AMZ
用户中心
AI 与自动化

AI Agent发展史：从AutoGPT到ChatGPT Agent、Claude Code和企业Agent平台

关键词： AI Agent历史、AutoGPT、ChatGPT Agent、Claude Code、企业Agent平台、跨境电商AI

公众号文章库2026/7/719 分钟阅读

摘要： 看懂Agent从演示到落地

关键词： AI Agent历史、AutoGPT、ChatGPT Agent、Claude Code、企业Agent平台、跨境电商AI

系列定位： AI Agent完整教程，第 02 篇

核心观点： AI Agent 这三年的主线，不是 AI 变得越来越“放飞自我”，而是从早期自主循环，走向可控工具执行、垂直工作空间和企业级治理。

如果你在 2023 年看过 AutoGPT 的演示，大概率会有一种感觉：AI 好像终于不只是聊天了。

给它一个目标，它会自己拆任务、搜索、写文件、继续下一步。那时候很多人第一次意识到：大模型不一定只能回答问题，它也可以围绕一个目标连续行动。

但真正试过的人也很快发现，早期 Agent 很容易跑偏。

它会把一个简单任务拆得很复杂，会循环，会重复搜索，会消耗 token，会写出看起来很完整但无法落地的报告。更麻烦的是，它一旦把错误判断带进下一步，后面的步骤会一起偏。

所以，Agent 的发展史不是“AI 越来越大胆地替人做主”。

真正的发展主线，是行业逐步给 Agent 装上工具、环境、权限、日志、人工确认和企业治理。

对跨境卖家来说，这条历史线很重要。

因为它决定了你今天应该怎么用 Agent：不是让 AI 直接接管店铺，而是把具体运营任务拆成可执行、可检查、可暂停的小流程。

一张时间线：Agent 从概念爆发到企业平台

先把几个关键节点放在一起看。

时间代表事件真正变化对卖家的启发
2023-04AutoGPT v0.1.0 首个版本发布大众第一次看到“目标驱动 + 连续行动”的 Agent 想象运营任务可以被拆成目标、步骤、工具和反馈
2025-01OpenAI 发布 Operator 研究预览Agent 开始使用自己的浏览器执行网页任务AI 不只是读网页，还能点击、输入、提交前请求确认
2025-02OpenAI 发布 deep researchAgentic 能力进入多步研究和资料综合市场研究、竞品调研、政策整理开始适合交给 AI 做初稿
2025-05Claude Code 正式可用Agent 进入代码项目，能读仓库、改文件、跑测试卖家内部工具和数据脚本的开发门槛下降
2025-07OpenAI 发布 ChatGPT agent研究、浏览器、代码、文件、连接器合进一个任务系统通用 Agent 开始从“问答窗口”走向“任务工作台”
2026-04Google Cloud 发布 Gemini Enterprise Agent Platform企业把重点放到构建、扩展、治理、优化企业级 Agent 的核心开始变成权限、身份、网关、日志和评估

这张表里最重要的不是产品名字，而是能力迁移。

第一阶段，大家关心 Agent 能不能自己跑。

第二阶段，大家关心 Agent 能不能可靠地使用工具。

第三阶段，大家关心 Agent 能不能进入具体工作空间，例如代码项目、浏览器、表格、企业系统。

第四阶段，大家关心 Agent 能不能被组织管理起来。

这就是卖家要理解的历史。

第一阶段：AutoGPT 带来的不是成熟产品，而是范式启发

AutoGPT 的影响力很大，不是因为它一开始就适合商用，而是因为它把一个新范式摆在了所有人面前：

给 AI 一个目标，让它自己拆任务、调用工具、观察结果、继续执行。

GitHub 上 AutoGPT v0.1.0 的首个版本发布时间是 2023 年 4 月 12 日。现在 AutoGPT 仓库的定位已经变成“Build, Deploy, and Run AI Agents”，并强调创建、部署、管理持续运行的 AI agents 来自动化复杂工作流。

