action）：点击、滚动、输入这些动作由它执行，任务做完或者需要用户自己填东西时停下来。
视觉能力：网页内容靠截图“看”，GUI 元素自己识别、自己理解，不用依赖特定系统，也不用等网站提供 API。
强化学习：强化学习给了它推理能力，也会自我纠错：遇到难题或者自己犯了错，就基于推理调回来。
自我纠错与学习：执行中出了错，它能发现错在哪，要么重试，要么请用户确认，把错误纠正过来。

如何使用Operator

访问平台：打开 Operator 官网 https://operator.chatgpt.com/。
明确需求：动手之前先想清楚要它做什么，订餐厅、买东西或者填表都行。
简单描述任务：在界面里把任务说清楚，短一点没关系，比如“预订XX餐厅今晚19点的桌子”。
监控任务进程：任务由它自己跑，但登录、支付、验证码这些敏感操作会喊你接手。
反馈与调整：任务做完回头看过程，哪里不顺就反馈，它的效率会慢慢好起来。

Operator的安全机制

用户控制优先：用户在浏览器里要输敏感信息时，Operator 会请用户接管。
- 接管模式：用户在浏览器里要输敏感信息（比如登录凭据、支付信息）时，Operator 会请用户接管。接管期间，它不会收集或截屏用户输入的内容。
- 用户确认：提交订单、发送邮件这类重要操作，做之前都要用户点头。
- 任务限制：有些敏感任务它直接拒，比如银行交易，或者需要承担高风险决策的事（比如替人决定要不要申请某个职位）。
- 监视模式：在邮箱、金融服务这类特别敏感的网站上，用户得盯着它操作，有潜在错误能第一时间发现。
数据隐私管理：用户可以退出模型训练，浏览数据和历史对话一键删掉，所有网站的登录也能一起注销。
抵御恶意网站：OpenAI 做了一套防御机制，防止恶意网站用隐藏提示、恶意代码或者钓鱼页面把 Operator 带偏，提示注入这类手段会被检测并忽略。专门的“监控模型”盯着可疑行为，一出异常就暂停任务。新威胁靠自动化和人工审核两条线持续识别，安全措施更新得也快。

Operator的性能表现

基准测试：
- WebArena 测试里，CUA 的成功率是 58.1%。
- WebVoyager 测试里，真实网站导航的成功率是 87%。
- OSWorld 测试里，CUA 成功率 38.1%，人类水平是 72.4%。
任务成功率：
- 基础网页操作和重复性任务，比如搜索筛选、建购物清单、建音乐播放列表，成功率能到 10/10。
- 在电商网站搜商品也有 9/10。
- 复杂的房产搜索这类任务，成功率掉到 3/10。