凌晨三点，我还在调试一个破模型，结果手机狂震。几个AI群同时炸了，消息刷得飞起。我以为是哪个大佬猝死了，点开一看——好家伙，又是OpenAI那群疯子搞事情。这次不是GPT-5，不是Sora 2.0，而是他们悄悄放了一个叫“Operator”的Agent API。简单说，就是让AI能自己操作浏览器，点按钮、填表单、爬数据，全程不需要你盯着。
说实话，我当时的第一反应不是兴奋，是一口老血喷在键盘上。我上周刚加班加点写了一套Playwright自动化脚本，用来从某个政府网站扒数据，折腾了整整三天。现在好了，OpenAI直接给你一个API，传个任务描述，它自己打开Chrome去干活。我那个脚本瞬间变成电子垃圾。
冷静下来之后，我试了一下。不是直接能用的，需要申请waitlist，我运气好，以前参加过内测，直接拿到了访问权限。把API key填进去，调用的时候指定模型是gpt-4o，加一个参数tools: [{“type”: “browser”}]，然后丢给它一个任务：“去GitHub上找到猫哥AI日记这个仓库，统计最近三个issue的标签分布。”
它真的开了个浏览器窗口。我能在后台看到它鼠标在屏幕上移动，点开GitHub登录页，输入我的账号密码——等一下，这玩意怎么知道我的密码？我翻了下文档，发现它有个安全机制叫“受控执行”，敏感操作比如登录、付款，它会暂停让你手动确认。也就是说，它填好密码之后会等你点登录按钮，不是全自动。
这设计其实挺鸡贼的。一方面显得安全，另一方面把责任甩给你了——“我都停下来让你确认了，密码泄露别怪我”。
跑题了。继续说结果。它花了两分钟，期间因为GitHub的页面加载慢，它傻等了一会儿，然后成功把三个issue的标签抓了出来，返回给我一个JSON。我检查了一下，准确率还行，但有一个issue的标签它没识别正确——那个标签是自定义的中文标签“待复现”，它读成了“等待复现”，虽然意思一样，但严格来说算错了。
我在技术群里吐槽这事，有人说我太较真。但我觉得这就是问题所在：这种Agent式的AI，看起来很酷，但你要真把它当生产工具用，坑太多了。比如它操作浏览器的时候，遇到验证码怎么办？遇到弹窗广告怎么办？页面结构变了怎么办？OpenAI自己的文档里写得很诚实：not recommended for production use without human supervision。翻译一下就是：别傻了，这东西还没靠谱到让你去睡觉。
但我还是得承认，这事确实是个大新闻。不只是Operator，同一天Google也放出了Gemini 2.0的Agent功能，叫Project Mariner。微软那边Copilot也在偷偷测试自动化操作Excel。三家巨头在同一个月亮出Agent牌，说明方向已经定了：明年AI的战场不再是聊天，是替人干活。
我试着想象了一下未来。你早上起来对电脑说：“帮我把这周的周报写了，数据从飞书表格里拉，格式参照上周的，顺便给老板的邮件加上附件。”然后AI打开你的飞书、WPS、Outlook，一顿操作，十分钟搞定。听起来很美对吧？但以我今天的实测体验，它大概率会卡在飞书的登录页面，因为飞书有双重验证。或者它写周报的时候，把你上周的KPI抄了一遍，忘了更新数字。
说回Operator本身。我建议想尝鲜的朋友，别急着拿它干正经事。先让它帮你做点无聊的重复劳动，比如每天自动检查某个商品有没有降价，或者定时去论坛签到领积分。等它的稳定性上来了，再考虑上生产环境。别像我一样，一上来就让它干正经活，结果差点把GitHub账号搞封了——它连续登录失败三次，触发了GitHub的安全警告，我花了一小时申诉才解封。
最后吐个槽。我写这篇博客的时候，用一个AI写作辅助工具帮我润色。它居然建议我把开头改成“在科技飞速发展的今天”。我当场把它卸载了。去你的模板化写作。
好了，咖啡凉了，模型还没调通。猫哥今天的AI日记就到这。