- 日期:2026-10-05
- 来源:阅读原文
- 讲者:Tibo Sottiaux(OpenAI,负责 ChatGPT 和 Codex)× Lenny(Lenny's Podcast);公众号「深思圈」整理
- 信源层级:二手(原始出处:Lenny's Podcast,DevDay 当天录制;涉及 Dots 的产品细节多为口头说明)
- 标签:Personal AI / Agent产品 / 分发与留存
- 渠道:公众号「深思圈」
- 体裁:访谈
- 一句话:当分发由 agent 决定、agent 又看留存来选,质量本身就成了分发——留存就是分发。
〇、背景
访谈录于 2026-09-29 OpenAI DevDay 当天(OpenAI 一口气发布 20+ 产品)。最受关注的是 Dots——一种永远在线、有自己电脑的个人 agent。Lenny 在发布几小时后和 Tibo 对谈:Dots 是什么、互联网大多数操作将由 agent 完成意味着什么、哪些技能升值/贬值、OpenAI 怎么看安全。
⚠️ 作者(深思圈)预先声明:Tibo 是发布这个产品的人,很多话是意图和预测,不是已发生的事实。
一、团队扩张-收缩像“呼吸”:脚手架终将被下一代模型拆掉
- Tibo 的亲身观察:每往前推边界,就搭越来越大的 agent 团队、分工配合;然后模型有下一次突破,发现一个更大的 agent 自己就能做完,于是又把团队缩回去。扩张→收缩→再扩张,像呼吸。
- 对“循环/图”热潮的态度:让人自己设计执行循环、画流程图、微调工作流——“也许让人兴奋过”,但真正会赢的是 Dots 这种思路:一个极聪明、全天候的 agent,理解你的目标和偏好,从反馈里学习。“你不需要关心它内部怎么循环,只需要告诉它你想要什么。”
- 可迁移的判断标准(作者提炼):Tibo 之前讲过 harness 是模型的拐杖——模型不会主动跑测试,就在提示词里提醒它;模型学会了,这段提醒就该删。你为模型搭的脚手架,有一部分是在弥补它今天的不足,下一代模型一来就该拆。真正值得长期投入的,是你对“目标和好坏标准”的描述,而不是把步骤拆得多细。
“工作流里该留下来的,是你想要什么,不是怎么一步步做。”
二、Dots:把智能做成“会学习、永远在线的同事”
产品事实(据 TechCrunch、Engadget 等):由 GPT-6 Astra 驱动;每个 dot 有自己的云端电脑和浏览器;可接入 4000+ 应用;可通过 ChatGPT/Slack/Teams 联系(短信稍后)。在后台持续朝你设定的目标工作,你随时可回来检查它做了什么。随 Pro/Business Premium 订阅提供,不额外收费,部分地区暂未开放。
Tibo 的理想描述:
- 核心是摆脱对技术本身的依赖,拥有永久在线的主动智能,在任何客户端、任何屏幕上都能找到它。走进会议室它就在会议里替你记笔记,之后你在邮件里接着找它。“需要它的时候它在,不需要的时候它让开。”
- “每天扛着笔记本电脑到处走,像背着一块砖——你被技术拴住了,而不是技术在替你工作。”
使用方式:没有模型选择器,没有一堆配置,唯一要选的是“通过哪些渠道和它说话”。现在每人一个 primary dot(最懂你偏好);很快开放第二、第三个,组成虚拟团队(各分配不同角色)。Tibo 自己已有一个专门负责 X 的 dot——“盯着一个平台,本身就是整整一个 dot 的工作量”。
架构细节(易被忽略):Dots 的 harness 不跑在你的机器上——它有自己的电脑,也可连到你的笔记本,将来可同时连十台设备。Tibo 比作章鱼:一个中心,很多触手。specialist dots(专用 dot)跑在额外护栏和监控下,用独立硬件(内部有些跑在 Mac mini 上)。
作者的关键推断:当产品的核心是“它对你的了解”,记忆就不再是一个功能,而是壁垒,也是你离开它的成本。
三、发布前 5 分钟救了场,但没被允许动手(主动 vs 越权)
