4 月 22 日，OpenAI 发布了 Workspace Agents —— ChatGPT 从"个人助手"正式迈向"团队工作流引擎"。这不是简单的 GPTs 升级，而是一次产品定位的根本转变。
从 GPTs 到 Workspace Agents：变了什么
GPTs 的问题一直很明确：它本质上是一个带 system prompt 的对话模板，能做的事情有限，共享机制也很粗糙。Workspace Agents 直接解决了这些痛点：
后台持续运行。 Agent 不再需要你盯着对话窗口。它跑在 Codex 驱动的云端沙盒里，有独立的文件系统、代码执行环境和工具连接能力。你可以设定定时触发，或者让它在 Slack 里自动响应。
团队共享和权限控制。 一个团队创建的 Agent，其他成员可以直接使用。管理员能控制 Agent 可以访问哪些工具、连接哪些数据源。这解决了 GPTs 时代"每个人自己搞一套"的混乱。
多步骤工作流。 Agent 能写代码、调 API、读文件、记住上下文，跨多个步骤完成复杂任务。不再是"一问一答"的模式。
五个内部案例，暴露了真实意图
OpenAI 给出的五个内部使用案例很有意思：
- Software Reviewer：审核员工软件申请，对照审批政策，自动提 IT 工单
- Product Feedback Router：监控 Slack 和论坛反馈，分类后生成周报
- Weekly Metrics Reporter：每周五自动拉数据、画图、写总结
- Lead Outreach Agent：调研潜在客户，打分，生成个性化跟进邮件
- Third-Party Risk Manager：评估供应商风险，生成结构化报告
这五个案例有一个共同特征：全是企业中间层的重复性工作。不是创造性工作，不是战略决策，而是那些"必须有人做但没人想做"的流程性任务。
OpenAI 的意图很清晰 —— 它不再满足于做一个聊天机器人，而是要吃掉企业内部的 RPA（流程自动化）市场。
几个值得关注的设计决策
创建方式是对话式的。 你在 ChatGPT 侧边栏点 Agents，用自然语言描述工作流，ChatGPT 帮你一步步搭建。这比写代码或拖拽流程图的门槛低得多。问题是：自然语言描述的精确度够不够？复杂工作流会不会在"翻译"过程中丢失关键细节？
Slack 是第一个外部部署渠道。 这意味着 OpenAI 认为 Agent 的价值不在于一个独立入口，而在于嵌入已有的工作场景。先 Slack，后面大概率是 Teams、Email、Jira。
GPTs 暂时保留。 原文用了"soon, we'll make it easy to convert GPTs into workspace agents"。翻译一下：GPTs 的生命周期进入倒计时了。
冷静看几个问题
1. 企业数据安全。 Agent 能连接"dozens of tools"，能读取内部数据。这在企业 IT 合规层面是巨大的挑战。一个配置不当的 Agent 可能把敏感数据通过 LLM 传到不该去的地方。
2. 可靠性。 "在后台持续运行的 Agent"听起来很美，但 LLM 驱动的多步骤工作流本身就有不可预测性。每一步都可能出错，错误会累积。75% 的企业报告 AI 项目有两位数的失败率 —— 这个数据在 Agent 场景下只会更高。
3. 和 Codex 的关系。 Workspace Agents 底层跑在 Codex 上。OpenAI 在两天前刚宣布 Codex 企业版扩展。这两个产品线的关系是什么？Workspace Agents 是 Codex 的消费者入口？还是会逐渐合并？
我的判断
Workspace Agents 的方向是对的 —— AI Agent 的价值确实在于自动化团队工作流，而不是做更聪明的搜索引擎。但"方向对"和"能做好"之间隔着巨大的工程挑战。
目前还是 Research Preview 阶段，只对 Business/Enterprise/Edu 开放。真正的考验在于：当成千上万个 Agent 同时跑在企业内部时，可靠性、安全性和可观测性能不能跟上。
不过有一点是确定的：AI Agent 正在从"个人工具"走向"组织基础设施"。这个趋势不可逆。
如果你在多个 AI 模型之间频繁切换，推荐试试 OfoxAI（ofox.ai）— 一个账号搞定 Claude、GPT、Gemini 等主流模型，省去多平台来回跳转的麻烦。
