OpenAI dots深度实测：GPT-6驱动的云端智能体能干活吗

OpenAI dots：工作优先的云端长程智能体

OpenAI在Dev Day上发布了名为dots的产品——一套长程、可后台运行的云端智能体。官方将其定位为"工作优先的长程同事"，由旗舰模型GPT-6 Astra驱动。它直接对标Meta在9月初上线的Muse，以及更早的类似智能体产品。

与普通聊天机器人最大的不同在于，dots是ChatGPT里的长程agent：当对话结束后，它仍会在后台继续推进既定目标。它拥有自己的云端电脑，内置浏览器，并能通过ChatGPT插件生态连接超过4000个应用。更关键的是，它能从反馈中学习用户的偏好与判断标准，这一机制与此前爆火的Hermes agent颇为相似。空闲时，它还会进行主动研究，比如只读已连接的应用、记录私密笔记。

dots的云端环境配置也值得关注：操作系统为Debian Linux，10GB内存、32GB硬盘，并预装了大量高端生产力软件，包括Blender、FreeCAD等。用户可以直接让dots操控这些软件来执行任务。

**长程智能体（Long-horizon Agent）**是指能够在没有用户持续介入的情况下，跨越较长时间跨度自主分解、规划并执行多步骤任务的AI系统。与传统聊天机器人每次交互独立、无状态不同，长程智能体维护持久的任务状态与记忆，能够在后台异步运行，遭遇阻塞时会等待条件成熟后再继续推进。这一范式的核心挑战在于：如何在无监督的长时间执行中保持目标对齐、避免错误累积，以及在需要人类判断时准确识别"暂停并请示"的时机。Meta Muse、Hermes agent等产品与dots共同代表了业界在这一方向上的集中押注——将AI从"问答工具"升级为能够独立承担工作流的"数字同事"。

创建与配置：从头像到技术栈识别

使用dots的门槛并不高。在OpenAI的发布页面点击设定后，系统会要求为智能体起名。测试中UP主以希腊神话中的青铜机器人为其命名，并让dots自行设计形象——它生成了一个青铜机器人头像，并进一步转换为具备动态效果的图像，整体效果相当不错。

一个有意思的细节是，dots能从用户此前使用ChatGPT和Codex的记录中推断技术栈。当被问及"我擅长哪些技术栈"时，它给出了符合实际的回答。这种基于历史交互的个性化，是它"同事"定位的重要支撑。

配置完成后，dots还可以连接到Slack，在团队协作场景中直接调用。在Slack里询问它能做什么，它列出了生成AI内容、开发（修bug、跑测试）、查找资料、整理Notion/GitHub笔记、跟进日程等能力。

语音交互：全程调度Notion与论文检索

实测中最直观的体验来自语音通话功能。UP主通过语音要求dots从Notion中查找微调大模型相关的笔记，它迅速检索到LoRA、Q-LoRA相关内容，并按用途分类整理后附上链接。

真正体现其"严谨性"的，是接下来的论文检索任务。当被要求搜索最新的Q-LoRA论文时，dots明确表示会"按论文实际发表日期筛选，不把旧论文的新版本当成新进展"，只收录当年首次发布的论文。它最终筛出4篇论文，并对每篇的实验结果与局限做了说明。

更值得称道的是写入笔记时的态度。当要求把其中一篇整理成Notion笔记时，dots主动指出一个关键细节：某篇论文的提速结论仅在作者测试的V100环境下成立，且在对照实验中并未胜过等预算随机挑层的方法，并提醒"你的结论显得过满"。这种对实验前提与局限的审慎标注，远超一般工具的复述式总结。

LoRA（Low-Rank Adaptation）与QLoRA是目前主流的大语言模型高效微调技术。LoRA的核心思想是：在不修改预训练权重的前提下，向模型的注意力层注入低秩矩阵，以极少的可训练参数实现特定任务的适配，大幅降低显存与计算开销。QLoRA在此基础上引入4-bit量化，将基础模型权重压缩存储，使在单张消费级GPU上微调数十亿参数模型成为可能。文中dots提到的"提速结论仅在V100环境下成立"正是QLoRA论文中典型的硬件依赖问题：量化与反量化的计算开销在不同GPU架构（Ampere vs Volta）上差异显著，在A100上的实测结论未必能直接迁移到V100，反之亦然。这也是dots主动标注实验前提的重要背景。

多任务并行：游戏开发与3D建模互不阻塞

多任务能力是dots的另一大看点。测试中UP主先让它用游戏引擎开发贪吃蛇，随即又派发了用Blender创建英国巨石阵模型的任务。dots提示两个任务会同时推进、互不阻塞。

实际结果印证了这一点：它自动打开游戏引擎创建项目并运行测试，当贪吃蛇走出边界、游戏结束后，它反馈"已通过逻辑测试和实际窗口检查，正在保存工程和截图"，同时巨石阵模型也完成了渲染输出。下载到本地运行后，贪吃蛇游戏可正常操作，巨石阵也生成了对应的Blender文件与渲染图。

进入dots运行的云电脑可以看到更多细节：浏览器为Chromium，终端中并非root权限，且令人意外地内置了Codex。这意味着它不仅能操作预装软件，还能调用命令行工具链。

插件生态与定时任务：连接Supabase、调用Grok CLI

dots的扩展性依赖插件生态。除了Slack和Notion，测试中还安装了Supabase插件——授权连接后，dots能快速列出数据库中的各个表，验证了对后端服务的实际操作能力。

定时任务功能则对标Hermes agent等产品。UP主设置了"每天定时检查项目仓库是否有新提交"以及"每天检查OpenAI是否发布新文章"的任务，dots均能正确创建并在指定时间执行。

在云电脑上安装应用同样可行。测试中让它安装Grok CLI并完成登录授权后，再要求它调用Grok CLI开发一个简单的登录页demo，几分钟后便成功输出。这意味着用户可以用dots作为调度中枢，灵活调用Grok CLI、Codex CLI或Claude Code等多种工具，在云端完成开发与浏览器自动化任务。

Supabase是一个基于PostgreSQL的开源后端即服务（BaaS）平台，提供数据库、身份验证、实时订阅、存储等功能，定位类似Firebase的开源替代品。其API层与PostgreSQL直接映射，开发者可以通过REST或GraphQL接口操作数据库表，无需单独部署后端服务。dots能够通过Supabase插件列出数据库表结构，意味着它具备读取Schema、执行查询乃至写入数据的能力，这在自动化数据处理与后端运维场景中具有实际价值。

Grok CLI是xAI（马斯克旗下AI公司）发布的命令行工具，允许开发者在终端环境中直接调用Grok系列模型的能力。dots能够在其云端Linux环境中安装并授权Grok CLI，再以此为工具链完成编码任务，体现了"调度中枢"的架构思路——即dots本身不必内置所有能力，而是通过调用外部CLI工具（包括OpenAI自家的Codex CLI、Anthropic的Claude Code等）来扩展执行边界。

实测初步结论

从本次实测看，dots确实在"真能干活"这一核心命题上交出了可用的答卷：语音交互顺畅、对任务严谨度有自我把关、多任务并行不阻塞、插件与命令行工具链打通。它把ChatGPT从问答工具推向了一个能在云端电脑上持续作业的"同事"角色。

当然，本次演示仅覆盖了基础场景，更复杂的高级用法仍有待进一步验证。但就目前呈现的能力而言，云端智能体在生产力场景中的落地价值，正在变得越来越具体。