故事:DevDay 现场演示前,ChatGPT 线上服务出故障。Tibo 的 dot 主动在演示前 5 分钟发消息:“生产环境挂了,要不要我来试着修?” Tibo 回:“我觉得你还没到那一步,小 dot,不过谢谢你的尝试。” 随后联系工程团队,问题很快修好。
Tibo 的拆解:这个 dot 的聪明,不是它发现了故障,而是它把几件看似无关的事连到了一起——今天是 DevDay、现场有演示、演示大概率用到这个生产系统、这件事 5 分钟后发生,所以应该提醒。
作者提炼:AI 做对了两件事(理解关联 + 判断“这个人大概想马上知道”),被拦住一件事(动手修)。
“主动的价值,在于知道你想被打扰的那一刻;而不越权,不能靠 AI 自觉,只能靠产品设计。”
“好助理的标准,不是什么都敢做,而是知道什么该告诉你,什么该等你点头。”
(Tibo 自己也说,入职 OpenAI 第 3 天就把线上服务搞挂过。区别在于:权限被设计成犯了错也不致命。)
四、互联网大多数操作将由 agent 完成 → 流量与分发
- Tibo 给出三条“大家还没算进去的”:① 互联网上大多数操作将由 agent 完成;② 模型会以惊人速度更便宜更快;③ 所有模态无缝整合。“如果你认真想象一年后这一切好十倍,你就会用完全不同的方式构建。”
- 对做产品的人,第一个后果是流量:Notion 做好 MCP 后,所有 agent 一下子都能用它干活,大量流量涌入,给系统很大压力——你得想清楚这笔账。→ 真实矛盾:要不要做面向 agent 的接口?可以拖一阵,但这是必然,因为多数使用将来自 agent。
- 另一面同样重要:为人类做真正美好的新体验,目前反而投资不足。
- 生态:Tibo 认为被低估的是 OpenAI 开放的决心(sleeper hit)。“Sign in with ChatGPT”已有 16 个合作伙伴(Notion/Vercel/Devin 等);还在开放插件扩展和发现,让任何人借助接近 12 亿用户的分发渠道;受欢迎的插件参与收入分成(主题演讲未讲)。
1. 🔑 核心金句:留存就是分发
“那怎么被推荐?Tibo 的回答只有四个字:做好插件。” 系统看的是留存、使用质量,再据此在对话里推荐给用户;不好的插件会被停止推荐。
Lenny 问:这是不是不像 AEO(针对 AI 的搜索优化)那样靠写对关键词?Tibo 同意——关键在于用户会不会持续使用。
作者点题:“当分发由 agent 决定,agent 又是看留存来选的,质量本身就成了分发。” 你没办法靠包装/关键词/活动换来长期位置,因为 agent 是一种新的用户,它会用脚投票。
五、打字快不再值钱,值钱的是“知道什么算好”
- 招聘:Tibo 直接说下降的技能是打字快;上升的是好的品味、对用户的思考、对目标受众的连接。
- “超级创业公司”:OpenAI 里有很多创始人,其中前 YC 创始人有 120 多位(Tibo 说法,未核实)。“那种想做重要的东西、同时知道什么是好的热情,比以往任何时候都重要。”
- 职责边界在模糊:过去“只做设计或只做工程、总觉得别扭”的人,现在是发光的时候。
- 一个应届生的例子:现在负责整个算力集群和应用侧。脱颖而出不是靠硬技能,而是非常善良、善于协作、总是去解决真正重要的问题、不把自己放第一位,同时是块“海绵”,学得极快。
- Tibo 现在基本不手写代码(很多分析和功能由 Codex 写),只在周末偶尔手写算法题当“治愈”。原则:“把人放在中心,把技术做成人的意志和品味的延伸。”
“也许以后不再有程序员,但会有比以往更多的建造者……我现在不是在和 Dot 说话,我在和你说话。” ← 作者:与“实现变便宜后,稀缺的是判断什么是好的、该往哪走”是同一个意思。
六、把更多算力,花在“盯着 agent”身上
- pacing the frontier = 提前投入:在对齐、安全、护栏上,投入得比想象中应该做的更多。
- secondary monitoring(二级监控):除了干活的主 agent,还有另一套算力盯着它——看它是否在采取风险过高的行动、是否被 prompt injection(提示词注入),必要时直接打断。
