给 AI 一个具体住址，让它在 OpenStreetMap（开源地图数据库，简称 OSM）上自主规划一条从家门口出发并绕回原点的 5 公里跑步路线，智能体花了 27 分钟自主调取 API、下载路网、本地计算拓扑结构并渲染出交互式地图。表面看这只是一个跑步爱好者的日常提问，本质是 AI 从“问答生成器”彻底演进为“拥有完整操作系统权限的自治执行体”。
OpenAI 推出的 ChatGPT Work 云端环境正在重塑人机协作的边界。当大语言模型接入无限制的联网代码执行沙盒、Headless Chrome（无界面浏览器）与持久化文件系统，过去需要多段对话、手动清洗数据与拼凑脚本的繁琐任务，现在仅凭一句原始指令就能全自动跑完闭环。
真实案例：一句提示词跑出 5 公里跑步闭环
技术专家 Simon Willison 在 2026 年 9 月进行了一场测试。他向运行在 ChatGPT Work 云端环境下的 GPT-6 Astra Max 输入了一句极其精简的自然语言指令：
I live at <详细居住地址>. Figure out 5K and 10K running routes from me that loop from my house. Use OSM data.
没有任何分步指引，也没有指定具体库文件。智能体接收任务后进入长达 27 分钟的深度推理与工具调用链，最终在对话界面交付了三项实体成果：一个直接在聊天界面内嵌渲染的可视化交互地图、一份可供运动手表导入的 .gpx 轨迹文件，以及一份标准的 .geojson 地理数据文件。
其中 5 公里路线精准匹配了当地著名的 El Granada 海港环线（总里程 5.1 公里），完全符合真实路网的物理通行逻辑。
拆解智能体的自主执行链
当被问及实现路径时，智能体给出了简洁的复盘：先调用 Nominatim（地理编码服务）解析地址坐标，再通过 Overpass API（OSM 数据查询接口）抓取周边道路与步道，最后在本地沙盒环境中完成环路拓扑计算。
┌───────────────────────────────────────────────────────────────┐
│ 1. 结构化解析：调用 Nominatim API 将文本地址转换为高精度 GPS 经纬度 │
└───────────────────────────────┬───────────────────────────────┘
▼
┌───────────────────────────────────────────────────────────────┐
│ 2. 空间数据抓取：构造 Overpass QL 语句，联网下载周围路网矢量数据 │
└───────────────────────────────┬───────────────────────────────┘
▼
┌───────────────────────────────────────────────────────────────┐
│ 3. 图算法运算：在 Python 沙盒中构建有向图，计算闭合环路距离与坡度 │
└───────────────────────────────┬───────────────────────────────┘
▼
┌───────────────────────────────────────────────────────────────┐
│ 4. 界面渲染交付：生成 D3.js 静态网页并通过 visualize skill 嵌入展示│
└───────────────────────────────────────────────────────────────┘
与过去需要人工编写 Overpass QL 查询语句不同，智能体在 Work 环境下自主处理了数据格式转换、错误重试与路径闭合算法。在结果展示环节，它调用了内建的 visualize skill（可视化技能），在沙盒路径 /workspace/el-granada-5k-share.html 生成了一套基于 D3.js 的渲染前端，用户无需跳转第三方地图即可直接缩放查看路线细节。
赋能自主任务的 3 项 Work 专属底座
普通 ChatGPT 对话模式受限于安全沙盒与短连接代理，无法执行这类端到端任务。ChatGPT Work（需 20 美元/月以上订阅）通过三项底层特性拉开了与普通对话的差距：
1. 无限制的联网代码执行沙盒
普通对话的代码解释器无法联网，其他竞品的容器往往只配置了极其有限的依赖源白名单。Work 云端沙盒直接开放了全网 HTTP/HTTPS 访问权限，智能体可以在沙盒内自由执行 git clone 拉取开源项目、通过 pip 或 npm 安装小众依赖，并实时调用任意第三方公开接口。
- 复现提示词：
Download the latest 30-day commit log from repository https://github.com/astral-sh/uv via GitHub API, parse the contributors, and output a sorted CSV file.
2. 内置 Headless Chrome 浏览器与 DOM 注入
Work 集成了无头浏览器环境，允许模型通过 Playwright 协议操控真实浏览器实例。智能体能够自主加载复杂单页应用、执行表单填写、截取长图，甚至调用 tab.playwright.evaluate() 对网页实时 DOM 树注入 JavaScript 脚本提取动态渲染数据。
- 复现提示词：
Load simonwillison.net in your browser and extract the headings using JavaScript, then summarize the structure.
