作者注:本文介紹如何用模型接口、工具、記憶、調度和執行環境自建個人 AI Agent,並以一個 AI 新聞情報工作流爲例,說明自建系統各部分的職責和成本。
用 API 復現 GPT Dots,可以復現的是它的工作模式:模型負責判斷,程序負責執行,數據庫負責記憶,調度器負責讓任務在你離開後繼續推進。模型接口只是其中一層。工具系統、長期記憶、任務隊列、執行環境和審批機制,都需要開發者自己搭建。OpenAI 的專有模型配置、雲端計算機和 4,000+ 應用生態屬於 Dots 產品本身,這些部分無法通過 API 直接獲得。標題中的“24 小時”指 Agent 按計劃在後臺持續推進任務的工作方式,系統的實際可用時間取決於服務器、隊列和重試機制。
全文按搭建順序展開。第 1 部分把 Dots 拆成 7 個模塊,標出哪些由模型提供、哪些需要自建。第 2 到第 6 部分依次實現模型接入、工具調用、長期記憶、後臺調度和執行環境。第 7 部分把這些組件組合成 Personal AI Radar 的完整設計方案。第 8 部分計算包括非模型開銷在內的總成本,並說明自建方案的能力邊界。

To Know:復現 GPT Dots 前需要了解的術語
| 術語 | 解釋 |
|---|---|
| API | 應用調用模型或外部服務的接口,本文中主要指大模型的調用接口 |
| Agent | 利用模型做決策、調用工具推進任務的應用系統 |
| Function Calling | 模型輸出結構化的工具調用請求,由你的程序執行,再把結果交還模型 |
| tool_use / tool_result | Claude Messages 接口中工具調用請求和執行結果的消息類型 |
| SQLite | 單文件嵌入式數據庫,適合保存偏好、任務狀態、日誌等輕量數據 |
| 向量檢索 | 把文本轉成向量,按語義相似度查找相關資料 |
| 任務隊列 | 保存待執行任務,按順序或優先級分發給後臺 Worker |
| Checkpoint | 任務執行到某一步時保存的進度快照,中斷後從這裏恢復 |
| 執行環境 | 實際運行瀏覽器、代碼和文件操作的計算機或容器 |
| Playwright | 用代碼控制瀏覽器的自動化庫,用於打開網頁、點擊、提取內容 |
| Prompt Injection | 網頁或文檔中藏有惡意指令,試圖劫持 Agent 行爲的攻擊方式 |
| MCP | 連接模型應用與外部工具、數據源的開放協議 |
1 GPT Dots 由哪些模塊構成
1.1 GPT Dots 的官方能力
Dots 是 OpenAI 於 2026 年 9 月 29 日發佈的常駐型個人 AI Agent。按照官方資料,它擁有自己的雲端計算機和瀏覽器,用戶關閉電腦後,已委派的雲端任務仍會繼續執行。它可以結合 ChatGPT 記憶、自身筆記和已連接應用的數據,同時推進多個項目,並通過 ChatGPT、Slack、Microsoft Teams 等渠道與用戶溝通。
Dots 的工作方式還包括三項關鍵機制。主動研究(Proactive Research)會在後臺讀取已授權的信息源並形成研究筆記,這一過程只讀,後續動作需要走正常的審批流程。定時任務和事件監控讓 Dot 按計劃或按事件持續工作。Custom Rules 和 Auto-review 則在發送郵件、購物等操作前檢查權限和用戶意圖,轉賬、修改密碼等高風險操作必須由用戶接管。
1.2 GPT Dots 七個模塊與自建對應關係
把 Dots 的能力拆開,可以得到 7 個模塊。下表列出每個模塊在自建方案中的對應實現:
| 模塊 | Dots 中的表現 | 自建方案對應實現 | 由誰提供 |
|---|---|---|---|
| 模型 | 推理、規劃、選擇工具 | GPT、Claude、Gemini、DeepSeek 等模型 API | 模型服務 |
| Agent 控制器 | 拆解任務、協調多個項目 | 自寫循環或 LangGraph、OpenAI Agents SDK | 開發者 |
| 工具 | 瀏覽器、應用插件、Codex | Function Calling + 自己實現的工具函數、MCP 服務 | 開發者 |
| 記憶 | ChatGPT Memory、Dot 筆記、項目上下文 | SQLite + 向量檢索 + 文件系統 | 開發者 |
| 任務調度 | 定時任務、事件監控、後臺 Agent | APScheduler、Celery、Redis 隊列 | 開發者 |
| 執行環境 | 獨立雲端計算機 | 雲服務器、Docker、Playwright | 開發者 |
| 安全審批 | Custom Rules、Auto-review、用戶接管 | 工具白名單、審批隊列、操作日誌 | 開發者 |
