摘要

Apps SDK 正在把 ChatGPT 从附着于其他产品的聊天机器人，变成这些产品运行其中的分发层。 OpenAI 披露开发者数量已达400万，Sherwin Wu 回忆 ChatGPT 每周活跃用户约8亿，称其规模约相当于全球第五或第六大网站。插件时代的教训是，只有分发还不够：开发者必须“真正拥有并掌控体验”，包括界面和品牌。
OpenAI 采用了已经开始形成的通用协议 MCP。 Sherwin 认为 Anthropic 真正把 MCP 做成了开放协议，包括让 OpenAI 参与其指导委员会；讨论显示，MCP 大约在3月与 Agents SDK 和 Responses API 同步获得采用。尚未解决的是连接器质量：第一方同步连接器可以实现索引和重排，第三方 MCP server 覆盖长尾需求，但性能取决于各创建者的 API 形态。
AgentKit 正在从又一个 agent 演示框架，变成端到端的生产平台。 Agent Builder、Agents SDK、Connector Registry、ChatKit 和评测工具把可视化工作流设计、部署、测试与优化串成一体；Christina Huang 在8分钟的演示时段内搭建了一个可运行的 DevDay 助手。更深层的机会在于复杂编排——涵盖“持续数周”的人工决策、可复用的企业模板，以及未来从画布走向代码、再由代码回到画布。
Agent 评测仍处于早期，但优化单位正从单个答案转向完整轨迹。 Christina 估计，OpenAI 目前只完成了“所需进展的大约10%”：现有系统可以评估长轨迹，但评测一个20分钟的任务，需要拆解并改进其中的单个步骤，而且往往需要人工复核。通过接入 OpenRouter，评测产品还可以在同一处比较非 OpenAI 模型和开源模型。
Prompting 正在成为持久的生产资产，实质上是一种“零梯度”微调，而不是随着模型进步消失。 OpenAI 围绕 GPT-5 推出了大规模自动提示词优化功能，因为每个模型都有新的行为特征，并计划把提示词、agents 和评测反馈接入持续生成改进建议的闭环。Sherwin 明确改变了此前的判断：人们曾以为“prompting 要消失了。不”；但它实际上已经“越来越根深蒂固”。
ChatKit 减少了前端工作，但身份体系、推理成本承担方式和 widget 生态仍未定型。 它的常驻 iframe 和 widgets 借鉴 Stripe Elements 或 Checkout 的理念：OpenAI 维护新的推理能力和多模态 UX，开发者负责定制应用本身。当前不支持自带 key，复制粘贴 key 是“巨大的安全隐患”；即使推理价格下降，总支出也可能上升，因为需求增长更快。
Codex 已在压缩开发周期，而 API 可靠性正成为一项可见的产品承诺。 Christina 说实习生会以“完全 YOLO 模式”使用 Codex，宽泛任务约有30%–40%的概率一次完成；可视化 Agent Builder 在发布前不到2个月才启动，“没有 Codex 不可能做到”，但人类仍会复核其工作。在服务规模上，OpenAI 已超过此前提到的每分钟60亿 tokens，并开始披露组织级吞吐量和错误 SLO；从三个9到五个9的路径，需要“指数级更多的工作”。

精读

1. ChatGPT 成为应用层

Sherwin 的战略框架从分发开始：OpenAI 不可能独自把 AGI 的收益带到“世界的每个角落”，因此 API 和第三方开发者至关重要。Apps SDK 延续了从插件到 GPTs 的迭代路径，如今连接到他回忆中约8亿 ChatGPT 周活用户；DevDay 同时披露开发者数量达到400万。
主持人最精准的概括是一次倒置：过去是网站在角落里加一个聊天机器人，如今则是 ChatGPT 可以位于体验之上，把应用嵌入其中。Canva 展示了这种新形态——依然一眼可认是 Canva，但变成了对话式体验，并在 ChatGPT 的上下文中运行。Christina 称之为“我从未见过的体验”。
Christina 将插件视为一堂纠偏课：一条反馈是，企业几乎无法控制用户如何使用自己的集成，而且“受 ChatGPT 真正束缚”。因此，Apps SDK 为开发者提供定制 UI 和空间，让他们“真正拥有并掌控体验”，保留自身品牌，而不是变成隐形的后端功能。

