本文来自微信公众号：硅谷101，作者：陈茜，题图来自：AI生成

OpenAI推出ChatGPT Agent进军通用AI Agent领域，引发激烈竞争。目前存在四大技术流派：OpenAI代表的浏览器派（操作万能但速度慢）、Manus的虚拟机+浏览器派（本地效率高但外部受限）、GensPark的大模型+虚拟机派（牺牲通用性换取速度与稳定）及Pokee的工作流工具集成派（速度快但通用性差）。共识认为AI Agent将成为未来互联网主要流量入口，颠覆广告生态与商业模式，引发巨头流量入口争夺战。

• 🔧技术路线分野：四种技术流派角逐，通用性与效率难兼得。

• 🌐浏览器派特性：OpenAI通过视觉模型操作网页，能力全面但速度慢。

• 📦虚拟机派优劣：Manus等结合沙盒与浏览器，执行高效但外部访问受限。

• 🧠大模型+沙盒模式：GensPark专注预设工具链，追求稳定牺牲灵活性。

• ⚡工作流集成优势：Pokee/UiPath强化第三方工具调用，场景专精速度快。

• 🚀流量入口变革：AI Agent将成互联网主力用户，“幽灵光标”重塑广告与商业模式。

7月17日，OpenAI正式发布ChatGPT Agent，正式进军通用AI Agent赛道。

外界猜测，在GPT-5即将发布的关键节点，ChatGPT Agent的亮相更像是仓促应战的“占位”之举——通用Agent很可能成为下一代互联网的“万亿流量入口”，让市场格局再次洗牌。

在通用AI Agent赛道中，已经有不少AI初创公司崭露头角，技术路线各有千秋：从浏览器为主的万能路线，到沙盒虚拟机的高效执行，再到工作流集成的专业化方案，几大技术流派正在激烈角逐。

本篇文章，硅谷101和Pokee.ai创始人、前MetaAI应用强化学习团队负责人朱哲清（Bill Zhu），以及硅谷101特约研究员Nathan Wang一起聊聊：OpenAI入局，是否意味着Agent成为又一个被巨头吞噬的市场？还是说，技术壁垒和差异化路线将为创业公司保留生存空间？当“幽灵光标”成为互联网访问的主力军时，广告生态将如何被颠覆？ 新时代的流量入口霸主又将花落谁家？

一、ChatGPT Agent亮相，通用Agent战局全面开幕

7月17日，OpenAI CEO Sam Altman和四位研究员在直播中介绍了OpenAI ChatGPT Agent。

简单来说，你可以让Agent帮你完成任务：比如，婚礼缺双鞋，去电商平台直接订购；或者设计个宠物周边，直接下单打印；查找信息，之后直接生成PPT等等。

这些任务的demo（演示），看起来完成度都还挺高。它们由OpenAI此前推出的两个工具驱动：Deep Research和Operator。

Deep Research是一款深入研究的分析工具，可以阅读大量网页，生成深度的调研报告，主打“搜索”；而Operator之前是一款只开放给GPT Pro用户的浏览器Agent工具，可以查看网页，同时为用户带来特定操作，主打“执行”。

OpenAI就表示，在两样工具分别推出的过程中，发现很多用户用Operator写的提示词经常很像会用Deep Research去做的任务，比如旅行计划，行程预定等；而Deep Research那边，用户们也在呼吁能增加比如登陆不同网站、去访问受保护资源的能力，这恰好又是Operator擅长的。