3. 跨会话持久化文件系统
每个 Work 实例都挂载了独立的持久化存储卷（挂载点为 /workspace/），并为不同任务划分独立的临时工作区 /workspace/scratch/xxx。数据在对话结束后不会被系统销毁，后续新建的会话可以直接读取以往任务留下的中间缓存、数据库或配置文件，大幅降低了重复拉取数据的开销。
- 复现提示词：
Read the GeoJSON generated in my previous session from /workspace/scratch/routes/ and convert it into a static SVG map.
进阶能力：站点部署与子智能体协作
在单轮脚本执行之外，ChatGPT Work 提供了支撑系统级交付的高级功能：
- ChatGPT Sites 一键建站： 智能体结合 Cloudflare Workers 环境，可将数据分析结果直接打包并上线为一个具备交互界面的公网网站，支持 HTML、JS 与 D1/R2 有状态存储。例如输入：
Figure out all of the places in London with a pelican in her piety, then turn that into a JSON file and build a ChatGPT sites site about them，AI 会自动输出一个带有筛选条与数据下载按钮的完整展示站。 - Sub-Agent（子智能体）并行分发： 开启 Ultra 推理模式后，主智能体能够自动将庞大任务切分为若干子任务，并发启动搭载轻量级模型的子 Agent 分头抓取或清洗数据，最后由主 Agent 汇总结算。
- Scheduled Prompts（定时自动化）： 允许用户配置 cron 风格的定时触发器，驱动 Work 实例定期访问指定网页监控变更、抓取财报并输出周报。
演进阵痛与现阶段硬伤
在全自动任务处理的体验背后，当前版本的 Work 依然存在明显的操作盲区与安全限制，开发者在上手时需要规避以下问题：
| 阶段 | 核心问题 | 留下的硬伤 |
|---|---|---|
| 执行阶段 | UI 隐藏代码执行细节（透明度不足） | 用户无法实时查看底层运行的 Python 源码，无法中途修正算法逻辑 |
| 上下文压缩 | 长周期任务自动触发会话压缩（Compaction） | 历史代码在压缩后丢失，任务完成后 AI 无法还原当时的完整执行脚本 |
| 渲染阶段 | 外部静态资源 CSP（内容安全策略）拦截 | 可视化技能仅允许白名单 CDN（如 esm.sh、cdnjs），引用其他源会静默失败 |
透明度不足目前被大量资深用户视为 Work 的严重缺陷。由于智能体在 27 分钟的长流程计算中消耗了大量上下文，系统自动执行了上下文压缩。当用户在任务结束后要求获取 Python 原算法时，智能体已因记忆被裁切而无法提供当时的精确代码。此外，构建前端界面时必须明确指定 CDN 来源，否则脚本会被浏览器的安全策略静默拦截。
综合判断与结论
从工具演进的角度来看，ChatGPT Work 的核心价值不是更聪明地回答问题，而是拥有了无需人类插手的真实世界操作环境。它并不是普通聊天窗口的简单微调，而是一台挂载在大模型后方的云端无头服务器。
用户需要厘清一个误读：不要把 Work 当作起草文案或头脑风暴的即时聊天框。面对解释性问题，普通 Chat 响应更快、成本更低；只有当你的最终目标是一个包含具体交付物（如清洗后的多维数据集、可部署的前端网页、分析报告与矢量图表）的实体任务时，Work 才能发挥其真正的系统整合威力。
目前仍未彻底解决的核心挑战在于：如何在保障非技术用户界面简洁性的同时，为工程人员提供完备的可观测性与中间代码版本控制。在具备可靠的上下文持久化与代码导出机制之前，这类智能体在严谨生产环境下的可复现性依然面临考验。
引用来源
- Simon Willison. Generating running routes with GPT-6 Astra and ChatGPT Work [2026-09-12]. https://simonwillison.net/2026/Sep/12/astra-running-routes/
- Simon Willison. Understanding ChatGPT Work [2026-08-30]. https://simonwillison.net/2026/Aug/30/understanding-chatgpt-work/
- OpenAI. ChatGPT Work Official Technical Overview and Updates [2026-08-28]. https://openai.com/index/chatgpt-work-updates/
- OpenAI. Get started with Work documentation [2026-09-01]. https://learn.chatgpt.com/docs/get-started-with-work
- OpenAI. ChatGPT Work Browser Tool and Environment Specs [2026-09-05]. https://learn.chatgpt.com/docs/browser?surface=web