表中只有第一行由模型 API 直接提供,其餘六行都需要工程實現。這就是“一個 API Key 拿不到完整 Dots 能力”的原因:API Key 打開的是模型調用入口,Agent 的手腳、記憶和作息都要你自己搭。

2 準備 GPT Dots 復現所需的模型接口
2.1 通過 API易 接入多種模型
API易 apiyi.com 提供 OpenAI 兼容接口和 Claude 原生 Messages 接口,一個 API Key 可以調用多家模型。不同模型使用的協議不同,配置時需要區分:
| 模型類型 | 協議 | Base URL | 工具調用字段 |
|---|---|---|---|
| GPT、DeepSeek、Qwen 等 OpenAI 兼容模型 | OpenAI Chat Completions | https://api.apiyi.com/v1 |
tools / tool_calls |
| Claude | Anthropic Messages(/v1/messages) |
https://api.apiyi.com |
tool_use / tool_result |
| Gemini | Gemini 兼容協議 | 按官方文檔對應接口配置 | 按對應協議 |
模型 ID 和實時價格以平臺模型列表爲準。下面的代碼統一從環境變量讀取模型 ID,切換模型只需要改配置,Agent 代碼保持不變。
2.2 GPT Dots 復現的最小模型調用
先確認接口連通。以下代碼保存爲 llm.py,後續章節都從這裏導入 client:
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["APIYI_API_KEY"],
base_url="https://api.apiyi.com/v1", # API易 OpenAI 兼容接口
)
MODEL = os.environ["RADAR_MODEL"] # 填寫模型列表中實際可用的模型 ID
if __name__ == "__main__":
resp = client.chat.completions.create(
model=MODEL,
messages=[{"role": "user", "content": "用三句話說明什麼是個人 AI Agent"}],
)
print(resp.choices[0].message.content)
Claude 走原生 Messages 接口時,使用 Anthropic SDK,Base URL 不帶 /v1:
import os
import anthropic
claude = anthropic.Anthropic(
api_key=os.environ["APIYI_API_KEY"],
base_url="https://api.apiyi.com", # SDK 會自動拼接 /v1/messages
)
resp = claude.messages.create(
model=os.environ["CLAUDE_MODEL"],
max_tokens=1024,
tools=[{
"name": "search_news",
"description": "檢索近期 AI 新聞",
"input_schema": {
"type": "object",
"properties": {"query": {"type": "string"}},
"required": ["query"],
},
}],
messages=[{"role": "user", "content": "查一下今天的模型發佈新聞"}],
)
for block in resp.content:
if block.type == "tool_use":
print(block.id, block.name, block.input)
Claude 返回 tool_use 後,你的程序執行工具,再以 role: user 發送一個 tool_result 塊,用 tool_use_id 對應請求;工具失敗時設置 is_error: true,模型會據此調整下一步。
🚀 快速開始:先用 API易 的免費測試額度跑通上面兩段代碼,確認 OpenAI 兼容和 Claude 原生兩條鏈路都能返回工具調用,再進入 Agent 開發。
2.3 接口兼容與工具調用能力的差異
協議兼容解決的是“請求能發出去”,各模型在工具調用上的表現仍有差異。API易 2026 年 11 月發佈的多模型工具調用測試方法給出了幾個觀察重點:Gemini 系列關注並行調用和最終 JSON 是否混入額外文本,Qwen 系列關注干擾工具下的選擇和多輪 ID 映射,Claude 系列關注 is_error 的處理和調用輪次,GPT 系列關注嚴格 Schema 遵循程度和 Token 用量。