这说明一件事：早期 AutoGPT 式的“自主循环”很快就遇到了现实问题，项目方向也逐渐从演示型 Agent 转向平台和工作流。

对卖家来说，AutoGPT 阶段最值得学的不是工具本身，而是一个方法：

把运营任务写成目标，把目标拆成步骤，把步骤接到工具，把结果放回下一步判断。

比如“优化 Listing”太大。

拆成 Agent 能理解的任务，就会变成：

  1. 读取 50 条竞品差评。
  2. 按质量、尺寸、安装、包装、说明书归类。
  3. 统计高频问题。
  4. 对照我方产品资料。
  5. 输出可转成图片文案、五点描述、QA 的建议。
  6. 标注哪些内容需要人工确认。

这才是 AutoGPT 阶段留下的真正资产。

但也要清楚：早期自主循环不适合直接进入店铺后台。

原因很简单。运营里有很多动作失败成本很高。

改错价格，会影响利润。

否错关键词，会影响流量。

发错客服邮件，会影响账号安全和买家体验。

自动提交 Listing 修改，可能触发合规风险。

所以第一阶段的结论是：Agent 可以启发流程设计，但不能因为“它会自己跑”就把业务交出去。

第二阶段：Operator 和 deep research 让 Agent 开始进入真实工具

2025 年 1 月 23 日，OpenAI 发布 Operator 研究预览，官方说明它可以使用自己的浏览器执行任务：看网页、点击、输入、滚动。

这件事的意义在于，Agent 不再只是“读文本”。

它开始接触人类日常使用的软件界面。

对卖家来说，这意味着很多过去必须手动打开网页的任务，理论上开始可以交给 Agent 做第一轮处理。

比如：

  • 打开多个竞品页面，记录价格、Coupon、主图结构。
  • 对比不同竞品五点描述的顺序。
  • 检查某个关键词下前 20 个结果的卖点表达。
  • 把公开政策页面整理成运营检查清单。

但 Operator 的官方说明也强调了安全边界：涉及登录、付款、敏感信息、重要提交等步骤，需要用户接管或确认。

这就是 Agent 商用落地的第一条铁律：

能浏览，不等于能随便操作；能填表，不等于能自动提交。

2025 年 2 月 2 日，OpenAI 又发布 deep research，把 Agentic 能力带进多步研究任务。官方描述是：它会在互联网上进行多步研究，查找、分析、综合大量在线来源，生成接近研究分析师水平的报告。

这对跨境卖家更直接。

因为卖家每天都有大量研究型任务：

  • 新品类目是否值得进入。
  • 竞品为什么突然起量。
  • 平台政策变化影响哪些 Listing。
  • 某个产品痛点是否足够普遍。
  • 某类买家在评论里真正抱怨什么。

过去这些任务需要运营连续看很多网页、评论、报告和表格。deep research 这一类能力出现后，AI 可以先做“资料收集和初步结构化”，人再做判断。

但这里也有边界。

研究型 Agent 很适合做第一版资料框架，不适合替你做最终商业决策。

它可以告诉你“哪些证据支持这个类目有需求”，但不能替你确认供应链成本。

它可以整理竞品差评，但不能替你确认你的工厂能不能改良。

它可以分析政策页面，但不能替你承担合规责任。

第三阶段：ChatGPT agent 把研究和行动合到一个工作台

2025 年 7 月 17 日，OpenAI 发布 ChatGPT agent，标题就叫“bridging research and action”。

官方说明里有一句很关键：ChatGPT 现在会思考并行动，会从一组 agentic skills 里主动选择能力，用自己的计算机完成任务。

这句话背后有三个变化。

第一，研究和行动开始合并。

过去 deep research 更擅长查资料和写报告，Operator 更擅长网页操作。ChatGPT agent 把这些能力合在一个系统里，让用户可以从对话直接切到行动。

第二，工具变成任务系统的一部分。

OpenAI 提到 ChatGPT agent 配备了视觉浏览器、文本浏览器、终端、API 访问和连接器。对卖家来说，这意味着 Agent 不只是“写一段话”，而是可以围绕任务读网页、跑分析、生成表格或幻灯片。