所以OpenAI就决定将两个产品融合起来，相当于打通了“搜索与执行”，也就是通用Agent所需要的技能。

同时，这也决定了OpenAI做通用AI的底层路线，是和目前市面上其它的产品有所区别的，存在优势和弊端。

接下来，我们就来聊聊目前通用Agent的四大技术派系。

二、浏览器为主派（OpenAI）：操作万能但速度受限

第一个技术派系就是所谓“browser-based”（浏览器为主）的技术路线，之前OpenAI的Operator就专注于这个路线。

这类智能体主要通过控制网页浏览器来工作。简单说，就是通过视觉模型让AI像人一样去网上搜索信息、点击链接、浏览网页，从而完成用户交代的任务。

这种模式因为可以访问全网信息，通用性很强，几乎是无所不能的。

Bill Zhu（朱哲清）Pokee.ai创始人，前Meta AI应用强化学习团队负责人：

我认为浏览器（Browser）的意义在于，世界上所有的网页和互联网服务，都可以集中呈现在某个页面，所以我只需要我的Agent能够看到网页、去操作网页，我就可以完成我的任务。用户可以看到这个基于浏览器的Agent在页面上点了哪些地方，一页一页地去看浏览器是不是跟人一样在操作网页。

它的缺点是很慢，而且Token消耗特别高，原因在于你去看一个网页，等于把HTML的文件直接拉下来，可能还包含一些脚本（script），然后把它全部拉下来，从零开始全部读一遍，只为了操作一个网页。但是它确实是万能的。

就像朱哲清说的，这个万能的路线有一个致命问题：慢。

原因很简单：浏览器为主的路线，背后的技术是Agent配合视觉模型来做Screencatch（屏幕截图），进而来进行图像识别，所以它注定要主页加载网页、等待响应。

这次我们也看到，“速度慢”是不少人对这次ChatGPT Agent的一个不满之处，很多任务都要耗费几十分钟来完成。

Bill Zhu：

因为Deep Research相对于市面上所有的产品来说，它还是相对比较慢的一个Research产品，再加上Operator（操作者）本身，我们也知道它的Benchmark（基准测试）上面它速度也很慢，所以它把两者结合了以后，整体速率就更慢了。

但这个“慢”可能也会因为大模型的优化和算力的优化，而在未来实现速度提升。

OpenAI的视觉模型和browser点击能力比市面上其它通用Agent更强，所以这个技术派系在之后还会有很大的优化空间。

三、虚拟机+浏览器派（Manus）：本地执行效率高但外部访问受限

在Agent相关的报道和技术分析中，“Sandbox”一词会经常出现，它翻译过来叫做“沙盒虚拟机”（隔离的计算环境，用于安全地运行程序）。

想象一个小朋友在家里玩泥巴。如果ta到处跑，可能把泥巴弄得到处都是，还可能打翻家具，甚至弄伤自己，这简直就是家长的噩梦。

但如果你准备了一个“沙盒”——一个有边界、专门让ta玩泥巴的地方——ta在里面怎么玩都可以，又安全又干净。

简单来说，在AI Agent的应用中，“沙盒”就是一个被限制和隔离的环境，被称之为“虚拟机”，让程序在里面运行，而不会对主系统造成风险。

AI能在这台虚拟电脑里随意打开浏览器上网、运行代码脚本、读取和保存文件等，相当于AI拿到了一个隔离的电脑，像人类一样拆解任务，在虚拟机里上网、编程，完成所有步骤。

而因为是真正的计算机环境，AI可以执行非常复杂的操作流程，从网上获取信息到本地计算处理，一条龙自主完成。

Nathan Wang（硅谷101特约研究员，AI Agent开发者）：

其实虚拟机在做的一个事情，就相当于在一个虚拟搭建的环境中，基于Linux系统通过命令行操作生成各种文件。

所以，虚拟机背后给我感觉更多是调用大模型的编程能力，根据用户需求生成相应代码。只要你有一些编译器或者一些库，它可以把整个程序给渲染输出，最终以网页、PPT等用户易于理解和使用的内容形式呈现，从而实现完成用户请求的目的。

Bill Zhu：

虚拟机环境的好处就在于它可以运行任何的线下的，就是open source(开源）那种package（程序包），但它的缺点就在于它很多情况下无法访问互联网，特别是那种需要全授权身份验证的产品，比如说你要去登录你的Facebook，这些东西它都是肯定做不到的。

