ChatGPT Agent 模式 — 讓 AI 代替你操作瀏覽器完成任務

由 FeiYueh 親自審稿驗證 · 最後更新於 2026-09-19

ChatGPT Agent 模式的實際價值不在「速度更快」，而在把「需要開十幾個分頁、來回複製貼上」的多步驟任務壓成一次指令。它會在 OpenAI 雲端啟動一台虛擬電腦，用自己的瀏覽器點按鈕、填表單、讀網頁、跑程式碼，最後把結果交給你——但它同時是目前風險最高的 AI 使用方式，因為它握有你的登入狀態。 Agent 模

ChatGPT Agent 模式的實際價值不在「速度更快」，而在把「需要開十幾個分頁、來回複製貼上」的多步驟任務壓成一次指令。它會在 OpenAI 雲端啟動一台虛擬電腦，用自己的瀏覽器點按鈕、填表單、讀網頁、跑程式碼，最後把結果交給你——但它同時是目前風險最高的 AI 使用方式，因為它握有你的登入狀態。 Agent 模式到底在做什麼 Agent 模式是把三個原本分開的能力合併成一個工具集。OpenAI 於 2025 年 7 月 17 日推出 ChatGPT agent，將先前的 Operator（視覺瀏覽器操作）與 deep research（文字網頁分析）整合進單一系統，並加上終端機與檔案處理能力（ 「ChatGPT agent 於 2025 年 7 月 17 日推出，整合 Operator 與 deep research」（來源：OpenAI 官方部落格） ）。 執行時它有三種存取網頁的方式，模型會自己選：視覺瀏覽器（模擬滑鼠點擊與捲動，處理需要互動的頁面）、文字瀏覽器（只抓文字，速度快很多，適合純閱讀查資料）、終端機（跑 Python、處理下載的檔案）。這三者共用同一個虛擬機的狀態，所以它可以「先用視覺瀏覽器登入某網站下載報表，再用終端機把 CSV 算成統計表」。 關鍵差異在於：一般 ChatGPT 的網頁搜尋是「讀取」，Agent 模式是「操作」。前者只能告訴你機票多少錢，後者可以走完訂位流程到付款前一步。 能力邊界：它擅長什麼、什麼做不到 Agent 模式在「規則明確、步驟多、每步都不難」的任務上表現最好。實務上驗證有效的類型包括：跨多個網站比價並整理成表格、從 SaaS 後台匯出資料再做彙整、把一批網頁內容抓下來轉成投影片或試算表、填寫格式固定的線上表單。 在需要判斷力的基準測試上，它的分數明顯高於單純問答模型但遠未飽和。OpenAI 公布 ChatGPT agent 在 Humanity's Last Exam 取得 41.6% pass@1，在投資銀行建模任務 「DSBench 資料建模項目達 89.9%」（來源：OpenAI 官方部落格） ；同一份公告指出它在 FrontierMath 上為 27.4%。這些數字說明它能處理結構化的分析工作，但在開放式推理仍有超過半數題目答錯。 它做不到的部分同樣具體：需要人臉/生物辨識的驗證、複雜的拖曳式介面、大量 Canvas 或 WebGL 渲染的頁面、以及任何被 Cloudflare 之類反機器人機制擋下的站點。遇到雙因素驗證或 CAPTCHA 時它會停下來把控制權交還給你，而不是自己繞過。 時間成本的真實樣貌 Agent 模式慢。一個涉及五、六個網站的任務，實測常落在 5 到 25 分鐘之間，因為它每一步都要等頁面載入、截圖、讓模型判讀畫面再決定下一動作。它適合「你可以離開去做別的事」的任務，不適合你盯著螢幕等答案的場合。 三個必須先設好的安全前提 Agent 模式最大的風險是 prompt injection：網頁上的隱藏文字可以對 AI 下指令，而 AI 帶著你的登入 cookie。OpenAI 在官方公告中明確將 ChatGPT agent 在生物與化學能力上歸類為 「High capability 等級並啟動對應防護措施」（來源：OpenAI Preparedness Framework 公告） ，同時針對代理式瀏覽建立了獨立的 injection 防禦與使用者確認機制。 實務上有三件事該在第一次使用前做完： 用獨立瀏覽器身分登入 ：只在 Agent 的虛擬瀏覽器裡登入你願意讓它碰的帳號。銀行、主要 email、公司內部系統不要登入。它的 cookie 會保留在該 session 內。 開啟「接管模式」再輸入密碼 ：Agent 提供 takeover 讓你親手在虛擬畫面上打字，這段輸入不會進入模型的觀察範圍。不要用對話框把密碼傳給它。 把不可逆動作列為需確認 ：送出訂單、寄出 email、刪除資料這類步驟，預設它會先問你。不要因為嫌煩而養成「一律按同意」的習慣——injection 攻擊正是靠這個成功。 對照組值得一看：Anthropic 的 Claude 也提供類似的電腦操作能力，其 Computer Use 官方文件 同樣把「在有隔離的虛擬機執行、避免給予真實帳號權限」列為第一條建議。兩家的安全結論一致，代表這不是單一廠商的產品限制，而是這類技術本身的性質。 寫出能成功的指令 Agent 模式的失敗大多來自指令太模糊，而不是模型能力不足。有效的指令包含四個要素：起點（從哪個網站開始）、判準（怎樣算符合條件）、輸出格式（要表格、清單還是檔案）、停止點（做到哪一步就停）。 對照兩種寫法。無效版本：「幫我找便宜的機票」。有效版本：「到 Google Fligh

由 FeiYueh 親自審稿驗證 · 最後更新於 2026-09-19. Independently maintained — not AI-generated boilerplate.