
ChatGPT 负责人 Tibo Sottiaux 在 DevDay 现场谈工作方式:智能体团队随模型突破「扩张再收缩」,dot 的 harness 不跑在你的电脑上,互联网上多数操作将由智能体完成
一句话结论
OpenAI 的 ChatGPT 负责人 Tibo Sottiaux 在 DevDay 当天面对现场观众录制的 37 分钟访谈里讲了自己怎么用 AI 工作:Codex 替他写分析代码,有了 Ultrafast 后他不再需要大量并行智能体,团队规模随模型突破反复「扩张再收缩」;他认为手工调「循环」不是未来,真正的方向是一个 24 小时在线、会从反馈里学习的 dot;他说 dot 的 harness 不在用户机器上运行,可以像章鱼一样连接多台设备,并判断「互联网上的大多数操作将由智能体完成」。
背景与理念
这期 Lenny's Podcast 在 OpenAI DevDay 当天录制,2026 年 10 月 4 日上传到 YouTube,嘉宾是 OpenAI 的 ChatGPT 负责人 Tibo Sottiaux,主持人 Lenny Rachitsky,现场有观众。此前他负责 Codex,在社交网络上以频繁给用户「重置额度」出名。
他的核心判断是:技术应该为人工作,而不是把人拴在技术上。他希望有一个「永久在线的主动智能」,知道自己该做什么,能出现在任何客户端和任何屏幕上:走进会议室它就在会上做记录,回到邮件里它接着处理,需要时发条短信就行,而不是像现在这样「随身扛着一块砖一样的笔记本」。
具体做法
第一,他自己怎么写代码、用多少智能体
他说自己基本不再手写代码,大量用于分析趋势、理解业务、评估上一次发布效果的代码都由 Codex 替他写。只有周末偶尔会手写一点算法题,当作「治疗性的时刻」。
以前他会并行跑很多智能体,有了 Ultrafast 这个高速档之后,他觉得自己又能进入心流,「有一个更快的智能体对我帮助很大」。他描述了一种规律:推进前沿任务时,他会搭起越来越大的智能体团队;等下一次模型突破到来,一个更强的智能体就能把所有事情做完、记住一切,于是团队又缩小,如此反复「扩张、收缩、再扩张」。
第二,为什么不看好手工调「循环」
被问到业界流行的 loops 和 graphs,他说:「花力气搭建和摆弄你的循环,也许让人兴奋过一阵,但我不认为未来会是这样。」他认为正确的方向是 dots 的定位:一个非常聪明、24 小时工作、理解你的目标和偏好、能从反馈中学习的智能体,用户不需要去想「我要怎样精确地编排循环才能拿到好结果」。
第三,产品会走向合并和极简
他说 Codex 和 ChatGPT 会合并:用户喜欢 work 模式的能力,但有时又想用更快、更舒服的 chat,所以要把两者合在一起,减少复杂度。最终 dots 的所有能力也会直接进入 ChatGPT,给大约 12 亿用户「抬高下限」。他特别喜欢 dots 没有模型选择器、没有配置,唯一要设置的是希望通过哪些渠道和它交流;在节目最后他也吐槽,连他自己都对模型选择器、推理强度、多智能体这些选项感到疲劳,「你差不多需要一个模型选择器博士学位」。
第四,多个 dot 组成虚拟团队
目前每人只有一个「主 dot」,很快就能添加第二个、第三个,组成虚拟团队并给每个分配具体角色。他说自己就有一个专门负责 Twitter 的 dot,因为监控 Twitter 的工作量足够占满一个 dot。他每天大约花半小时在 Twitter 上。
第五,dot 的架构与权限
他说 dots 和很多同类产品的根本区别在于:harness 不在用户的机器上运行。dot 有自己的计算机,也可以连接你的笔记本,将来可能连接十台设备并全部控制,「有点像一只章鱼」。他的 dot 能访问部分生产系统,但带有护栏;他提到的「专家 dot」会在额外的护栏和监控下运行,跑在独立的硬件上,「我们其实有一些跑在 Mac mini 上」。
他讲了一个 DevDay 当天的真实例子:直播演示前五分钟,ChatGPT 生产环境出了故障,他的 dot 主动提醒他。dot 自己把几件事联系起来:今天是 DevDay,有一场现场演示,演示很可能依赖这个生产系统,而演示五分钟后就开始,所以应该马上通知他。dot 还问要不要尝试修复,他婉拒了,转而联系了工程团队,问题后来已经修好。