所以“虚拟机”为主的路线优点就是本地执行效率高，但因为sandbox对外部服务的访问有限制，所以与现实世界交互还不够灵活。

“虚拟机”为主的通用Agent中做得很好的，是Manus。公司在今年四月融资7500万美元，估值近五亿美元。

但Manus并不是只有沙盒，它结合了我们刚才提及的基于浏览器browser的技术流，只是将沙盒做了进一步优化。

Bill Zhu：

Manus的体验是，它尽可能用一个Sandbox（沙盒）加上Browser（浏览器）的环境，来搭建一个几乎让人觉得万能的环境。

与此同时，Manus的一个缺陷是被浏览器的能力所限制住了。比如，你要去真的发个帖，它做不到，因为它对于整个页面的导航，说我要去选择那个小的按钮，选择完之后去上传一个图片、生成一个视频等，这很难；你要把谷歌表格里的某个单元格改成某种格式，也比较难，因为注意力的空间太小了，浏览器是它的一个主要限制。

第二个缺陷是它很慢，这是Manus和ChatGPT Agent的一个通病，因为用了浏览器，所以它的速度会非常慢——30多分钟做一个任务。

可能它的总体优势可能在于，它Sandbox的环境搭得可能比ChatGPT更好一些。我还不太清楚ChatGPT里面的虚拟机能做到什么程度，但我猜应该Manus在虚拟机里面已经花了很多精力去部署，应该会有一个比较小的优势。

四、大模型+虚拟机派（GensPark）：牺牲通用性换取速度与稳定性

第三种路线强调大语言模型（LLM，Large Language Model）本身结合一个“沙盒”，也就是封闭工具环境来完成任务。

和第二种路线对比来说，与其给AI整个开放电脑，不如给它一套有限但有效的工具箱和一个小型运行环境。

Bill Zhu：

第三种，是大模型加沙盒放一块的Agent，它可能是限制一个大环境。Genspark是一个这样的例子，它并不给你完整的一个沙盒，连浏览器都没有。Genspark有一个大模型作为主体的推理过程，它写代码也完全靠这个大模型；有一个沙盒去运行一些代码、生成一些东西，然后再把它渲染出来。它是fully control（完全控制的）——这个环境内部无法说“现在去下载一个开源的package（程序包）”“现在需要临时去修改一张图片”等任务。如果在它原始的程序包设计里面没有，它自己不会下载一个程序包，去做这件事。

所以Genspark这种设计是，比如说像那种幻灯片Agent、表格Agent，它们在设计的时候把可用的程序包给限制住，不再让用户去用更多的程序包，是一个相对比较封闭的环境和工作流程——在限制环境下用一个大模型做主体写代码，同时用一个小的环境去执行。

这里朱哲清提到的一个典型公司就是GenSpark，这家公司目前是在A轮，估值5.3亿美元，刚在2月份融资1亿美元。

GensPark集成了多种不同规模的语言模型，以及80多个预先构建和测试好的工具。

当有任务时，系统会根据需求调用合适的模型来理解，并直接用相应的API（应用程序编程接口）或内置工具去处理，比如搜索信息、调用地图服务、查询数据库等，而不依赖模拟完整浏览器或操作系统。大语言模型更像大脑中枢，在相对封闭的环境里调度现成能力，快速产出结果。

Nathan Wang：

GensPark给我的印象比较突出的就是，它会接很多第三方的工具，或者是各种API。比如说它其实很多时候它会说，你只要把你LinkedIn的访问权限给到我，我可以通过这个large language model（大语言模型）直接登录你LinkedIn的账户，帮你去生成一个LinkedIn的帖子。

如果用户授权其访问用于代码version control（版本管理）的GitHub账户，它可以直接在GitHub去看你写的程序，改你写的程序，并执行一系列相关任务。此外，它与Google系列产品（如Google Sheets、Google Slides）也能实现无缝对接，把各式各样workflow（工作流）都帮你设计好，把你所需要的工具、所需要的接口都帮你放在那。

GenSpark可能相当于，把这些工作的工作流任务细分到每一个场景中去，具体到某个场景的时候，我再去用这一系列的工作流。这个设计，我去做这件事情肯定是更可靠的，因为我已经限定了我的问题是什么。

总结一下，以GensPark为代表的大语言模型+虚拟机（LLM+Sandbox）技术流相当于标准化工作流，设立了更封闭的环节，牺牲通用性去换取速度和稳定性，来让一部分的任务更快、更靠谱。

