前几天我写文章提到，ChatGPT、Grok3、通义千问这些产品，会经历四个发展阶段，最后一个阶段是“自主智能”。

什么是自主智能？我们给它一个任务或者想法，它不仅能给出答案，还能主动把各种交互形式加进去，比如生成图表、图片、思维导图之类的，真正变得又自主又实用。

没想到，这个设想这么快实现了。不到一周时间，昨天晚上OpenAI推出了它的“智能体全家桶”。

那么，智能体全家桶到底有哪些能力呢？

首先，他们发布了一个新工具，叫Responses API。这是一个把聊天功能和多种工具（比如网页搜索、文件搜索）集成在一起的API接口。

它基于ChatGPT的搜索模型，能提供实时信息，还会附上引用来源；具体来说，Responses API把Chat Completions API（主要是用来生成对话回复）的简洁性，和Assistants API（能让AI调用外部功能，比如查资料、操作东西）的工具使用能力结合在一起，成了构建Agent应用的新基础。

这个API还支持多模态响应，像文本、图像、音频都能搞定。

然后，他们又发布了一个开源框架：Agents SDK。

你可以把它理解成一个智能体软件开发包。在这个开发包里，多个智能体可以互相协作，完成复杂任务。就好比有个智能体总指挥官，负责管理和调度各个智能体，确保它们按照既定流程和规则完成任务。

举个例子：

如果你是一家电商公司，想自动化处理订单，可以用这个框架创建一个自动化系统。

设置一个智能体从客户那里获取订单并验证信息，另一个智能体负责检查库存，再有一个智能体负责订单发货。最后，把订单智能体、库存智能体、支付智能体、发货智能体和客户通知智能体串联起来，整个流程就自动化了。

在Agents SDK中，还内置三个强大的工具，分别是Web Search Tool、File Search Tool 和 Computer Use Tool。

Web Search Tool，顾名思义，能让模型通过互联网获取最新信息。它支持GPT-4o和GPT-4o-mini模型，能快速检索网页内容并提取关键信息，帮助智能体更好地理解和处理任务。

File Search Tool专门从文档里检索信息。它支持元数据过滤和直接文档内搜索，能快速定位和提取文件里的相关内容，特别适合处理大量文档数据。

Computer Use Tool，就是AI可以在计算机上直接执行任务。它让智能体有了类似人类的操作能力，比如浏览网页、填写表单、操作软件等，大大扩展了智能体的应用范围。

OpenAI说，相比去年开源的Agent SDK，这个SDK有了新的改进。

那普通用户怎么用这款产品呢？

OpenAI会通过API公开支持Operator的CUA模型，让开发者构建自己的智能体。开发者可以用API访问这些功能。

Operator的能力其实不算陌生。早在今年1月，它就发布了界面框架。Operator由一个叫“计算机使用智能体”（Computer-Using Agent，CUA）的新模型支持，能通过屏幕截图“观察”界面，并执行鼠标和键盘允许的所有操作，这样就能在没有自定义API集成的情况下，在Web上采取行动。

如果遇到错误，Operator可以利用它的推理能力自我纠正；如果遇到难题，它还会把控制权交还给用户。

不过，这款工具预计要到2026年才会开放，到时候会逐步替换旧的Assistants API。

对于C端用户，可以订阅ChatGPT的Pro会员（200美元/月）、Team或Enterprise计划来使用。从价格来看，确实有点贵。

另外，Web搜索的费用是每千次查询：GPT-4o搜索30美元，GPT-4o-mini搜索25美元；文件搜索每千次查询2.5美元，文件存储费用是0.1美元/GB/天（首GB免费）；计算机使用工具则是按每输入100万token收费3美元，每输出100万token收费12美元。

OpenAI表示，随着模型能力逐渐具备更多智能体属性，他们会继续深化API之间的整合，并提供新工具，帮助用户在生产环境中部署、评估和优化智能体。

真是太卷了。

深度推理模型潮刚过，新一波又接上了。我觉得2025年可能是AI智能体发展的元年，现在各大厂商已经开始纷纷布局了。

昨天我看到Manus和通义千问的合作，那接下来，腾讯、Kimi、豆包这些平台里，又有哪些进化呢？这些能力会不见进一步影响到企业软件市场呢？

值得期待持续关注。

参考地址：

[1].https://openai.com/index/new-tools-for-building-agents/

[2].：https://www.youtube.com/watch?v=hciNKcLwSes