這些是測試關注點,沒有預設哪個模型更好。建議給候選模型相同的工具定義和任務,記錄調用次數、參數錯誤次數、總 Token 和最終正確率,用數據決定 Agent 的主力模型。
Responses API 也需要單獨驗證。API易文檔記載的 /v1/responses 接口列出的模型主要是 GPT-4.1、o3 等型號,而 OpenAI 當前的工具調用文檔指出 GPT-6 Astra、GPT-6.1 Sol 使用 Responses API。如果你計劃使用新模型的 Responses API 能力,應把工具調用、內置工具和狀態管理列爲兼容性測試項,逐項驗證後再上線。
3 用 Function Calling 讓 GPT Dots 式 Agent 執行任務
3.1 Function Calling 的工作循環
Function Calling 的循環只有四步:程序把任務和工具定義發給模型;模型返回想調用的工具名和參數;程序真正執行這個工具;程序把執行結果追加到消息裏再發給模型,模型決定繼續調用還是給出答案。
關鍵在第三步。模型只生成調用請求,訪問搜索引擎、讀寫文件、發送消息都是你的代碼完成的。因此工具的權限範圍、輸入校驗和失敗處理,全部由開發者負責。
3.2 三個工具組成的最小工具系統
Personal AI Radar 需要三個基礎工具:search_news 檢索新聞,read_file 讀取工作目錄中的資料,save_note 把整理結果寫入資料庫。下面是完整的 Agent 循環:
查看 GPT Dots 復現的工具調用循環完整代碼
import json
import pathlib
import sqlite3
from llm import client, MODEL
WORKDIR = pathlib.Path("./workspace").resolve()
DB_PATH = "radar.db"
TOOLS = [
{"type": "function", "function": {
"name": "search_news",
"description": "檢索近期 AI 新聞,返回標題、鏈接、發佈時間和摘要列表",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string"},
"days": {"type": "integer", "minimum": 1, "maximum": 7},
},
"required": ["query"],
},
}},
{"type": "function", "function": {
"name": "read_file",
"description": "讀取工作目錄中的文本文件",
"parameters": {
"type": "object",
"properties": {"path": {"type": "string"}},
"required": ["path"],
},
}},
{"type": "function", "function": {
"name": "save_note",
"description": "把一條整理好的新聞資料保存到資料庫",
"parameters": {
"type": "object",
"properties": {
"title": {"type": "string"},
"url": {"type": "string"},
"summary": {"type": "string"},
"project": {"type": "string"},
},
"required": ["title", "url", "summary", "project"],
},
}},
]
def search_news(query: str, days: int = 1):
# 接入你選擇的搜索服務:搜索 API、RSS 聚合或自建抓取
raise NotImplementedError("請接入實際的搜索服務")
def read_file(path: str):
p = (WORKDIR / path).resolve()
if not p.is_relative_to(WORKDIR): # 只允許讀取工作目錄
return {"error": "path outside workspace"}
return {"content": p.read_text(encoding="utf-8")[:20000]}
def save_note(title: str, url: str, summary: str, project: str):