五、工作流+工具集成派（Pokee/UiPath）：速度快、交付好但通用性差

第四种路线，本质上是把预先设计好的流程和第三方工具集成结合AI使用。比如朱哲清所创办的Pokee，所用的技术路线叫做“工作流+工具集成”。

可以把它想象成搭积木：开发者先把完成某类任务需要的步骤都规划成一个个节点，也就是工作流（Workflow），每个节点可以调用不同的应用或API（工具集成）。

AI的作用是在运行时根据用户请求，自动选择并执行这些预设的流程，或用自然语言帮你填充参数。

举个例子，Zapier（自动化工作流平台）平台上用户可以设置一个自动化流程：一旦收到新的表单，就让AI读取内容整理摘要，通过Gmail发送给相关人员。

这里AI负责理解内容和写邮件，但从触发表单到发送邮件的步骤是事先定好的。类似地，Pokee AI强调通过强化学习来自动规划和调用工具。

这样的技术路线优点是速度快，交付好，但也被限制在特定任务中，通用性差一些。

Bill Zhu：

我们最后会有自己的deep research Agent（深度研究智能体），加上我们的execution Agent（执行智能体）放在一块，总体体验会有大幅提升。但是总体速度应该是市面上所有产品的4-10倍左右。

能够实现这一优势的原因在于，我们不再需要使用复杂的虚拟机环境，也无需依赖复杂的tool calling（工具调用机制）。我们直接使用第三方集成的SDK和工具，通过自研的工具调用基础模型来调用这些功能的话，整个速度是会大幅度提升的。我们避免了像MCP以及市面上其他产品在工具调用中存在的上下文冗长的问题。

因此每次工具调用的成本可以削减百分之五六十。结合我们自主研发的上下文工程技术（engineering），使得整体成本与OpenAI的ChatGPT Agent和Manus相比有数量级的差异；与垂直化的GenSpark相比，也有几倍的优势。在token使用方面，我们确实存在劣势，特别是与基于浏览器（Browser-based）的Agent相比，我们并不是完全万能的。

这样的优势在于，能够保证每个服务的交付质量非常可靠。因为我们使用的是第三方服务（如Facebook）直接提供的访问权限，不会出现错误。同时这也带来了限制，就是它无法实现所有功能。

结合以上的四种技术流派和对应的代表公司：浏览器为主，做得最好的是OpenAI的ChatGPT Agent，Sandbox（虚拟机）做得最好的是Manus，LLM+Sandbox（大语言模型+虚拟机），代表公司是GensPark，最后是工作流加工具集成，如Pokee、Zapier、UiPath。

可以看出，目前“通用性”和“速度及稳定性”是鱼与熊掌不可兼得，必须要牺牲一个。ChatGPT Agent和Manus选择了前者，而GensPark和Pokee选择了后者。

Nathan Wang：

大家一开始都是想去做通用Agent。但是到最后大家体验完发现，什么都想做，就什么都做不精。这时，产品的迭代又会转到另一个方向：怎么提高它的可靠性、工作流，或者把场景变得更加专精？这可能是当下探索的一个更加实际的方向。

第二个问题是，我怎么能够把我吸引的用户不断地留存下来、去持续付费？第二件事就是，需要靠像类似工作流增加应用场景，让每个应用场景变得更加可靠的模式，才能把用户留住，而不只是说一上来给大家一个非常惊艳的demo（演示），或者一个MVP（最小可行性产品），让大家觉得通用AI Agent已经来临了，但持续去使用的时候又发现不是。如果真正达不到用户要求，很多人可能就会退订、离开平台。

所以现在，更多的通用Agent公司是在解决“怎么能够把用户留住”。工作流加上更多工具，专攻应用场景是一个非常好的路径。

六、幽灵光标，Agent将打响未来流量入口之战

无论是什么技术路线，要想真正让大家用起来，提高可靠性和留存率，加快交互速度是接下来通用Agent的共识方向。

我们可能会看到更加细分的Agent，以及万能通用Agent的百花齐放，包括ToB和ToC的产品也会不同。

所以，虽然OpenAI入局通用Agent赛道，但这场仗看起来还有得打。但同时，这也给我们指明了一个未来的发展共识，就是：Agent们，不管是通用的还是专用的，将代替人类，成为访问互联网的主力军。

