OpenAI 在 2026 年 9 月 29 日的 DevDay 上发布了 Dots。它最值得关注的地方，不是又多了一个聊天入口，而是 Agent 开始拥有自己的云电脑，并能在对话结束后继续推进任务。
官方将 Dots 描述为可持续承担工作的 always-on agents：用户给出目标，连接需要使用的应用，再定义它可以自行完成的范围。它目前面向符合条件的 Pro 和 Business Premium 用户逐步开放，企业、教育和医疗工作区则由管理员控制测试开关；地区和套餐资格以 OpenAI 当前页面为准。
从“问一句答一句”到持续承担任务
传统 ChatGPT 的工作节奏是：输入问题、等待答案、检查结果，再补充下一条指令。Dots 改变的是任务的时间边界。
它更接近一个长期运行的工作单元：持续观察项目资料，在出现新信息时整理、分析或准备下一步动作，遇到高风险决定再把结果交回给人。
典型任务可以是：
- 持续整理客户反馈并归类重复问题；
- 跟踪项目文件，发现异常后准备报告；
- 将团队讨论中的需求整理成草稿；
- 监控一个长期研究主题，定期汇总变化。
这类任务的价值不在于单次回答多漂亮，而在于 Agent 是否能记住目标、保持上下文，并在下一次事件出现时继续工作。
它真正新增的是一套工作环境
把 Dots 简化成“又一个 Agent”，会漏掉最重要的产品结构。它至少包含四层：
| 层次 | 作用 |
|---|---|
| 模型 | 判断、规划和生成结果 |
| 云电脑 | 让 Agent 拥有可执行任务的工作环境 |
| 应用连接 | 接触文件、浏览器、团队工具和业务系统 |
| 权限与审批 | 限制哪些动作可以自行完成 |
模型负责判断，云电脑负责执行，应用连接把它带进现实工作，权限系统则决定它能走多远。四层缺一，Agent 都容易退化成一次性的自动化脚本。
为什么 Slack 和 Teams 这类入口重要
企业聊天工具不只是消息盒子，也是一条业务事件流。需求、Bug、审批、客户问题和项目进度都会经过那里。
如果员工需要手动把这些内容复制到聊天框，Agent 仍然在工作现场之外。连接团队工具以后，它才有机会直接读取上下文，并在事件发生时继续推进任务。
这也是企业 Agent 的分水岭：问题不再只是“模型会不会回答”，而是“它是否能待在业务发生的地方”。
Space 解决的是长期上下文
OpenAI 同时推出了 ChatGPT Space，为人和 Agent 提供共享的项目空间。文件、Pages、项目资料和持续更新的内容可以放在同一处，减少每次重新解释背景的成本。
可以把 Dots 和 Space 的分工理解成：
- **Dots：**谁在持续工作；
- **Space：**它在哪里保存和读取工作上下文。
这两者结合后，Agent 才有可能从“高级脚本”走向长期协作成员。
高权限 Agent 的门槛不是模型分数
当 Agent 可以阅读团队消息、打开网页、创建文档或修改代码，问题就从“它聪不聪明”变成“它会不会做错事”。
一个能进入生产环境的 Agent，至少需要：
- **可观察：**用户看得到它正在做什么；
- **可授权：**付款、外发、删除和发布等高风险动作需要确认；
- **可回滚：**错误操作有撤回或恢复路径。
因此，Dots 后续的竞争重点未必是 benchmark，而是企业是否敢把真实权限交给它。
适合谁，暂时不适合谁
适合先尝试 Dots 的人，通常有明确的长期任务、稳定的资料来源，以及愿意逐步收紧权限的工作流。第一次测试应从单一项目、只读资料和低风险输出开始。
不适合一开始就交给 Agent 的事情包括：
- 自动付款或资金转移；
- 无人工复核地向客户发消息；
- 批量删除或覆盖生产文件；
- 直接修改没有备份的代码和数据。
如果你想比较模型 API、备用上游和 Agent 工作流，可以先看站内的 APIMart 模型入口 ；第三方服务的模型、价格、日志和权限条款仍要单独核对。
结论：ChatGPT 正从网站变成工作层
DevDay 2026 的 Dots 透露出一个清晰方向：OpenAI 争夺的已经不只是聊天入口，而是浏览器、团队工具、文件和企业 SaaS 之上的工作层。
模型能力决定 Agent 能不能判断，云电脑和权限系统决定它能不能真正干活。接下来值得观察的，不只是它能完成多少任务，还包括任务边界是否清楚、审批是否可靠，以及错误发生后能不能恢复。
