ChatGPT Work：从编码代理走向知识工作代理

背景：代码能力正在外溢到知识工作

大约有一类用户并不会写代码，但会使用由代码驱动的工具与流程。随着“可直接运行”的代码越来越容易由 AI 生成，面向非开发者的代理式界面正在成为重要方向。

OpenAI 今年重点推进的 Codex，已不再只是传统意义上的编程工具。相关介绍提到，Codex 的月活较 2026 年 1 月增长超过 10 倍；在 7 月 9 日 ChatGPT Work 发布后不到两周，ChatGPT Work 与 Codex 合计达到约 1000 万用户。由于 ChatGPT Work 底层也使用 Codex 的代理框架，因此即便用户不是传统工程师，也会成为这一代理系统的使用者。

OpenAI 此前还提到，知识工作者已约占 Codex 用户基础的 20%，且增长速度超过开发者用户的 3 倍。这也是 ChatGPT Work 被单独产品化的重要背景。

为什么需要 ChatGPT Work

知识工作与软件开发所面对的问题和环境不同。长期以来，知识工作被分散在不同工具中：

文档用于写作；
表格用于分析；
幻灯片用于沟通；
各类垂直应用处理具体业务流程。

ChatGPT Work 的目标，是让用户不再从“打开某个应用、手动操作功能”开始，而是直接描述想要的结果，再由代理协助组织工具、上下文与产物。

Akshay Nathan 曾在 Airtable 参与无代码产品建设，目前负责 OpenAI 核心产品工程。他的关注点延续了一条主线：如何让不写代码的人也能获得软件能力。ChatGPT Work 的推出，正是 Codex 从工程师工具扩展到知识工作代理的体现。

Codex 与 ChatGPT Work：共享底层，但体验不同

ChatGPT Work 与 Codex 共享同一套代理框架，但并不意味着二者产品体验完全相同。

讨论中提到的关键差异包括：

用户体验不同：Codex 更贴近工程任务，ChatGPT Work 更面向知识工作成果；
Git 可见性不同：开发者需要更多代码仓库与版本控制信息，知识工作者未必需要；
产物形态不同：ChatGPT Work 更强调文档、表格、交互式页面等高保真工作产物；
沙箱默认设置不同：不同任务对执行环境、权限与安全边界的要求不同。

OpenAI 的选择不是为每一种代理场景都构建完全分裂的产品，而是合并底层能力，再根据用户场景设计不同入口与默认体验。

Sites、Artifacts 与“可交互工作产物”

ChatGPT Work 中被重点讨论的方向之一，是用更具交互性的产物替代传统文档、表格或幻灯片。

例如，团队过去可能会用幻灯片表达策略、用电子表格呈现分析、用文档解释背景；而在代理协助下，这些内容可以被组织成一个交互式网站或应用式页面。用户不只是阅读静态内容，还可以探索数据、切换视图、查看推演结果。

这也是 OpenAI 所说的 Artifacts 与 Sites 的意义：AI 不只是生成文本，而是生成更接近最终交付物的工作界面。

从 OpenClaw 到个人代理

访谈还提到 OpenClaw 对 ChatGPT Work 的启发，包括：

持久化环境；
定时任务；
更像“个人代理”的工作方式；
能持续利用用户上下文，而不是每次从零开始。

这类能力让 ChatGPT 不只是一次性回答问题，而更接近一个可长期协作的工作系统。讨论中的例子包括财务规划、预算、健身安排、饮食计划与家庭管理等个人任务。

记忆、长期上下文与子代理

ChatGPT Work 的另一个关键方向，是让代理更好地利用上下文。

在知识工作中，很多任务并不难在单点上完成，真正困难的是收集上下文：代码、Slack 讨论、文档、个人文件、既有决策记录等都可能相关。代理如果能在合适权限下整合这些信息，就能承担更多准备性工作。

访谈中还讨论了：

ChatGPT 记忆如何支持个性化；
Chronicle 与长期上下文的关系；
子代理如何拆解复杂任务；
用户应看到多少子代理过程；
什么时候需要更深推理、Ultra 模式或多代理模式。

其中一个产品取舍是：高级用户可能想看到更多过程与控制项，但普通用户更需要一个默认可用、不过度复杂的体验。

AI 如何改变产品开发与组织角色

Akshay Nathan 还谈到 AI 对产品开发本身的影响。

随着更多人能够借助 AI 构建可运行的东西，角色边界会变得模糊：工程、设计、策略、运营之间的隔离会减少。未来更多人可能成为“有深度专长的通才”：既能理解某个领域，又能用 AI 快速构建、验证和表达想法。

但这也带来新的瓶颈：

当“构建”门槛下降，想法本身更重要；
当产出速度提升，审美与判断力更重要；
当 AI 能制造大量行动迹象，团队更需要区分“忙碌”与“真正进展”。

访谈中特别提到，LLM 仍然不擅长在“给我全新想法”这类开放指令下生成真正有根基的新想法。因此，人类的问题定义、品味、判断和取舍仍然关键。

衡量生产力：不要只看动作数量

讨论最后强调，AI 时代衡量生产力不能只看提交次数、Token 数、Pull Request 数或表面产出。

更合理的衡量方式，是看是否获得了更多“高质量尝试”：

是否更快验证关键假设；
是否更早暴露问题；
是否产生更高质量的方案；
是否推动了真实决策与进展。

这一区分很重要：AI 可以显著增加工作中的“动作”，但动作增加不等于进展增加。真正有价值的是把代理能力用于更好的判断、更快的探索和更高质量的交付。

值得关注的产品问题

这次访谈集中呈现了 ChatGPT Work 背后的几个核心问题：

编码代理如何自然扩展到知识工作？
一个能“几乎构建任何东西”的代理，应该如何设计简单入口？
共享底层代理框架与差异化用户体验之间如何平衡？
记忆、子代理、持久环境和交互式产物，会怎样改变工作流？
当构建门槛降低后，想法、品味和判断力会变得多重要？

ChatGPT Work 的意义不只是把 ChatGPT 放进办公场景，而是尝试把 Codex 这类代理执行能力从软件工程带到更广泛的知识工作中。