with sqlite3.connect(DB_PATH) as db:
db.execute(
"INSERT OR IGNORE INTO notes(url, title, summary, project) VALUES (?, ?, ?, ?)",
(url, title, summary, project),
)
return {"saved": True}
REGISTRY = {"search_news": search_news, "read_file": read_file, "save_note": save_note}
def run_agent(task: str, system: str, max_rounds: int = 8) -> str:
messages = [
{"role": "system", "content": system},
{"role": "user", "content": task},
]
for _ in range(max_rounds):
msg = client.chat.completions.create(
model=MODEL, messages=messages, tools=TOOLS,
).choices[0].message
messages.append(msg.model_dump(exclude_none=True))
if not msg.tool_calls:
return msg.content
for call in msg.tool_calls:
fn = REGISTRY.get(call.function.name)
try:
args = json.loads(call.function.arguments or "{}")
result = fn(**args) if fn else {"error": "unknown tool"}
except Exception as e:
result = {"error": f"{type(e).__name__}: {e}"}
messages.append({
"role": "tool",
"tool_call_id": call.id,
"content": json.dumps(result, ensure_ascii=False),
})
raise RuntimeError("超過最大工具調用輪次")
這段代碼有三處設計值得保留。max_rounds 限制循環次數,防止模型反覆調用同一工具消耗 Token。工具異常被包裝成 {"error": ...} 返回給模型,讓模型有機會換參數或換方案。read_file 用路徑校驗把讀取範圍鎖在工作目錄內,這是最基礎的權限邊界。
3.3 從自寫循環升級到 Agent 框架
自寫循環適合單任務、少量工具的場景。當任務需要中斷恢復、人工審批、複雜分支時,可以遷移到 LangGraph:它提供 State 保存任務狀態、Checkpointer 持久化進度、Human-in-the-loop 暫停等待審覈。OpenAI Agents SDK 也提供工作流編排和 Guardrails。工具數量增多後,用 MCP 把搜索、文件、郵件等能力封裝成獨立服務,多個 Agent 可以複用。
4 給 GPT Dots 式 Agent 建立長期記憶
4.1 四層記憶的劃分
Dots 的上下文來自 ChatGPT Memory、Dot 自身筆記、當前任務上下文和已連接應用數據,並且新任務只按需檢索歷史,不會載入完整聊天記錄。自建 Agent 可以採用同樣的思路,把記憶分層管理:
| 記憶層 | 存儲內容 | 生命週期 | 寫入時機 |
|---|---|---|---|
| 當前上下文 | 本次任務指令、最近工具結果 | 當前任務 | 每輪對話 |
| 項目記憶 | 項目目標、關鍵決策、進展 | 項目持續期間 | 任務完成或決策變化時 |
| 用戶記憶 | 偏好、關注領域、彙報格式 | 長期 | 用戶明確表達偏好時 |
| 經驗記憶 | 失敗原因、修正方法 | 長期,按規則更新 | 任務失敗或被用戶修改後 |
每次調用模型時,只把當前上下文加上檢索出的相關記憶放進 prompt。把全部歷史消息塞進請求會同時推高 Token 成本和降低檢索質量。
4.2 SQLite 表結構設計
以下表結構覆蓋四層記憶和任務狀態,runs 表同時承擔第 5 部分的斷點恢復:
CREATE TABLE IF NOT EXISTS user_memory (
key TEXT PRIMARY KEY, value TEXT, updated_at TEXT
);
CREATE TABLE IF NOT EXISTS projects (