第三，控制权被放在产品机制里。

OpenAI 明确提到，ChatGPT 在采取有后果的行动前会请求许可，用户可以中断、接管浏览器或停止任务。

这就是 Agent 从演示走向产品化的关键。

早期 Agent 最大的问题是“它自己跑起来了，但你不知道它会跑到哪里”。

产品化 Agent 的方向是“它可以执行，但必须让用户看得见、停得下、审得过”。

跨境卖家应该怎么理解？

不要把 ChatGPT agent 这类工具当成全自动运营员工。

更合适的定位是“任务助理”：

  • 帮你把公开资料研究成报告。
  • 帮你把表格整理成异常清单。
  • 帮你把竞品页面转成结构化对比。
  • 帮你把会议纪要转成 SOP。
  • 帮你把文档、表格和网页串成一个中间交付物。

真正要进入后台执行的动作，仍然要有人工确认。

第四阶段：Claude Code 证明 Agent 会先在垂直场景里成熟

很多人以为 Agent 会先变成一个“万能助手”。

但现实更可能相反：Agent 会先在某些垂直场景里成熟。

Claude Code 是一个典型例子。

Anthropic 官方把 Claude Code 定义为 agentic coding system，说明它可以读取代码库、跨文件修改、运行测试并交付提交。Anthropic 在 Claude 4 发布文中也写到，Claude Code 在 2025 年 5 月 22 日正式可用，并进入终端、IDE 和后台任务等开发工作流。

为什么代码场景适合 Agent 先成熟？

因为代码项目有几个天然优势。

第一，输入边界清楚。

代码仓库、文件结构、测试命令、错误日志都在项目里。

第二，执行结果可验证。

能不能编译，测试过不过，页面有没有报错，都能检查。

第三，修改可以回滚。

Git 记录每次改动，错了可以对比、撤回、重做。

第四，工作流程明确。

读项目、列计划、改文件、跑测试、修错误、提交变更，本来就是工程流程。

这给跨境卖家一个很重要的启发：

最先适合 Agent 化的业务，也应该具备边界清楚、结果可验证、过程可回滚的特点。

比如：

  • 广告报表分析：输入是 CSV，输出是异常清单，结果可以回到原始字段复核。
  • 评论归因：输入是评论表，输出是分类和代表性原文，可以人工抽样检查。
  • Listing 草稿：输入是产品资料和关键词，输出是草稿，发布前人工审核。
  • 内部数据脚本：输入输出明确，可以跑测试，可以版本管理。

反过来，不适合一开始交给 Agent 的任务，往往有这些特征：

  • 目标模糊。
  • 数据来源不清。
  • 失败后影响账号、资金或客户。
  • 输出很难验证。
  • 没有回滚机制。

所以 Claude Code 的意义不只是“AI 会写代码了”，而是证明了一个落地原则：Agent 最适合先进入有工具、有测试、有审查、有版本控制的工作空间。

第五阶段：企业平台把重点从“智能”转到“治理”

2026 年 4 月 22 日，Google Cloud 发布 Gemini Enterprise Agent Platform，官方把它定位为用于构建、扩展、治理和优化 agents 的综合平台。

注意这里的关键词。

不是单纯“更聪明”。

而是 Build、Scale、Govern、Optimize。

构建、扩展、治理、优化。

Google Cloud 文档里也把 Agent Platform 描述为统一平台，用于构建、部署、治理和优化企业级 AI agents，并列出 Agent Identity、Agent Gateway、Agent Registry、Observability、Evaluation 等能力。

这说明企业级 Agent 的核心问题已经变了。

个人使用 Agent，关心的是“它能不能帮我做事”。

企业使用 Agent，关心的是：

  • 这个 Agent 是谁创建的？
  • 它能访问哪些数据？
  • 它能调用哪些工具？
  • 它有没有独立身份？
  • 它的每次调用有没有日志？
  • 它的输出有没有评估？
  • 它失败后谁负责？
  • 它能不能被暂停、回滚和审计？

这对卖家团队非常现实。

小团队也许只需要一个表格 Agent 和一个 Listing Agent。

但只要团队开始多人协作，问题马上会出现：

  • 客服 Agent 能不能看订单地址？
  • 广告 Agent 能不能看毛利？
  • Listing Agent 能不能直接改后台？
  • 选品 Agent 能不能访问供应商报价？
  • 谁来批准 AI 生成的退款回复？
  • 谁来检查 AI 是否引用了过期 SOP？