2. MCP 是天然的共享协议候选，但连接器仍在广度与质量之间取舍

随着 Agents SDK 和 Responses API 搭建出更具 agent 特征的工具调用栈，OpenAI 对 MCP 的承诺大约在3月成形。Sherwin 认为 Anthropic 真正把 MCP 做成了开放协议：变更过程足够开放，OpenAI 的 Nick Cooper 也在其指导委员会中；其通用且精简的设计让接入变得简单。主持人打趣道：“已经解决了。为什么还要自己造？”
第一方“同步连接器”需要更多基础设施，因为 OpenAI 要存储大量状态；但这些状态也支持索引、向量搜索、重排和其他质量优化。MCP 覆盖了庞大的长尾需求，OpenAI 无需自行构建每一个集成，但开发者也就“只能听天由命”，取决于某个 server 的 API 形态是否适合模型使用。
Sherwin 表示，Connector Registry 应该能让企业更容易管理开发者可访问的内容、配置集成，并建立私有内部连接。主持人则指出，认证体系仍然碎片化——Gmail、Calendar 和 Drive 可能分别要求授权——但目标生态将同时包括 OpenAI 构建的连接器、优选第三方连接器，以及开放式 MCP server。
对于工作流可移植性，Christina 直言：“遗憾的是，我今天没有一个很好的答案可以回答是或否。” MCP 和 OpenAI 的商业协议 ACP 已经展示了共享标准的价值；她和 Sherwin 希望 agent 工作流以及有状态的 Responses 式 API 都能实现可移植，让开发者不必仅仅为了切换模型而维护3套集成。

3. AgentKit 让生产级编排变得可视化

Christina 将 AgentKit 描述为一整套用于“构建、部署和优化 agents”的工具，起点是客户逐渐发现生产环境需要大量专业能力：提示词迭代、评测构建、建立信心以及部署。它的组件——Agent Builder、Agents SDK、Connector Registry、ChatKit 和 evals——既可以独立工作，组合起来又会作为端到端系统“彼此增强”。
DevDay 的8分钟构建演示刻意选择了一个简单的面向客户的助手，在下载问题出现前已经完成并留有时间；但真实客户的画布需要大幅缩小视图。将同样的流程转成 Agents SDK 文件后，代码会变得很长，因此可视化编排特别适合客服、文档发现与比较、信息 enrichment、规划、结构化数据问答和内部知识助手等场景。
人工审批不只是 MCP 工具运行前的二元闸门。Christina 表示，企业工作流可能包含“持续数周”的真实决策，因此 human-in-the-loop 最终必须表达长期状态、复核和判断，而不是一个简单的批准或拒绝节点。
Agent Builder 有两个入口：一个是用于建模并将工作流导出到开发者自有系统的 playground；另一个是托管路径，利用自然语言、领域专家、数据集和 ChatKit，以更省事的默认配置完成部署。未来规划包括导入代码、在 builder 内运行代码、独立工作流运行、语音能力以及更丰富的逻辑节点。

4. Agent 评测从轨迹开始，而不是从单一分数开始

Christina 有意给出了一个克制的进展判断：agent evals 目前只完成了“所需进展的大约10%”。当前的突破在于接收 Agents SDK 的长轨迹并评估整体运行结果；多模态评测和更细粒度的诊断仍未完成。
一个20分钟的 agent 任务打破了旧有的提示词—完成结果评测模型。OpenAI 希望评估完整轨迹，定位其中的单个片段，再分别优化每个片段，而且往往需要人工介入。主持人预计，LLM-as-judge 评测标准会成为核心机制，但产品仍处于“第一步”。
Evals 在发布当天就支持多模型：开发者可以接入 OpenRouter，使用 OpenAI 的 Datasets 工具编写 evals，并比较多个供应商的模型，包括通过 Together 提供服务的开源模型。这不是工作流协议，但承认了一个现实：agent 构建者越来越常常需要在同一套系统中评估多个模型。