id TEXT PRIMARY KEY, goal TEXT, decisions TEXT, status TEXT, updated_at TEXT
);
CREATE TABLE IF NOT EXISTS runs (
id INTEGER PRIMARY KEY AUTOINCREMENT,
project_id TEXT, run_date TEXT,
next_stage TEXT, state_json TEXT,
status TEXT, error TEXT, updated_at TEXT,
UNIQUE (project_id, run_date)
);
CREATE TABLE IF NOT EXISTS notes (
url TEXT PRIMARY KEY, title TEXT, summary TEXT, project TEXT,
created_at TEXT DEFAULT CURRENT_TIMESTAMP
);
CREATE TABLE IF NOT EXISTS lessons (
id INTEGER PRIMARY KEY AUTOINCREMENT,
project_id TEXT, lesson TEXT, created_at TEXT
);
notes 以 URL 爲主鍵,同一篇新聞重複抓取時自動去重。runs 的 (project_id, run_date) 唯一約束保證每個項目每天只有一條運行記錄,重啓後可以找到當天的進度。
4.3 用向量檢索召回歷史資料
結構化數據用 SQL 查詢,語義相關的資料用向量檢索。做法是把 notes.summary 和 lessons.lesson 生成嵌入向量,存入 sqlite-vec、Chroma 等向量庫,並在元數據中記錄項目、日期和來源。生成選題時,先用當天新聞檢索過去 30 天的相似資料,把命中的幾條摘要附在 prompt 裏,模型就能判斷“這條新聞是已有話題的進展還是全新事件”,用戶也無需每次重新解釋背景。
5 讓 GPT Dots 式 Agent 在後臺持續工作
5.1 三種後臺機制的區別
後臺運行涉及三種機制,職責各不相同。定時任務由系統調度器(APScheduler、cron)按時間觸發,解決“什麼時候開始”。後臺模型請求指 OpenAI Background Mode 這類異步響應:提交請求後拿到 response ID,輪詢狀態並取回結果,它有自己的生命週期和數據保留條件,適合單次耗時較長的推理。長期 Agent 調度由任務隊列、持久化狀態和 Worker 組成,負責跨天、多階段任務的推進、重試和恢復。
推薦的數據流是:調度器 → 任務隊列 → Agent Worker → 模型 API → 工具執行 → 結果數據庫 → 通知。週期任務和長任務分開管理,週期任務只負責往隊列裏投遞,長任務由 Worker 按狀態推進。
5.2 分階段 Checkpoint 與失敗重試
下面是 Personal AI Radar 的調度骨架。每完成一個階段就寫一次 Checkpoint,進程重啓後從 next_stage 繼續:
import time
from datetime import date
from apscheduler.schedulers.blocking import BlockingScheduler
from radar_store import load_or_create_run, save_checkpoint, mark_failed
from radar_stages import HANDLERS, TransientError
from notify import notify_owner
STAGES = ["collect", "verify", "analyze", "topics", "report"]
def daily_radar():
run = load_or_create_run("ai-radar", date.today().isoformat())
if run.status == "done":
return
start = STAGES.index(run.next_stage)
for stage in STAGES[start:]:
for attempt in range(3):
try:
run.state = HANDLERS[stage](run.state)
save_checkpoint(run, done_stage=stage) # 寫入 runs 表
break
except TransientError: # 網絡、限流等可重試錯誤
time.sleep(30 * 2 ** attempt)
else:
mark_failed(run, stage)