Wired杂志在7月底就发布了篇文章说，以后的互联网充斥的都将是所谓的“ghost clicks”（幽灵光标），都是Agent们在与网页交互，抓取信息。这可能意味着一个巨大的变革和机会。

也就是说，“流量”这个词将变得毫无意义，因为都不是真人在点击网页了，而未来的流量入口将成为Agent，而这个赛道也将是下一场巨头之战的中心。

当然，也不排除会有新的公司占据这个巨头的位置。而这个变化可能会来得比我们想象中更快。

Bill Zhu：

无法避免的是，我认为在接下来一到两年，大多数门户网站的流量都将快速下降，无论是电子商务、搜索引擎、视频网站还是其他各类门户网站，它们的流量入口都将变成各个方向的Agent。

这正是Google推出Agent2Agent (A2A)协议的原因。每家公司都可能拥有自己的Agent，实现Agent之间的交互。如果Google能够占据这个协议，并在Gemini中率先部署，它就将成为最大的赢家，因为它成为了Agent入口。ChatGPT和Claude也是一样，它们推出协议的核心目的也是要占据智能体入口的战略地位。

而顺着这个新范式，我们可以期待，未来的广告模式和信息模式都会发生颠覆性的变化。

Bill Zhu：

比如说硅谷101的播客，现在大家都是免费听的。通过YouTube广告分成获得收益。但在未来，获取播客内容本身的知识产权就将具有价值。

每当Agent通过调用或网页访问获取播客信息时，都需要向内容创作者付费。创作者不再需要承担广告流量的责任，广告将由Agent完成。Agent在获得信息后，会在工作流或者用户体验中插入广告。当Agent向用户提供对比选择时，会询问用户想要尝试哪个Agent，此时就形成了排名机制。由于这些问题没有标准答案，它这个时候推荐哪个Agent让用户去试试，它就可以向那个Agent的公司去收钱了，广告收入就在这个环节产生。

而支持每个API、每个第三方的插件的产品本身，以及知识产权本身，都可以直接收费。因此，对于创作者生态和SaaS生态而言，从某种意义上来说这种变化是积极的。创作者不再需要在Google投放广告，也无需免费将内容提供给YouTube进行广告投放，而是有一个Agent直接向你付费，它通过自己的广告机制覆盖成本。我认为创作者不会受到很大冲击。

很开心听到嘉宾说，作为内容生产者，当我们的观众不再是真人，变成了所谓的”幽灵光标”Agent们，但我们的内容还是极具价值的，并且这样的商业模式是更友好的。

但感觉还有挺多技术限制需要去突破，以及很多的协议要达成共识。

Sam Altman（OpenAI联合创始人、CEO）：

虽然这（AI Agent）是一项极其令人兴奋的新技术，但它也带来了新的风险。人们已经大致学会了如何相对安全地使用互联网，尽管当然仍然有诈骗和其他攻击行为存在，而未来人们同样需要学习如何使用AI Agents。社会也需要建立针对AI Agents攻击的防御机制。所以我们是从一个非常稳健的系统开始的，并设置了大量警示机制。随着用户逐渐适应，我们将逐步放宽限制。但我们确实希望人们将其视为一项新技术、一个新的风险面，并采取所有必要的谨慎措施。话虽如此，我们还是希望你会喜欢它。

而就在ChatGPT Agent发布的同一天，OpenAI公布了一个数据：目前ChatGPT每天收到的用户指令高达25亿条。

这是什么概念呢？相当于年化9125亿次。如果把每一次提问指令都等同成一次搜索，ChatGPT已经占据谷歌年搜索量的18%。

而这个数字，随着AI Agent的成熟落地，很可能会继续快速增长。而新的流量入口之战，已经打响。

本文来自微信公众号：硅谷101，作者：陈茜