第六,OpenAI 内部如何快速做出产品
他用 Decisions API 举例说明 OpenAI 的「自下而上」:团队意识到已经有一个很好的模型,加上约束采样,就能以不同于 Responses API 的形态发布,速度更快。这件事最初是四个人在一个周末拼起来的 Slack 频道,后来像公司食堂一样对所有人开放,越来越多人加入,发现还能支持视觉输入,最终正式发布。他说公司会保持很高的质量门槛,原本有更多东西打算在 DevDay 发布,但被他压后分散到之后几周。
关于自主权,他说公司信任人做出好的选择,出了问题就快速修复、从错误里学习。他可以随时按下「重置额度」按钮而不必层层审批;他也坦白自己入职第三天就把生产环境弄挂过,「之后我还被留用了」。
第七,面向智能体的产品与安全投入
「互联网上的大多数操作将由智能体完成」,他说这是大家还没有充分计入的趋势,另外两条是模型会以惊人的速度变得更便宜、更快,以及各种模态终将无缝融合。他说如果把这些都想象成一年后比今天好十倍,很多人会用完全不同的方式去构建产品。他举 Notion 为例:Notion 做了 MCP 之后,所有智能体都能用它干活,流量大增,也给系统带来压力,需要重新想清楚经济模型;做产品的人会在「要不要提供面向智能体的接口」上纠结,但这是不可避免的。
谈到「放慢前沿」,他说这对他意味着提前投入、甚至比自认为应当的投入得更多:投在对齐与安全、安防和护栏上。他说公司在「二级监控」上花的算力越来越多:一部分算力给干活的主智能体,另一部分用来监控它,确保它不采取风险过高的操作,发现可能被提示注入时介入。他说 OpenAI 还没有发布比 Astra 更高一级能力的模型,而做出 6.1 Astra 却没有发布,是他「非常自豪」的一件事。
关键数据/例子
生态:Sign in with ChatGPT 已有 16 家合作方,最早源于他和 Pi、OpenCode 创作者的一次「口头握手」。插件会按留存和使用质量被推荐给用户,受欢迎的插件还会分到收入,这一点他说在主题演讲里没有讲。
招聘:他说 OpenAI 目前有超过 120 位前 YC 创始人;在走下坡的技能是「打字快」,在走上坡的是品味、关注用户、和目标人群建立连接。他举的榜样是 Ahmed Ibrahim:作为应届生入职,参与构建了大量 Codex harness,现在负责 OpenAI 的整个算力集群和应用工作。
DevDay 当天的例子:dot 在直播演示前五分钟发现生产环境故障并主动提醒他。
他这一年改变的看法:原以为要一两年后才能达到 Astra 这样的能力;没想到自己会如此依赖语音,大量工作靠口述或直接给智能体打电话完成。
创新点
第一,把智能体团队的规模看成随模型能力波动的变量,而不是越多越好。模型一突破就把团队收缩成一个更强的智能体,这和「堆更多并行智能体」的流行做法正好相反。
第二,把 harness 和用户设备彻底分离。智能体在自己的环境里运行,再按需连接多台设备,权限和监控可以集中在一处管理。
第三,用「二级监控」把安全变成一项持续的算力开销。一部分算力专门盯着干活的智能体,发现高风险操作或提示注入就介入。
第四,用留存而不是关键词来决定插件推荐。插件能不能被推荐取决于用户是否持续在用,再配上收入分成,这是一种更接近应用商店的分发逻辑。
可否复用
- 定期检查自己的智能体编排是不是过度设计:每次换上更强的模型,都试一下能否用一个智能体替代原来的多智能体流水线,能就收缩。
- 让个人智能体把日程和系统状态联系起来,例如在重要会议或演示之前检查相关服务是否正常,有问题主动提醒,而不是等人去问。
- 给能访问生产系统的智能体单独配环境:独立硬件或虚拟机、额外护栏、额外监控,和日常助理分开。
- 在智能体旁边放一个专门的监控模型,审查高风险操作并识别提示注入,把这部分算力当作必要成本计入预算。
- 如果你在做 SaaS,尽早考虑面向智能体的接口和它带来的流量与成本,例如提供 MCP 服务器并为突发流量设计计费。