DevDay 上最显眼的动作，是给智能体发了一台电脑
9月29日旧金山 DevDay，OpenAI 发布 Dots。它最反直觉的地方不是「更聪明」，而是每个 Dots 实例都运行在自己专属的云端 Linux 虚拟机里。不是嵌个浏览器，也不是连你的本地 Mac，是实打实的一台云上电脑，能跑完整桌面应用、能操作文件系统、能开终端。
Altman 在 keynote 上举的例子很接地气：在一个旧 API 停用前把 App 迁出去。这类活难在依赖关系散落整个代码库，改完哪里会崩并不明显。Dots 负责追出依赖、找出所有要改的地方、写好代码、跑完测试，再把 PR 交给团队审。它还能串接 ChatGPT 上 4000 多个 App，权限沿用你已连的外挂。
陪跑的廉价模型：GPT-6.1 Sol
Dots 背后是 GPT-6.1 Sol，一个为计算机操作调过的中档模型。OpenAI 的说法是它整体成本约为 Astra 的五分之一，在计算机使用这类任务上能压到七分之一。它带 105 万 token 上下文，API 定价每百万输入 2 美元、输出 10 美元——和 Astra 同价但便宜在「够用的活不用上旗舰」。
真实提速数字挺夸张：Weinstein 举了个自己配置复杂餐备订单的例子，人工要两小时，Dots 用 Sol 15 分钟干完，相当于八倍速。Altman 还演示 OpenAI 自己的团队「每天用 Dots 修掉几十个 bug」：它从 Slack 抓到反馈、自己查、自己开 PR。
工程上真正有意思的三处
一是「App Shots」，它抓的不只是截图，还有应用的原始文本和可访问性树，给模型更省 token 的上下文。二是混合管线：把可访问性树、DOM、Playwright 和模型生成的 JavaScript 叠在一起，让 agent 能「写一段 JS 一次做多步」而不是一步步点界面，速度因此大幅提上来。
三是 Decisions API：用更小的 Luna 模型封装，砍掉推理换延迟，用来做分类、路由、选下一步。它在一周内克隆了 Jev 的架构做出来的，目标是毫秒级决策。代价是它接不住长程复杂推理，所以和主干模型是分开的两套。
同时也把边界说清楚了
OpenAI 自己承认了权衡：Decisions API 靠去掉推理换来的超低延迟，注定接不住长程复杂任务，得和持久的多模态云智能体分开部署。Agents API 把 Codex 同款 harness 当服务开放，意味着你不用自己造轮子，但也把控制权交给了 OpenAI 的训练假设。
权限和信任被反复强调：支付、敏感操作必须请求用户同意，agent 只能访问必要的站点与应用。常驻不等于放任。
常驻环境是把双刃剑
每个 Dot 一台永不关机的云上 Linux VM，好处是跨会话保留状态、半夜接着干；代价是算力账单和攻击面都随实例数线性涨。你接的 App 越多、权限越宽，一旦账号或 Dot 出问题，波及面就越大。所以 OpenAI 让权限沿用你自己的范围、关键动作要你确认，这套克制不是怕你用，是怕出事时没人兜。
自检闭环才是投产关键
Dots 最有价值的工程思想是让 agent 测自己写的软件。过去你是 agent 的 QA，现在它写完代码自己跑测试、自己看截图找布局问题。这套写-执行-验证闭环，比单纯一个更聪明的模型更决定它能不能进生产。你接 agent 时，优先找能自己验证产出的，而不是只会给答案的。
跟你有啥关系
Agent 从原型走向生产，关键一跃就是「持久环境加自检闭环」——给它能一直待着的工位，再让它写完代码自己测。这套思路你现在就能借鉴：把长任务拆给一个带固定环境、能读写文件、能跑测试的 agent，比每次从零开会话省太多。但权限边界一定要你定，别让它默认能碰你所有的东西。