OpenAI凌晨发布了Workspace Agents,GPTs开始进入倒计时。
这个新产品被介绍为GPTs的进化形态,定位很明确:面向团队,把一段可以重复执行的工作流程,做成一个可共享、可运行的agent。
它由Codex驱动,有自己的工作空间,可以接触文件、调用工具,并在后台持续执行任务。
你把团队里反复做的工作流描述给ChatGPT,比如让它收集信息、做判断、生成结果,再把结果发出去,ChatGPT就会把这个流程搭成一个Agent,然后你的整个团队都可以在ChatGPT或Slack里用这个Agent,一边用一边改。
搭好之后它就会在后台一直跑,人走它还在。
听起来好熟悉,像OpenClaw·团队版。
01 团队共享的agent
Workspace Agents如其名,工作空间的agent,就是面向工作团队的。
这个新功能放在ChatGPT的侧边栏里,是一个单独的入口,点进去之后会出现一个可以搭流程的地方。
你可以从零创建一个agent,也可以基于官方提供的模板来改。整个过程不需要写代码,大白话描述流程就行,系统会一步步把它拆开:需要做哪些步骤,用到哪些工具,最后输出什么结果。
创建好的agent会出现在团队目录里,其他成员可以直接调用同一个agent,也可以在使用过程中对流程进行调整和补充。
也就是说,流程变成了团队可以复用的工具。而且它不是一次写死的,可以在使用中不断被修正。
除此之外,Workspace Agents有自己的工作空间,可以读取和保存文件、调用已经连接的工具,像邮件、日历、文档系统或其他业务系统,以及在需要的时候执行代码。
它还可以持续运行,手动触发或者定时都可以,流程一旦开始,它就会按照设定的步骤往下执行,不需要每一步都由人来触发。只要确保整个流程可行,你完全可以放在那让它自己干活。
执行过程是可控的,Workspace Agents会遵循预先设定好的权限和控制规则。
每个agent能用什么工具、能访问哪些数据,都可以提前设定;涉及修改内容、发送信息这类操作,可以要求先经过确认;管理员可以看到它的使用情况,也可以在需要时暂停或调整。
如果放在过去几代产品里看,这个变化会更清楚一些。
最早的GPTs,本质是prompt+知识库+Actions,一次性配置,单人使用,没有真正的长流程执行能力。
后来出现的ChatGPT Agent,虽然也可以执行任务,但更接近一次性调用。做完就结束,没有持续运行,也没有稳定的身份。
到Workspace Agents,这一类产品开始稳定下来:它是团队共享的,可以长期运行,有自己的上下文和记忆,会按照预设流程持续执行,同时还带有权限和管理机制。
从官方给出的说明来看,这个产品适合那些结构化、可重复、依赖多个工具、并且需要持续运行的工作。对于一次性的对话或临时任务,大概不需要那么复杂。
Workspace Agents现已在ChatGPT商业、企业、教育和教师计划的研究预览中可用。对于企业和教育计划,管理员可以通过角色权限控制来管理这些agent。
02 在规则明确的前提下简化流程
OpenAI给出了五个典型场景,覆盖了IT、产品、运营、销售和风控五个职能。
这些场景没有一个是需要写代码的,它们有一个共同点:事情本身算不上复杂,但信息散在不同地方,需要人来回找、来回整理。
第一个是软件审查:员工提交软件使用或采购申请之后,agent会对照公司已有的工具清单和安全规则,判断这个申请能不能通过,接下来该怎么处理,必要的话还会直接帮你把工单提上去。
第二个是产品反馈整理:agent会同时看Slack、客服渠道和公开论坛,把零散的用户反馈收集起来,做简单分类,判断哪些更重要,再整理成工单,同时输出一份阶段性的总结。
第三个是周报生成:agent会在固定时间去拉业务数据,做成图表,再写一段总结说明,最后整理成一份完整的报告交给团队。
第四个是销售线索跟进:agent会去查新客户的信息,根据团队的规则判断这个客户值不值得跟进,帮你起草一封跟进邮件,再把相关内容同步回CRM系统。
第五个是第三方风险评估:agent会去查供应商的各种信息,比如有没有被制裁、财务状况怎么样、有没有负面新闻,然后按公司的标准整理成一份报告。
这五个场景指向的其实是同一类事情,也就是Workspace Agents最大的用处:如果流程已经在那里,但执行的时候,需要人不停在不同工具之间来回切换,最后再把结果拼在一起。Workspace Agents可以把这些步骤连起来,让它自己按顺序跑完。
问题随之而来:让它收集信息,整理流程还好,但把判断也交给它,真的合适吗?
