7 月 17 日，OpenAI发布通用ChatGPT Agent，与Manus、Genspark、Comet等专业Agent初创公司形成直接竞争。通过分析，我们认为当前阶段Agent市场竞争呈现如下特点：
1、“全能”不敌“专精”。尽管ChatGPT Agent在技术上最为全面，但在实际应用测试中，其用户体验和任务完成效果并未超越Manus、Genspark等专注于特定场景的初创公司。表明当前阶段，通用型Agent在解决具体问题上不如深度优化的专用Agent。
2、市场分化为两条路径。一是如OpenAI，致力于打造“模型即Agent”的大模型内生通用底层能力；二是如Manus，采用“工作流+多模型”模式，快速响应特定市场需求。这两条路线将在未来长期共存。
3、生态位之争是关键。竞争的核心已从单纯的模型能力比拼，转向产业生态位的争夺。模型厂商致力于以领先大模型为基础提供智能体平台、应用厂商则聚焦于垂直解决方案的趋势愈发明显。OpenAI此次亲自下场与应用企业竞争，行业反响虽平淡，但其定位于打造“iOS”的平台战略意图较为明显，有待观察。
ChatGPT Agent是目前核心功能最全的网页操作与信息研究类Agent
一是ChatGPT Agent采用了“原生智能”路线。通俗地说，它不是依赖一套预设好的‘行动剧本’去完成任务，而是通过底层模型训练，让Agent天生就具备自主规划、使用工具和在复杂环境中自我纠错的能力。理论上，这种方式的上限更高，更接近真正的‘自主智能’。
表1：主要网页操作与信息研究类Agent核心功能对比
（根据实测和网络信息整理）
二是ChatGPT Agent 融合 Deep Research 和 Operator 两大核心产品。OpenAI今年1月份发布的Operator 能够在网页上滚动、点击和输入文本，可代替人操作各类Web应用，例如京东订购货物、携程订购机票等，2月发布的Deep Research则擅长分析和总结信息，能够大量整合各类信息提供深度的研究报告输出。但是OpenAI发现，用户通过Operator 的许多查询实际上需要深入研究，比如餐厅预订需要先做信息研究等。同类Agent中，只有国内智谱AutoGLM沉思整合了两个能力，但实际更接近于ChatGPT的Operator功能，影响力也难以抗衡。
三是ChatGPT Agent 网络工具与内置终端工具能力较为完备。ChatGPT Agent 配备了一套完整的工具箱，能够根据任务需要，灵活调用文本研究、网页模拟操作、内容生成、命令行执行等多种工具，并且可以直接与其他软件服务的API接口（MCP）对话，能直接运行代码、数据分析、调用API、接入Google Drive、GitHub等外部数据，能力非常全面，适合需要多步骤操作的复杂任务场景。模型经过训练，可自主、灵活地选择合适的工具组合。目前只有Manus AI相对可比，Genspark 、Comet等终端能力有限或不具备。
ChatGPT Agent基准测试爆表但实测未表现明显优势
从OpenAI发布的测评数据看，ChatGPT Agent在结构化学术问题推理、数据分析、网页交互和电子表格四大维度上相比o3有较大程度的领先。如在“人类的最后考试”（Humanity’s Last Exam）评估中，ChatGPT Agent正确率41.6%，是o3无工具模式的两倍（20.3%）。在聚焦数据分析类任务DSBench测试中，ChatGPT Agent数据分析任务准确率87.9%（o3为64.1%），数据建模任务准确率85.5%（o3为77.1%），接近人类表现。在WebArena网页交互测试中，ChatGPT Agent准确率65.4%，超越o3，接近人类水平（78.2%）。在SpreadsheetBench电子表格编辑操作测试中，ChatGPT Agent在直接访问.xlsx文件时，准确率提升至45.5%，优于Copilot in Excel（20%），但与人类水平（71.3%）存在较大差距等。
但在同类产品实测中，ChatGPT Agent没有表现出明显优势。ChatGPT Agent发布后，Manus快速回应，发布10个实测对标案例，通过财务建模、生活规划、行程安排、消费购物、航班筛选等不同场景任务，证明ChatGPT Agent更多聚焦于基础信息检索和文本型交付，Manus在可视化呈现、跨平台操作和交付形式展示了自身优势。 Genspark 创始人高调反馈他们用同样的提示词，Genspark 的响应时间更短、成本更低，生成结果的质量也“高出好几倍”。从《OpenAI Agent测试报告》12个案例看（见表2），ChatGPT Agent的成功率、耗时都不是最优的，其中Genspark成功率最高、花费时间较少，AI浏览器Comet用时更是低一个数量级。这表明，尽管ChatGPT Agent技术架构先进，但在用户最关心的‘做得好不好’和‘用得快不快’这两个核心问题上，并未建立起护城河。