notify_owner(f"Radar 在 {stage} 階段失敗,進度已保存")
return
sched = BlockingScheduler(timezone="Asia/Shanghai")
sched.add_job(daily_radar, "cron", hour=8, minute=0,
misfire_grace_time=3600, max_instances=1)
sched.start()
max_instances=1 防止上一輪未結束時重複啓動,misfire_grace_time 讓服務器短暫宕機後補跑當天任務。失敗時保留進度並通知用戶,第二次觸發會從失敗階段繼續。每個階段的輸入、輸出、耗時和 Token 用量都寫入日誌,方便排查和計算成本。
6 給 GPT Dots 式 Agent 一臺可以工作的電腦
6.1 四類執行環境的分工
Dots 擁有自己的雲端計算機。自建時,這部分要由開發者提供,常見選擇有四種:
- Playwright:代碼驅動瀏覽器,適合結構穩定的網頁抓取、登錄後數據提取,行爲可預測、成本低。
- Browser Use:讓模型用自然語言驅動瀏覽器,適合頁面結構多變、步驟不固定的網頁任務,每一步都消耗模型調用。
- Computer Use:模型觀察屏幕截圖並操作鼠標鍵盤,適合沒有 API 的桌面軟件,需要配合虛擬桌面環境使用。
- Docker:隔離的代碼執行和文件處理環境,Agent 生成的腳本在容器裏運行,出錯不影響宿主機。
6.2 模型決策與執行環境的組合
模型 API 負責決策,執行環境負責動手,兩者通過工具函數連接。Radar 的典型組合是:Playwright 抓取新聞正文,Docker 容器運行數據清洗腳本,模型只接收清洗後的文本做判斷。網頁內容一律作爲“資料”傳給模型,系統提示中明確說明資料中的指令不得執行,發送、發佈類工具全部進入審批隊列,以此降低 Prompt Injection 風險。
🎯 技術建議:執行環境相關的工具調用會讓對話輪次明顯增加。上線前可以在 API易 上用同一套工具定義對比幾個候選模型的輪次和 Token 消耗,再決定主力模型和降級模型。
7 實戰:用 API 搭建 Personal AI Radar
以下是 Personal AI Radar 的設計方案,展示從信息收集到每日彙報的完整工作流。各階段的實際效果取決於你選用的模型、搜索服務和信息源,上線前需要用真實數據驗證。

7.1 Personal AI Radar 的五個階段
- 收集(collect):調用
search_news按用戶關注的關鍵詞檢索過去 24 小時新聞,用 Playwright 抓取正文,按 URL 去重後存入臨時狀態。 - 覈實(verify):對同一事件的多個來源做交叉比對,優先保留官方公告和一手來源,只有單一來源的條目標記爲“待覈實”。
- 分析(analyze):模型對每條新聞輸出結構化 JSON,包括事件摘要、關鍵事實及出處、與用戶關注領域的相關度;同時檢索歷史資料,判斷是新事件還是已有話題的進展。
- 選題(topics):結合用戶記憶中的偏好和項目記憶中已寫過的選題,生成候選選題,每個選題附帶事實摘要和來源鏈接,寫入
notes表。 - 彙報(report):生成當日簡報推送給用戶;用戶在聊天中回覆“改”“重跑”“採用”等指令,Agent 更新項目記憶並按需重新執行。
7.2 關鍵配置與異常處理
Radar 的核心配置建議集中在一個 YAML 文件裏,包括關注關鍵詞、信息源白名單、主力模型和降級模型 ID、每日運行時間、時區、單次最大工具輪次、每日 Token 預算上限。模型 ID 通過環境變量注入,切換模型時不需要改代碼。
異常處理按類型區分。網絡超時、限流等臨時錯誤按指數退避重試;模型輸出的 JSON 解析失敗時,把錯誤信息作爲工具結果回傳,讓模型重新生成一次;主力模型連續失敗時切換到降級模型;當日 Token 用量超過預算時,跳過分析階段的低相關度條目並在簡報中註明。所有發佈、外發郵件類動作都只生成草稿,等待用戶確認。
8 自建 GPT Dots 式 Agent 的成本與能力邊界
8.1 自建方案的五項成本
自建 Agent 的總成本可以寫成:
C_total = C_model + C_server + C_database + C_tools + C_maintenance
- 模型 Token:每次調用按
輸入 Token ÷ 10⁶ × 輸入單價 + 輸出 Token ÷ 10⁶ × 輸出單價累加。長期運行時還要統計工具調用輪次、重試次數、上下文重複傳輸和緩存命中情況。 - 服務器:運行調度器、Worker 和瀏覽器的雲主機,瀏覽器自動化對內存要求較高。