从官方给出的设计来看,这个问题并没有被忽略。
Workspace Agents里的“判断”,并不是完全自由发挥,它被放在一套规则之内。
比如在软件审查的场景里,它会对照公司已有的清单和安全规则,判断用不用某个工具;在销售线索的场景里,它也不是随便挑客户,而是按照团队事先设定好的标准来打分。
对于那些更敏感的动作,比如修改数据、发送对外信息、创建日程,系统默认是可以加一道确认的。流程可以自动跑,但关键节点依然可以停下来,让人来做最后一步决定。
这其实也划清了一个边界。
Workspace Agents更适合处理的是那种规则已经明确、判断标准已经写清楚的工作。
如果一件事情本身就需要大量临时判断、需要根据语境不断调整,那它依然需要人来主导。
03 从OpenClaw学到的管理法
把这个工具放在管理的角度来看,Workspace Agents解决的其实不是效率问题,而是流程本身的组织方式。
在很多团队里,工作流程虽然存在,但并没有被完整写下来。
它散在不同地方:一部分在文档里,一部分在系统里,还有一部分在具体执行的人脑子里。
同一件事交给不同的人来做,顺序可能不一样,判断标准也不完全一致。
这也是为什么,很多工作看起来简单,但始终很难稳定下来。
19世纪末,泰勒提出了科学管理法,其核心就是把工作从“依赖个人经验”,变成“可以被拆分、被记录、被重复执行的步骤”。
先把一件事拆开,每一步该怎么做,用什么标准判断,再把这些步骤固定下来,让不同的人都可以按同一套方式去执行。
Workspace Agents做的事情,其实很接近这一套逻辑。一段流程需要先被写清楚:什么时候开始,用到哪些数据,经过哪些步骤,最后产出什么结果。
这些内容直接变成一个可以运行的流程,在执行的时候,不再依赖某个人记住下一步该做什么,而是按照已经定义好的顺序往下走。
带来的变化是,流程可以从人身上拆下来。
过去,一个团队里“最熟的人”往往决定了流程能不能顺利跑完;现在,这部分经验可以被写进流程里,团队里的其他人直接调用同一套做法。
另外一个很重要的点是,流程必须带有边界:哪些地方可以自动执行,哪些地方必须停下来确认,哪些数据可以用,哪些不能碰,这些都要在一开始就设定好。
从这个角度看,Workspace Agents并没有改变工作的内容,它改变的是流程的存在方式。
流程不再只是被描述,而是可以被运行、被复用,也可以被持续调整。
像OpenClaw这样的工具,最开始做的也是这种方向:它们试图让系统去接管一整段操作过程,把原本需要人在电脑前一步步完成的动作,变成一个可以自动执行的流程。
区别在于,Workspace Agents把这件事放进了团队环境里,并且补上了权限、审批和管理这一层,让工作变得更加可控。
类似的尝试,并不只出现在OpenAI一家。
Microsoft在推进自己的Copilot Agents,把这一类能力嵌进Microsoft 365,从邮件、文档到协作工具,尽量覆盖员工日常使用的环境。
Google今天也推出了企业侧的Agent平台,重点在于如何管理和调度大量agent,让它们在不同系统之间协同工作。
不过,对于企业来说,差别不只是功能本身。真正的成本在于使用:员工要不要学习新工具,流程要不要重建,决定了这些系统能不能真正跑起来。
竞争还在继续,但方向已经很明确了。
本文来自微信公众号“字母AI”,作者:袁心玥
