OpenAI Dots：把 AI Agent 变成一个一直在线的“数字员工”

2026 年 9 月 29 日，OpenAI 在 DevDay 发布了 Dots。如果说传统 ChatGPT 更像一个“你叫它才工作”的 AI，那么 Dot 的定位则是一个可以长期在线、持续推进任务的个人 Agent。

OpenAI 对 Dots 的描述非常直接：它们是 always-on agents。用户可以给 Dot 一个目标，它拥有自己的云端电脑和浏览器，可以连接用户授权的应用，在后台持续执行任务，并在需要用户判断的时候回来询问。citeturn0search4turn0search5

1. Dot 和普通 ChatGPT 有什么区别？

最核心的区别是“持续性”。

普通聊天：

用户发消息
   ↓
模型回答
   ↓
对话结束

Dot：

用户给出目标
   ↓
Dot 理解目标
   ↓
自主规划
   ↓
执行任务
   ↓
等待/观察
   ↓
继续执行
   ↓
向用户汇报结果

也就是说，Dot 不再只是一次请求对应一次响应，而是拥有一个持续存在的工作上下文。

OpenAI 的官方帮助文档显示，Dot 可以执行研究、日历检查、提醒以及周期性任务，也可以主动检查已经连接的信息。用户还可以在 Desktop 上查看任务处于 In Progress、Scheduled 或 Completed 哪个阶段。citeturn0search4

2. Dot 背后最重要的东西不是模型，而是“电脑”

Dot 的一个关键设计是：每个 Dot 都拥有自己的 cloud computer。

这意味着 Agent 不只是调用几个 API，而是拥有一个相对完整的计算环境，包括浏览器和工具。

因此它可以完成类似：

搜索网页
 ↓
阅读资料
 ↓
打开文档
 ↓
分析数据
 ↓
修改文件
 ↓
运行代码
 ↓
汇总结果

这与 Codex、传统 Tool Calling 的区别在于，Dot 更强调“持续工作”。

它不是：

“帮我做一次代码修改。”

而更接近：

“持续关注这个项目，如果发现问题就分析原因并推进修复。”

OpenAI 目前甚至允许 Dot 创建 Codex cloud tasks，并使用云端 Codex 环境完成工作。citeturn0search4

3. Dot 开始拥有“身份”

另一个非常重要的变化，是 Dot 不再只是一个临时聊天上下文。

用户可以给 Dot 命名，并为它配置独立的角色、规则、权限和连接的应用。OpenAI 还提出了 specialist Dots 的方向，即让不同 Dot 专门负责不同类型的工作。citeturn0search6

例如，一个团队未来可能存在：

Research Dot
   ↓
负责信息检索与日报

Coding Dot
   ↓
负责代码修改与测试

Support Dot
   ↓
负责分析用户反馈

Data Dot
   ↓
负责数据分析与异常监控

这其实已经很接近一个“AI 员工团队”。

不同 Agent 有不同身份、工具、凭证和权限，再通过更高层的任务进行协作。

4. Always-on 带来了什么变化？

“Always-on”是 Dots 最值得关注的概念。

过去 Agent 的工作模式是：

人发现问题
 ↓
告诉 AI
 ↓
AI 解决

Always-on Agent 则可能变成：

AI 持续观察
 ↓
发现异常
 ↓
分析原因
 ↓
执行处理
 ↓
通知人

例如开发团队可以让一个 Dot 持续关注客户反馈。当发现某个 Bug 被大量用户报告时，它可以分析反馈、定位问题、修改代码，并把结果交给人审核。

对于数据团队，也可以让 Dot 定期检查数据任务。当发现指标异常时，自动查询上下游、分析日志、生成诊断报告，再决定是否需要进一步处理。

这种模式实际上和 AIOps、数据治理、自动化运维中的 Agent 非常契合。

5. 但 Always-on 最大的问题也是“自主性”

Agent 越自主，就越需要严格的权限控制。

如果一个普通聊天模型回答错了，通常只是信息错误；但如果 Dot 拥有邮件、文件、代码仓库甚至业务系统权限，那么错误的自主操作就可能产生真实影响。

因此 OpenAI 给 Dot 设计了多层控制。

用户可以针对不同动作设置：

直接执行
↓
预先批准后执行
↓
每次询问用户
↓
交给用户处理

同时，Dot 可以被暂停；用户也可以重置 Dot。官方文档还特别提醒，Dot 可能出错，因此重要结果仍需要人工检查。citeturn0search4

这说明 Agent 的核心问题正在从：

“模型能不能完成任务？”

逐渐变成：

“模型在什么权限下，可以自主完成什么任务？”

6. Dot 与 Muse：为什么两家公司同时走向同一个方向？

非常有意思的是，Meta 在 9 月推出 Muse 后，OpenAI 很快推出了 Dots。

两者虽然产品形态不同，但方向高度相似：

	Meta Muse	OpenAI Dots
核心定位	Personal AI Agent	Always-on Agent
工作方式	主动执行任务	持续执行任务
计算环境	Muse Secure VM	Cloud Computer
浏览器	支持	支持
长期任务	支持	支持
应用连接	支持	支持
多 Agent	Muse Spark 支持	Dots 可进一步协作
核心趋势	个人数字助手	长期数字员工

这说明行业正在从“AI Chat”向“AI Delegation”转变。

模型能力提升只是第一步。真正重要的是，AI 开始获得计算环境、工具、记忆、权限和持续运行能力。

7. Dots 对 Agent Engineering 的启发

从工程角度看，Dots 的出现其实非常值得关注。

一个完整 Agent 已经越来越不像一个简单的：

LLM + Prompt

而更接近：

LLM
 +
Agent Loop
 +
Memory
 +
Tools
 +
Computer
 +
Scheduler
 +
Permissions
 +
Sandbox
 +
Human Approval

其中模型只是其中的一部分。

这也意味着未来 Agent 工程师需要解决的问题，不再只是 Prompt Engineering，而是：

如何管理长期状态？
如何让 Agent 在失败后恢复？
如何控制工具权限？
如何避免无限循环？
如何设计人工审批点？
如何保证重复执行的幂等性？
如何记录 Agent 的每一次行动？
如何让多个 Agent 安全协作？

这些问题实际上已经越来越接近传统分布式系统和生产工程。

8. 最后：Dot 可能改变什么？

Dots 最重要的意义，不是“ChatGPT 又增加了一个功能”，而是 OpenAI 正在尝试把 AI 从被动工具变成持续工作的执行主体。

过去我们使用软件：

人 → 软件 → 结果

Agent 时代可能逐渐变成：

人 → 目标
      ↓
     Agent
      ↓
  软件 / 浏览器 / API / 文件
      ↓
     结果

人不再需要知道每一步应该点击什么、调用什么 API、执行什么命令，只需要定义目标和边界。

但这也意味着，未来 AI Agent 的竞争重点可能不只是模型 benchmark，而是谁能够把模型、计算机环境、工具、记忆、权限和安全真正整合成一个可靠的长期执行系统。

Dots 与 Muse 的同时出现，恰好说明这一阶段已经开始。