Article content is shown in its original language.
OpenAI 在 DevDay 2026 推出 24 小时后台运行的自主桌面智能体 Dots 与 Decisions API；公开演示突发逻辑死循环与光标卡壳，暴露出长程规划状态漂移与操作系统非确定性交互的落地鸿沟。
一、光标在空白处停顿的三秒钟：智能体公开演示卡壳折射出的工程现实
在刚刚开幕的 OpenAI 开发者大会（DevDay 2026）主会场上，发生了一幕令全场技术极客与线上数万开发者屏息的戏剧性瞬间：演示者向全新发布的全天候智能体产品“Dots”下达了一项看似平淡无奇的跨软件工作流任务——“排查客户在 Slack 中提交的发票异常，并在会计系统后台生成退款草稿”。大屏幕上，由模型驱动的虚拟光标熟练地滑过屏幕、唤出浏览器、登录企业内网，然而就在面对一个系统临时弹出的“Cookie 同意确认框”时，光标突然停留在距离按钮仅有五像素的空白区域，开始以每秒三次的高频微幅震颤，整整陷入卡壳长达半分钟，最终控制台抛出了超时异常中断。
这一被全球技术媒体热烈讨论的演示翻车插曲，并没有掩盖 OpenAI 本次发布的核心技术突破，反而以最写实的形式撕开了生成式 AI 从“对话聊天”跃迁至“自主行动”过程中的真实阵痛。在此次大会上，OpenAI 正式发布了专为多智能体长时间后台运行打造的全新底座 Dots，以及配套的底层开发接口 Decisions API。从纸面参数到现实桌面，AI 智能体正在试图越过单纯的生成式顾问角色，向拥有操作系统接管权的虚拟员工蜕变，但这一跃迁所面临的工程挑战，远比大众想象的更为严酷。
二、Dots 架构与全天候后台运行机制：从被动问答到主动事件总线
深入解构 Dots 的技术白皮书可以发现，OpenAI 正在彻底重写人机交互的范式。传统的 ChatGPT 或 GPT-4 系列模型，本质上遵循着“请求-响应”的无状态对话流水线；一旦用户关闭对话窗口或离开电脑，模型的思维便戛然而止。而 Dots 则是一套常驻在操作系统后台的事件驱动型智能体守护进程（Agent Daemon）。
Dots 的核心架构包含三大技术支柱：第一是基于无头浏览器与无障碍辅助接口（Accessibility API）的视觉-动作桥梁。它无需依赖复杂的特定软件插件，而是解析操作系统窗口树的结构化语义，利用多模态视觉编码器将屏幕像素与 UI 控件坐标精准绑定；第二是跨周期的持久化记忆与会话状态账本。Dots 能够在长达数天甚至数周的时间跨度内，全程追踪复杂项目在文件系统、邮件往来和即时通讯中的演变，并在关键事件发生时自主触发下一步动作；第三是轻量化的环境事件监听总线。它能够静默捕获系统剪贴板更新、新文件写入或特定的网络 Webhook 回调，使智能体具备了在人类离开电脑后、依然能够24小时不间断处理运维与数据清洗任务的“自主生命周期”。
三、Decisions API 深度拆解：状态机如何替代模糊自由发挥
伴随 Dots 一同亮相的 Decisions API，则是 OpenAI 针对企业级开发者递出的一套关键控制面。在此之前，开发者利用通用大模型构建 Agent 时，最常遭遇的难题是模型输出动作的不可控性：即便在 System Prompt 中千叮咛万嘱咐“请严格以 JSON 格式输出下一步行动”，模型在面对长上下文或复杂逻辑分支时，依然会偶发性地混入自由文本修辞或编造不存在的函数名称，导致下游程序抛出解析错误。
Decisions API 在协议层面对这种不可预测性实施了刚性约束。开发者不再向模型索取一段笼统的回复，而是通过预先定义的强类型有限状态机（Finite State Machine, FSM）定义整个任务的候选决策空间。例如在金融报销审批场景中，开发者可以在 Schema 中严格限定：当前状态下，模型只能且必须从“APPROVE（通过）”、“REJECT（拒绝并附带理由代码）”或“ESCALATE（转人工核实）”这三个枚举值中选取一个，并强行绑定对应的数字置信度评分与证据索引链。Decisions API 在模型生成阶段即实施硬性的词元屏蔽（Logit Masking），从数学概率层面物理抹除偏离状态机定义的输出可能。这种将模糊自然语言推理压缩进确定性状态机的技术路径，为企业将智能体引入严肃生产业务奠定了基础。
四、现场卡壳的技术归因：长程推理漂移与非确定性 UI 的碰撞
既然拥有如此严密的技术设计，为什么 Dots 依然会在公开展演的聚光灯下当场死锁？通过对事故现场视频与错误日志的帧级拆解，可以锁定长程智能体所面临的两大致命工程盲区：
首先是“环境状态认知的感知漂移”。在真实的桌面操作系统中，UI 状态的复杂度远远超越沙箱测试环境。演示中所弹出的 Cookie 提示框由于样式采用了毛玻璃半透明材质，导致多模态模型提取的语义文本与底层 Accessibility 接口返回的 DOM 树产生了微小的空间偏移。模型计算出的点击锚点落在了透明遮罩层的边缘而非物理按钮本身，点击操作被系统静默吞噬，未能触发窗口关闭。
