常驻型智能体正在从概念走向产品。2026年9月29日的OpenAI开发者大会（DevDay 2026）上，OpenAI推出了名为Dots的常驻型个人智能体，核心卖点是"关闭浏览器、离开电脑后仍能持续推进任务"。据多家媒体报道与OpenAI相关产品页信息，Dots由GPT-6 Astra驱动，自带独立的云端电脑和浏览器，可通过插件生态连接4000多个应用，并经由ChatGPT、Slack和Microsoft Teams与用户沟通。它代表的产品逻辑是从"人操作AI"转向"把目标交给AI、人只确认结果"。同期OpenAI还发布了低成本的新模型GPT-6.1 Sol及更高阶的付费方案。对企业管理者而言，比"它能干什么"更关键的问题是：在授权自主执行之前，应当先想清楚哪些控制边界。
Dots究竟能自主做什么
按照OpenAI在发布会上的描述和产品说明，Dots的定位是"持续性的知识型工作"。用户无需对每一步都下达新指令，只需设定一个持续性目标，它就能独立推进其中的部分环节。
OpenAI给出的示例包括：一个负责软件开发的Dot可以监控客户反馈、识别反复出现的问题、创建并测试修复方案，最后提交合并请求（pull request）供人工审核；另一个Dot可在新数据到来时更新科学分析；专注销售的Dot则能根据客户需求变化修改提案和PoC方案。此外，Dots支持周期性任务，并能在工作取得进展或需要决策时主动反馈。
需要区分的是，上述大多属于OpenAI官方给出的能力说明与演示场景，实际成熟度仍有待大规模落地验证。在可用范围上，据知乎的回顾性整理，Dots首发面向符合资格市场的Pro与Business Premium用户，Enterprise、Edu、Healthcare需由工作区管理员主动开启试用、默认关闭；目前每个账号限一个Dot，创建必须在桌面端。这些商业与计费细节请以OpenAI官方信息为准。
与Meta Muse等常驻智能体的差异
Dots并非孤例。据文学城博客等资料梳理，Meta的Muse同样能追求目标、使用在线服务并在无需事无巨细指令下自主行动。两者的差异在于侧重点：OpenAI把Dots的重点放在持续性的知识型工作上，而Meta展示的Muse更偏向日常杂务、购物、旅行安排等个人事务。
更值得关注的是治理路径的分歧。有技术分析将当前赛道粗分为两类思路：一类相信"更强的模型加更多的权限"，另一类相信"更清晰的边界加可插拔的架构"。按该分析的归类，OpenAI与Google偏前者，Anthropic与Manus偏后者——例如Anthropic的方案倾向在工具调用层拦截高危操作。需要说明的是，这类"路线站队"属于观察者的概括判断，而非厂商的官方表态，读者宜作为分析框架而非既定结论来看待。
授权自主执行时如何设定边界
这是管理者最该先想清楚的部分。据OpenAI相关产品说明，Dots的控制机制主要包含以下几层：
- 隔离架构：Dot在自己的云电脑上工作，用户电脑内容默认隔离，保存的密码不会暴露给模型。
- 后台只读：当用户未主动交互时，"主动研究"只使用只读工具，不能发消息、不能修改应用内容、不能控制浏览器。
- 规则可控：用户可为每个应用设定"允许／需要批准／阻止"，内置安全策略始终生效，并可通过Activity View查看它做了什么。
- 动作审查（Auto-review）：可能影响账户或分享信息的操作会经过审查，判断是直接执行、需进一步审批，还是交回用户；改密码一类敏感动作永远留在用户侧。
- 可控中断：系统监控恶意指令与有害行为，用户可随时暂停或停止一个Dot。
这些机制看起来周全，但官方和外部测试也暴露了边界风险。据有技术博客援引OpenAI系统卡的数据：当任务链从5步拉长到10步，被标记"边界问题"的样本比例从8.6%升至19.7%；外部测试方Gray Swan在防护开启的情况下，仍录得8.5%的注入攻击成功率。官方文档亦坦承，Custom Rules是行为指令而非数学保证、已执行动作不可撤回，且暂停主任务并不会自动停掉已派发的子任务和后台任务。OpenAI产品页也留了一句提醒：Dots仍会犯错，重要工作请务必人工复核。
这里存在一个结构性矛盾值得企业警惕：常驻智能体的价值主张建立在"你不用一直盯着"之上，而其安全性恰恰依赖"人在关键节点介入"。此外，网络上流传的"递归自纠错沙箱""速度优先于验证"等说法，暂未见一手来源，应标注为待核实，不宜与已确认的三分支审批流混为一谈。
软盟资讯观察
趋势判断：Dots与Muse的相继落地，标志着个人与企业AI正从"响应式问答"转向"跨时间段自主推进任务"。这是智能体从Demo走向生产的一个关键信号，长期看，监控客户反馈、修复缺陷、更新分析、迭代方案等需要反复跟进的流程，确实存在被重塑的空间，部分初级跟进类岗位的工作内容可能被压缩。
机会与风险：机会在于采购、发票、客服、合同等结构化、可规则化的职能场景，最可能率先跑通；风险则在于"授权"本身。企业部署前应把控制边界放在能力之前——明确哪些应用允许接入、哪些动作必须人工批准、敏感操作一律留在人侧，并建立可审计的操作日志与随时中断机制。鉴于任务链越长越易出现边界偏差、注入攻击仍有成功率，关键业务不宜一步到位放开自主权，更稳妥的做法是从只读、低风险环节试点，逐步扩权。谁能把"授权"做成可控、可验证的产品能力，而非单纯堆叠权限，谁才真正具备企业级落地的底气。文中价格、功能与可用范围等时效性信息，请以OpenAI官方公告为最终依据。