- 數據庫:SQLite 本身零費用,數據量增大後遷移到 PostgreSQL 或託管向量庫會產生存儲費用。
- 工具:搜索 API、網頁抓取代理、通知服務等第三方服務按次或按月計費。
- 維護:信息源改版、模型更新、依賴升級帶來的開發者工時,往往是長期佔比最高的一項。
8.2 模型價格參考
API易 2026 年 11 月 13 日的技術說明給出了以下 Claude 模型價格示例,可用於估算模型成本:
| 模型 | 輸入 / 百萬 Token | 輸出 / 百萬 Token | 緩存讀取 / 百萬 Token | 可用平臺 |
|---|---|---|---|---|
| Claude Opus 5.5 | $4 | $20 | $0.20 | API易 |
| Claude Sonnet 5.5 | $2 | $10 | $0.10 | API易 |
| Claude Fable 5.2 | $8 | $40 | $0.20 | API易 |
具體可用模型、分組和實時價格以 docs.apiyi.com/models 模型列表爲準。價格只反映單價,任務成功率需要用第 2.3 節的方法單獨測試。Radar 這類任務的大部分輸入是重複的系統提示和歷史資料,緩存讀取單價遠低於普通輸入,合理利用緩存是控制 Token 成本的主要手段。

8.3 Dots 訂閱費用對照
個人用戶方面,ChatGPT Pro 100、Pro 200、Pro 500 的月費分別爲 $100、$200、$500,三檔都具備 Dots 使用資格,官方沒有爲個人 Pro 的 Dot 列出單獨月費。Dot 委派出去的 ChatGPT Work 或 Codex 任務按對應產品的額度和規則計算,消耗取決於模型、上下文、推理、工具調用和檢索量。個人 Pro 需年滿 18 歲,暫不覆蓋歐洲經濟區、英國和瑞士。
企業方面,符合條件的 Enterprise 工作區可以選擇按工作類型的固定費率或按用量計費,2026 年 11 月 18 日起對啓用的 Dots 開始計費,此前的預覽期免費,委派至 Work 或 Codex 的任務另行收費。具體金額以工作區實際適用報價爲準。
8.4 自建方案的能力邊界
自建方案能完整復現 Dots 的核心工作模式:持續推進任務、分層記憶、工具調用、定時調度和人工審批。它的優勢在於模型可以自由切換,數據和流程完全由自己掌控,工作流可以按業務深度定製。
Dots 的專有部分需要自己補齊或接受差距:OpenAI 內部模型配置、Dot 自有云端計算機、4,000+ 應用插件生態、跨 Slack 與 Teams 的溝通渠道、Auto-review 安全審覈體系。Dots 本身也有邊界,Axios 記者 2026 年 10 月的實測顯示,Dots 能完成多步驟旅行規劃和 38 頁紀念冊製作,但內容中出現了值得質疑的統計數據,購物環節也引導用戶自己完成。自建 Agent 同樣需要人工檢查結果,涉及賬戶和資金的操作應保留人工確認。
常見問題 FAQ
Q1:一個 API Key 能直接獲得 GPT Dots 的全部能力嗎?
API Key 提供的是模型調用能力。記憶、工具、調度、執行環境和審批都需要自己搭建,Dots 的專有云端計算機和應用生態也無法通過 API 獲得。用 API易 apiyi.com 的一個 Key 可以方便地在多個模型之間切換,Agent 的其餘部分仍按本文第 3 到第 6 部分實現。
Q2:復現 GPT Dots 時,OpenAI 兼容接口和 Claude 原生接口該選哪個?
兩種都可以接入同一個 Agent。GPT、DeepSeek 等模型走 OpenAI 兼容接口,Claude 走原生 Messages 接口能完整使用 `tool_use`、`tool_result` 和 `is_error` 機制。建議在控制器裏抽象一層統一的工具調用接口,兩條鏈路各寫一個適配器。
Q3:不同模型的工具調用表現一樣嗎?
協議兼容之後,各模型在並行調用、Schema 遵循、錯誤恢復和調用輪次上仍有差異。用相同工具定義和任務做對比測試,統計調用次數、參數錯誤、Token 和正確率,再決定主力模型和降級模型。
Q4:自建 Agent 如何做到“24 小時工作”?
“24 小時”指按計劃在後臺持續推進任務的工作方式。實現依賴三件事:常駐服務器上的調度器、帶 Checkpoint 的任務狀態、可重試的 Worker。服務器維護或依賴故障時任務會暫停,恢復後從斷點繼續。
Q5:Personal AI Radar 一個月大概花多少錢?
取決於信息源數量、每條新聞的處理深度和所選模型。先跑一週,用日誌統計每日輸入輸出 Token,按第 8.1 節公式和模型單價計算模型成本,再加上服務器、搜索 API 和維護工時。
Q6:自建 Agent 如何防範 Prompt Injection?