企业平台的出现，提醒我们一件事：

Agent 的成熟，不是让 AI 拿到更多权限，而是让每一个权限都有身份、边界、日志和审批。

这条历史线对跨境卖家的真正价值

很多工具发展史写完，读者只记住一堆产品名字。

这没有意义。

卖家真正需要带走的是一个判断框架。

1. 早期 AutoGPT 告诉我们：任务要拆成循环

不要只问 AI 一个大问题。

把任务拆成：

目标、资料、工具、步骤、结果、反馈、停止条件。

例如“做竞品分析”要拆成竞品列表、字段提取、评论归因、卖点对比、差异判断、行动建议。

2. Operator 告诉我们：网页行动必须有人控

Agent 可以浏览网页、点击按钮、填写表单。

但涉及登录、付款、提交、修改、发信，一定要人工确认。

对亚马逊卖家来说，后台动作默认都应放在“待确认清单”，不要直接执行。

3. deep research 告诉我们：研究任务可以先交给 AI 做底稿

类目研究、竞品研究、政策整理、供应商资料比较，都适合用 AI 做第一轮结构化。

但 AI 的报告必须有来源、有引用、有不确定性说明。

4. ChatGPT agent 告诉我们：通用 Agent 会变成任务工作台

未来很多工作不会停留在聊天框。

一个任务里会混合网页、文件、表格、代码、API、连接器。

卖家要提前准备的是资料格式和 SOP，而不是只准备提示词。

5. Claude Code 告诉我们：垂直 Agent 更容易先落地

不要幻想一个万能 Agent 直接管全店。

先做广告 Agent、评论 Agent、Listing Agent、客服草稿 Agent、内部脚本 Agent。

每个 Agent 只管一个清楚场景，效果会好很多。

6. Google Agent Platform 告诉我们：组织会需要治理

只要 Agent 进入团队协作，就必须考虑权限、日志、身份、审批、评估和成本。

小团队也可以先用简单版本：

  • 用共享表格记录每次 Agent 执行。
  • 每个任务有负责人。
  • 每个输出有审核人。
  • 高风险动作不自动执行。
  • 每周复盘 AI 错误案例。

卖家可以按四个阶段落地 Agent

不要一步到位。

Agent 落地最稳的方式，是分阶段。

阶段一：AI 辅助整理

目标：让 AI 处理资料，而不是执行动作。

适合任务：

  • 评论归类。
  • 政策摘要。
  • 竞品卖点提取。
  • 广告报表初步分析。
  • 客服 FAQ 整理。

工具要求：

  • 可以只用 ChatGPT、Claude、Dify 或本地文件。
  • 不需要接店铺后台。
  • 不需要写入系统。

验收标准：

  • 输出是否引用原文或字段。
  • 是否减少人工整理时间。
  • 是否没有编造。

阶段二：半自动工作流

目标：让 AI 按固定流程输出可复核交付物。

适合任务：

  • 每周广告异常报告。
  • 每周竞品变化报告。
  • Listing 改版建议。
  • 客服回复草稿。

工具要求：

  • 固定输入模板。
  • 固定输出格式。
  • 固定人工确认点。

验收标准：

  • 20 个历史样本测试通过。
  • 人工能快速复核。
  • 错误类型可以被记录和修正。

阶段三：工具调用和知识库

目标：让 Agent 读取真实资料和业务 SOP。

适合任务：

  • 读取产品资料库生成 Listing 草稿。
  • 读取广告报表生成待确认优化清单。
  • 读取客服 SOP 生成回复草稿。
  • 读取竞品监控表生成周报。