5. Prompting 变成“零梯度”的模型定制

围绕 GPT-5，自动提示词优化获得了重大推动，因为每个新模型都会带来新的行为特征，否则就需要再写一套详尽的提示词指南。Christina 希望建立这样的闭环：将 agent 的 evals 连接到持续的提示词和工作流改进，让平台能够为“你正在构建的东西”持续生成改进建议。
Sherwin 称提示词优化是产品和研究领域中异常活跃的方向，并提到 Databricks 团队的 GEPA 工作，同时强调相关技术仍会持续变化。但更重要的是判断发生了逆转：2年前，很多人预计 prompting 会消失；结果“如果说有什么变化，那就是它变得越来越根深蒂固”。
Sherwin 转述了对这种方法的概括——“零梯度微调”：通过足够的提示词适配，可以获得类似另一个模型的行为，而无需更新权重。他倾向于这条路线，是因为即便使用 LoRA，服务大量微调快照在运营上也很困难；提示词爬山可以带来收益，又不迫使开发者或供应商管理那套基础设施。
Tinker 代表一条互补的低层路径。Sherwin 表示，John Schulman 多年来一直在探索这种形态——一种面向研究的微调抽象，用户只需要“这4个函数”，无需处理底层基础设施；他欢迎 Tinker 发布，因为它能赋能构建者和研究者，尽管它来自 Thinking Machines。

6. ChatKit 降低部署摩擦，但经济账仍未解决

AgentKit 同时覆盖内部自动化和公共应用。企业反复构建内部系统，用于提示词和模板管理；而客服以及 Ramp 等产品又要求面向外部用户的质量。Christina 表示，help.com 的客服目前已经由 AgentKit 驱动，同时还有各种内部使用场景。
ChatKit 的 iframe 有意保持常驻且带有明确立场：当 OpenAI 增加一个推理行为不同或支持新模态的模型时，嵌入式应用可以直接继承，而无需重做前端。Christina 将其理念比作 Stripe Elements 和 Checkout——通用基础设施由中心团队持续维护，开发者专注于 agent 独有的部分。
团队表示，ChatKit 本身是可嵌入的 iframe，并讨论了开源它的利弊；常驻且有明确立场的设计正是其价值所在。Christina 和 Sherwin 引导开发者使用 ChatKit Studio、Widget Studio、demo apps 和 ChatKit.world；主持人则追问 widgets 是否可能发展成更广泛的生态。团队强调了“消费级”打磨、响应式设计、流畅动画和 AI 生成 widgets。
自带 key 无法开箱即用。Sherwin 承认，无法承担无限制公共推理成本的独立开发者长期以来一直有此需求；Christina 则警告，复制粘贴 key 的变通方案是“巨大的安全隐患”。降价只能部分缓解问题：“我们把它做得越便宜，需求增长得越快”，责任归属和支出控制仍未解决。
更广泛的 ChatGPT 身份体系仍在探索中，并非已经宣布的身份提供商战略。Sherwin 表示，Apple 已经将部分身份带入 Siri，并根据用户是免费版、Plus 还是 Pro 订阅进行路由，包括 GPT-5 的访问权限；Kakao 则提供了另一种登录集成。被问及 ChatGPT 是否会成为 OpenID provider 时，他直接回答：“目前没有计划。”

7. Codex 加速构建，可靠性决定效率能否复利

Christina 从更年轻、更适应 AI 的开发者身上总结 Codex 的经验：要突破把模型当成“不可信实习生”的习惯。实习生会以“完全 YOLO 模式”把完整功能交给它；虽然 Codex 有时会失败，但约有“30%或40%的时候可以一次完成”，迫使她重新调整对有效任务规模的预期。
主持人的反驳值得保留：vibe-coded pull request 可能只是把工作量转移给评审者。Christina 回应称，Codex 的 PR review 本身已经受到团队高度重视，但她并未声称 Codex 能完全自主完成工作：输出仍需“检查和编辑”，模型只是一个强力起点，而不是自行批准自己的代码。
最直接的生产力证据来自可视化 Agent Builder：它在 DevDay 前不到2个月才启动，按 Christina 的判断，如果没有 Codex，不可能在这样的时间线上完成。团队成员还会在30分钟的通勤途中启动大约5个 Codex 任务，即使最后丢弃生成的 PR、自己重写实现，也能借助结果梳理文件并找回上下文。
Christina 最后发布的是组织级服务健康仪表盘，追踪响应、token 速度、TPM、吞吐量和状态码，作为一项“实时个人 SLO”。在一次持续约3–4小时的12月故障后，OpenAI 讨论了从三个9、三个半9、四个9逐步迈向五个9；每增加一个9都需要“指数级更多的工作”。此前提到的每分钟60亿 tokens 已经被超越。

阿里巴巴 Joe Tsai 谈中美竞争、AI未来、拥有篮网与自由人队、Caitlin Clark的影响 Cayucos Capital 的 Dom St George：解锁 Jardine Matheson 的控股公司价值