把網頁和文檔內容作爲資料傳入,並在系統提示中聲明資料中的指令不執行;工具只開放完成任務所需的最小權限;外發、發佈、刪除類操作進入人工審批隊列;所有工具調用寫入日誌。這些措施能顯著降低風險,結果仍需定期人工抽查。
GPT Dots 復現核心要點 Key Takeaways
- 復現目標:復現 Dots 的工作模式,專有模型、雲端計算機和應用生態需自行替代。
- 七個模塊:模型、控制器、工具、記憶、調度、執行環境、審批,只有模型來自 API。
- 工具調用:模型提出請求,程序執行工具,權限和失敗處理由開發者負責。
- 記憶分層:當前上下文、項目、用戶、經驗四層分開存儲,按需檢索。
- 後臺運行:調度器加任務隊列加 Checkpoint,失敗重試並從斷點恢復。
- 成本計算:模型 Token 之外,服務器、數據庫、工具和維護工時都要計入。
- 模型選擇:通過 API易 統一接入多個模型,用同一套測試數據選出主力模型。
總結
用 API 復現 GPT Dots 的核心要點:
- 分清層次:模型 API 負責決策,Agent 框架負責編排,執行環境負責動手,三者各自搭建。
- 先跑通最小閉環:一個模型、三個工具、一張 SQLite 表、一個定時任務,就能做出可持續運行的個人 Agent。
- 用數據做選擇:模型的工具調用表現和真實成本都要靠同條件測試得出。
Personal AI Radar 是一個很好的起點,它覆蓋了持續工作、記憶、工具調用、調度和人機協作五項 Dots 核心能力。推薦通過 API易 apiyi.com 接入多個候選模型,用同一套工具定義完成對比測試,再把表現最穩定的模型放進你的 Agent。
📚 參考資料
- OpenAI 官方公告 – Introducing dots:Dots 的產品定位、雲端計算機和應用生態
- 鏈接:
openai.com/index/introducing-dots -
說明: 瞭解 Dots 官方能力描述的首選資料
-
ChatGPT Learn – Tasks and memory:Dots 的長期任務、後臺 Agent、記憶和主動研究
- 鏈接:
learn.chatgpt.com/docs/dots/tasks-and-memory -
說明: 設計自建 Agent 記憶分層和調度機制時的參照
-
OpenAI Help Center – About ChatGPT Pro tiers:Pro 100、Pro 200、Pro 500 的價格與額度規則
- 鏈接:
help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers -
說明: 對比自建成本與訂閱費用
-
ChatGPT Learn – Dots 企業管理員指南:Enterprise 工作區 Dots 的開通與計費方式
- 鏈接:
learn.chatgpt.com/docs/enterprise/dots-admin-guide -
說明: 企業用戶評估 Dots 費用時參考
-
OpenAI Function Calling 文檔:工具調用的請求與返回格式
- 鏈接:
developers.openai.com/api/docs/guides/function-calling -
說明: 實現第 3 部分工具循環的官方依據
-
LangGraph 官方文檔:有狀態、長週期 Agent 工作流運行時
- 鏈接:
langchain-ai.github.io/langgraph -
說明: Checkpoint、持久化與人工審批的現成實現
-
API易 多模型工具調用可復現測試:5 步設計多輪工具調用小測試
- 鏈接:
help.apiyi.com/en/one-key-multi-model-reproducible-tool-calling-test-en.html -
說明: 對比不同模型工具調用表現的測試方法
-
API易 Base URL 配置說明:OpenAI 兼容、Claude、Gemini 端點配置
- 鏈接:
help.apiyi.com/en/apiyi-base-url-v1-claude-gemini-endpoint-config-guide-en.html - 說明: 配置多協議模型接入時的參考
作者:APIYI 技術團隊
技術交流:歡迎通過 API易 官網聯繫我們,更多接入資料可訪問 docs.apiyi.com 文檔中心