工具要求：

  • 知识库版本管理。
  • 只读数据权限。
  • 输出引用来源。
  • 关键动作人工确认。

验收标准：

  • 能说明用了哪些资料。
  • 能识别资料缺失。
  • 能拒绝没有证据的结论。

阶段四：企业治理

目标：让 Agent 成为团队流程的一部分，而不是个人玩具。

适合任务：

  • 多人协作的广告诊断。
  • 客服质检。
  • Listing 改版流程。
  • 选品评审流程。
  • 内部数据工具开发。

工具要求：

  • 账号权限分级。
  • Agent 执行日志。
  • 高风险动作审批。
  • 成本和调用次数上限。
  • 定期复盘。

验收标准：

  • 谁让 Agent 做了什么，可以追踪。
  • Agent 调用了什么工具，可以追踪。
  • 哪些建议被采纳，结果如何，可以复盘。

一份可复制提示词：把“历史”转成你的落地路线

下面这段提示词不是让 AI 写历史文章，而是让你的团队把 Agent 发展史转成自己的执行计划。

你是我的跨境电商 AI Agent 落地顾问。

背景：
我们是一个亚马逊卖家团队，当前最耗时的任务是：[填写，例如广告周报、竞品监控、客服回复、Listing改版、选品资料整理]。

请你参考 AI Agent 从 AutoGPT、Operator、deep research、ChatGPT agent、Claude Code 到企业 Agent 平台的发展逻辑，帮我设计一条四阶段落地路线。

输出要求：
1. 阶段一：AI 辅助整理。列出输入资料、输出结果、人工检查点。
2. 阶段二：半自动工作流。列出固定流程、输出模板、错误复盘方式。
3. 阶段三：工具调用和知识库。列出需要接入的数据、工具、SOP、权限边界。
4. 阶段四：企业治理。列出日志、审批、负责人、成本上限、风险控制。
5. 每个阶段给一个 7 天内可以完成的小试点。
6. 明确哪些动作不能自动执行，只能生成待确认清单。

限制：
- 不要给泛泛而谈的 AI 口号。
- 每条建议都要能落到运营动作。
- 如果缺少必要资料，请先列出资料清单，不要编造。

实操清单：读完这篇，明天先做这 10 件事

  1. 列出团队每天重复但又需要判断的 10 个任务。
  2. 标出哪些任务只需要资料整理，哪些任务涉及后台动作。
  3. 先选一个低风险任务，例如评论归因或广告周报摘要。
  4. 把这个任务拆成目标、输入、步骤、输出、人工确认点。
  5. 准备 20 个历史样本做测试。
  6. 要求 Agent 每个结论都引用原始字段或原文。
  7. 把高风险动作改成“待确认清单”，不要让 Agent 直接执行。
  8. 记录每次错误：资料缺失、理解错误、工具失败、判断错误。
  9. 每周更新一次 SOP，把好结果沉淀成模板。
  10. 等一个小流程稳定后，再接知识库和工具。

不要误读 Agent 发展史

第一，不要把 AutoGPT 神化。

它证明了方向，但早期自主循环本身不等于商业可用。

第二，不要把 ChatGPT agent 理解成“全自动员工”。

官方也强调用户可中断、接管、停止，以及有后果动作前需要许可。对卖家来说，这些控制机制不是麻烦，而是保护。

第三，不要以为 Agent 工具越多越好。

工具越多，权限越复杂，错误影响越大。先接只读工具，再做草稿生成，最后才考虑有限写入。

第四，不要忽视垂直场景。

最先有价值的不是万能 Agent，而是广告、Listing、客服、竞品、数据脚本这些具体 Agent。

第五，不要等企业平台成熟才开始。

小团队也可以用表格、文件夹、固定提示词和人工审核建立最小治理。

结论

AI Agent 的发展史，其实是一条从“能自己跑”到“能被管理地跑”的路线。

AutoGPT 让大家看到目标驱动的可能。

Operator 和 deep research 让 Agent 进入网页操作和多步研究。

ChatGPT agent 把研究、浏览器、文件、代码和连接器合成任务工作台。

Claude Code 证明垂直工作空间会更快成熟。

Google Gemini Enterprise Agent Platform 则说明企业真正关心的是身份、权限、网关、日志、评估和治理。

对跨境卖家来说，最务实的结论只有一句：

不要追“全自动 AI 员工”，先把一个运营任务做成可复核、可暂停、可审计的小型 Agent 流程。

这个小流程跑稳了，才有资格谈更大的自动化。

资料来源与事实边界

本文核验日期为 2026-07-07。以下来源用于校准产品发布时间、官方定位和能力边界；跨境电商部分为基于卖家运营场景的业务推演和实操建议。