其次是“缺乏终结机制的反思死锁（Reflection Deadlock）”。当模型检测到屏幕状态在点击后未发生预期跳转时，其内部集成的自省评估模块（Self-Correction）被激活。然而由于模型对当前失败的归因错误（它误认为是网页加载延迟，而非点击坐标失效），它做出的纠错策略竟然是“在同一位置重复点击并等待响应”。伴随轮次的迅速递增，智能体的上下文窗口中充斥着成百上千行雷同的错误日志，巨大的注意力掩码导致模型的推理注意力被完全污染，在短短30秒内陷入逻辑死循环，直至 Token 配额耗尽崩溃。这一残酷案例表明：在确定性系统（操作系统）面前，概率性推理模型一旦缺乏外部强介入的断路器，任何微小的感知误差都会被长程循环放大为灾难性死锁。
五、企业落地的账本核算：全天候智能体的算力成本与出错损耗
除了技术可靠性，挡在 Dots 与全天候智能体普及面前的另一道严峻高墙，是高昂的企业采购与算力成本账本。许多企业管理者被“AI 替代人工”的宏大叙事所吸引，却忽略了维持一个 24 小时后台自主智能体运转的真实代价。
在传统的 API 调用模式下，用户一次提问仅消耗数百至数千 Token，成本以美分为单位计量；但在全天候自主智能体模式下，为了让智能体理解桌面全景，模型每间隔数秒便需截取一张高分辨率屏幕图像输入视觉模型，单次屏幕编码即消耗上千 Token。加上多轮任务追踪、状态决策与外部工具往返，一个在中等复杂度业务流中连续运转 8 小时的 Dots 实例，累计消耗的高阶推理 Token 常突破数千万级别，单日 API 账单轻松突破数百美元。
更致命的是“隐性试错成本”。如果一个由人类员工处理的工单发生错误，责任归属与补救流程清晰明了；而一个在后台自主运行的智能体若在凌晨因死循环擅自向数百名真实客户发送了格式错乱的邮件或撤销了不该撤销的订单，其给企业带来的品牌声誉损耗与数据修复成本，将远远超出其节省的初级人力薪酬。企业在引入此类自主智能体前，必须算清这笔投入产出比的真实细账。
六、审思笃行与慎微之道：智能体自主决策的东方理性视阈
儒家修身经典《中庸》有云：“博学之，审问之，慎思之，明辨之，笃行之。”在东方哲学的知行认知框架中，“明辨”是“笃行”的绝对前提。唯有对现实情境具有明晰清澈的洞察，行动才能产生益处；若缺乏透彻明辨而盲目追求果决的行动，其所谓的“笃行”会演变为无可挽回的盲动与妄作。
审视当下的全天候智能体狂潮，大模型技术所展现的恰恰是“学”与“行”的超常膨胀，以及“辨”与“审”的底层脆弱。模型背诵了人类文明的浩瀚知识，拥有操纵光标与系统接口的惊人执行力，但在面对一个微小而混沌的现实界面扰动时，却暴露出其缺乏常识与变通能力的本质。古人教导我们“图难于其易，为大于其细；天下难事，必作于易；天下大事，必作于细”。在将核心生产环境托付给智能体之前，技术界需要重拾这种审慎自持的理性精神：不被华丽的自主演示所冲昏头脑，敬畏现实世界的不确定性，始终在人机协同的架构中为人类保留终极裁决与纠偏的底线权力。
七、生产环境智能体防死锁部署指南：构建可中断与强幂等的自动化工作流
针对 Dots 演示所暴露出的长程死循环与状态漂移缺陷，山海工程实验团队为准备在实际业务中集成智能体技术的研发团队，提出四项关键架构改良规范：
第一项：部署带外看门狗与硬性步数断路器（External Watchdog）。严禁允许智能体在无外部监控的情况下无限制自旋。必须在智能体进程外挂载轻量级的监控哨兵，为每一个子任务设定绝对的步数硬上限（例如任何单一交互不得超过 8 个动作）与物理时间上限（例如 120 秒），一旦检测到相同坐标的高频重复点击或状态停滞，哨兵无条件向智能体下发 SIGKILL 信号中断任务并转人工接入。
第二项：实施动作循环签名与反思熔断（Action Cycle Detection）。在智能体底层 runtime 中建立一个滑动窗口队列，实时计算最近 5 次工具调用与 UI 操作的结构化特征哈希。如果发现连续 3 次操作的意图参数与目标元素哈希高度一致，系统即刻判定进入“反思死锁”，强制清理当前长上下文中的无效纠错信息，重置至上一个稳定检查点（Checkpoint）。
第三项：严格贯彻接口调用的强幂等性（Idempotency Guarantee）。任何由智能体调用的外部 API（如扣款、发信、数据修改），必须在请求头中强制携带基于任务 ID 与轮次哈希生成的唯一定位键（Idempotency-Key），确保即便智能体因网络波动或逻辑混乱发生重复提交，底层后端系统也能绝对保证有且仅有一次生效，杜绝生产数据的二次污染。
第四项：构建人在回路的渐进式授权网关（Human-in-the-Loop Gateway）。在智能体执行涉及删除文件、对外通信、资金划转等高危操作之前，系统必须将当前的决策依据、环境截图与预期影响生成结构化的卡片，推送到企业钉钉、企业微信或 Slack 中，等待负责人员的一键物理点击批准，以机制性的人类防御构筑自动化落地最后防线。
原稿日期：2026-09-30。