- OpenAI 还没发布 Astra 之后更强的下一档,只发布了智能接近 Astra 但效率高得多的 GPT-6.1 Sol(token 价格约 Astra 的 20%)。
- Dots 的具体安全设计:密码类敏感操作总要人确认;用户可自定义哪些动作允许/禁止/需批准;监控系统可暂停/停止它认为有安全问题的 agent。Tibo:“OpenAI 为 12 亿人做产品,其中很多不懂技术——我们不赌。”
作者的关键变化:安全不再只发生在训练阶段,而是发生在运行阶段,且是有成本的。你看到的是一个干活的 dot,背后其实是两套算力:一套做事,一套问“这样做行吗”。
七、“模型选择器的博士学位”是产品欠用户的债
- Lenny 问“你对 ChatGPT 最不满的是什么”,Tibo 坦白:模型还差一点点,应用还没法几乎完全消失。他看模型选择器/推理强度/多 agent 开关都会感到疲惫——“你需要一个模型选择器的博士学位”,想尽快把这些全去掉。
- 计划:把 Codex 和 ChatGPT 里的 Work 合并,减少复杂度,最终把 Dots 能力直接放进 ChatGPT,抬高所有用户的下限。
- Tibo 也变了看法:原以为模型要一两年才能达到 Astra,结果来得更快;没想到这么依赖语音(很多事靠听写或直接给 agent 打电话)。
作者:复杂度是产品欠用户的债。每多一个选项,用户就多付一次学习成本——这笔债该由产品来还,而不是让用户一个个去还。
作者的核心思考(值得单独看)
Tibo 方向非常一致:把复杂度从用户手里拿走——不用选模型、不用搭循环、不用调工作流,甚至不用打开某个应用,你只需要说你要什么,一个会学习的 agent 去处理。方向是对的,因为用户并不想成为 agent 的运维人员。
但复杂度没有消失,只是搬到了平台一侧:
选哪个模型,谁来替你选?循环怎么搭,谁来保证?它能碰哪些系统,出了错谁负责?这些问题在“没有配置”的产品里更少被看见,却更重要。
“配置越少,不等于判断越少,只是判断被放到了你看不见的地方。”
两句话建议:
- 做会被 agent 调用的产品 → 为 agent 规模的流量做好准备,提前想清楚账怎么算。
- 普通用户 → 看两件事:它让你省掉了哪些配置,它为此拿走了你哪些权限。“用户省下的每一次选择,背后都有人替你做了决定。真正该问的,不是 Dots 有多聪明,而是谁在替我做决定,我能不能看得见、改得了。”
读后判断(范德)
这篇是“Personal AI”线的又一个高密度切片,而且它给出了一条对这整个赛道都适用的商业定律——“留存就是分发”。 它和 a16z 那篇(“agent 会用脚投票”)、Muse 那篇(Dots/Muse 同代产品)构成呼应。
三条对造物云/我们最直接的:
- “留存就是分发”是给所有做 Agent/插件的人的商业定律。 当推荐由 agent 决定、agent 看留存来选,包装/关键词/活动都换不来长期位置。→ 对我们:如果造物云/小龙虾要做“被其他 agent 调用的能力”,唯一的路是把留存做厚(真好用、真被持续用)。这也是为什么“质量”在这个时代重新变成分发本身。
- “工作流里该留下来的,是你想要什么,不是怎么一步步做”——直接判了“复杂工作流产品”的死刑。 Tibo 说搭循环/画流程图是“模型的拐杖”,下一代模型一来就该拆。这对我们 Facn/团队做 Agent 编排是个警醒:我们是不是在花大力气搭“模型今天需要、明天会淘汰”的脚手架?该投入的是“目标和好坏标准的描述”(判断),不是步骤细节。
- “配置越少 ≠ 判断越少,只是判断被搬到了你看不见的地方”——这是对 all-in-one 产品的尖锐提醒。 对我们做 Agent 产品:把复杂度从用户手里拿走的同时,要把“判断/权限/护栏”做在平台侧且可审计。这跟 Ontology 那篇“可执行的知识”、Muse 那篇“哨兵/最小权限”是同一主题。
诚实标注:本文是二手(深思圈整理),且 Tibo 是 Dots 的发布者,大量内容是意图和预测(“多数操作将由 agent 完成”“一年后好十倍”),非既成事实;产品细节(插件分成、推荐排序)多为口头说明。作者本人已在文中标出这些边界——这是一个优质二手的范本。