分析其中的核心原因，首先应是Manus、Genspark会针对相关场景（如策划、调研、审查等）预先做场景搜索的提示工程、结果整理逻辑、用户界面设计等深度优化；而ChatGPT Agent更强调通用性，任务通常需要按照通用流程，功能全但需要根据任务灵活组合，输出界面相对粗糙等，因此前者的用户体验会显得更加流畅和专业。其次网络信息深度研究场景的结果可验证性较弱，任务成功与完成度判断有一定的主观性，不能充分体现OpenAI Deep Reserach的能力。而在预定、订购类等可验证的网页操作场景，各家结果普遍欠佳，目前存在普遍性障碍。
表2：《OpenAI Agent测试报告》测试小结
注：来源公众号郎瀚威will
AI智能体（Agent）发展与竞争趋势
战略分化一：‘造大脑’与‘造工具’，两条技术路线并行发展。“造大脑”（Agent Model）：指OpenAI、Anthropic等模型大厂，致力于训练通用Agent模型，解决需要从底层优化的复杂科学研究和决策任务。“造工具”（Agent Tool）：指Manus等应用公司，通过编排工作流、封装多模型等方式，快速打造针对特定场景（如财报分析、行程规划）的专用Agent，优势是落地快、效果好、易于调试。
ChatGPT Agent Model在网络信息处理场景暂时未表现出明显优势，但模型即产品是Agent的重要方向之一。Anthropic Claude实际是一个Coding类 Agent Model，模型大厂预计会聚焦类似高级数据分析、复杂决策、科学研究等通用又需要从模型架构层面优化的场景开展Agent Model训练。同时在领域收敛、数据积累较多的金融、电商、医疗等垂直场景也能产生超级Agent Model。
Manus 类 Agent 模式依赖人类预设的工作流、上下文工程、多模型封装，以及特定场景的针对性优化，优点是可解释、可调试、易落地，更适合在简单的信息搜索整理、标准业务流程智能化等场景落地。
战略分化二：‘通用Agent’与‘浏览器插件Agent’，争夺用户核心入口。这不仅是产品形态的差异，更是对用户工作流程主导权的争夺。浏览器作为信息交互的第一入口，具备天然的场景优势，未来可能对独立的通用Agent应用形成降维打击。目前两者都是网络信息处理类Agent，理论上浏览器Agent更适合轻量级任务，Manus 和 Genspark 等通用类Agent更能处理复杂的跨平台任务。但从《OpenAI Agent测试报告》看，Perplexity 7月推出的AI浏览器Comet执行同类任务速度极快，成功率只是略低于通用类Agent。从访问量看，浏览器Agent代表Dia、Fellou与Manus相差一个量级，但增速很快。这不仅仅是要挑战Chrome等传统浏览器的地位，也将不可避免地与通用Agent形成遭遇战。作为网页信息交互的第一入口，浏览器具备一定的身位优势。
图1：典型通用Agent与浏览器Agent访问量比较
数据来源：similarweb；单位：万访问量
战略分化三：‘做平台’还是‘做选手’，考验巨头们的战略定力。模型大厂更适合聚焦模型能力提升，搭平台、建生态。如Anthropic Claude积极开放API且行业调用量最高，推出模型上下文协议（MCP），形成了快速增长的开发与工具生态；谷歌发布Agent2Agent (A2A)协议，联手Salesforce等多家企业和大量开发者，构建企业应用开发生态等。微软、IBM、Salesforce等IT应用巨头推出企业级Agent应用开发/运维平台；Manus、Genspark、Lovart AI等全球AI Agent初创企业层出不穷。谷歌、Anthropic选择‘做平台’，通过开放API和协议，赋能开发者，构建生态。 而OpenAI此次的策略则显得摇摆不定，既想做裁判（GPT Store），又亲自下场当选手（ChatGPT Agent），导致其直接与生态伙伴竞争，行业反馈平平，这为其长期生态发展埋下了隐患。
在国内，MiniMax Agent、Kimi-K2、夸克 AI 浏览器助手等也形成一定的亮点，但受制于资本、模型能力等因素，海外Agent公司实际占据了流量的主导地位。国内公司可把握端到端强化学习模型与Manus类开发模式成为重要落地形态的趋势，重点开展垂直场景专属Agent训练打造，同步建设优质的Agent发展生态。
建议
结合AI Agent竞争趋势分析，为运营商在AI时代的战略布局提供如下建议：
一是坚持“应用派”路线，避免“模型派”陷阱：运营商的核心优势在于深刻的行业理解、丰富的业务场景和高质量的专有数据。应坚定地走“Manus类”的专用Agent开发路线，即“好模型为我所用”。
二是聚焦垂直场景，打造“杀手级”专属Agent。与其追求功能大而全，不如集中资源，选择1-2个业务中最具价值、痛点最明确的垂直场景（如智能运营、供应链优化、合规风控），打造深度整合业务流程的专属Agent，形成“人无我有”的竞争优势。
三是以“体验”为王，建立差异化优势。ChatGPT Agent的案例表明，底层技术领先不等于用户体验领先。运营商应将重点放在用户界面（UI）、交互流程（UX）和结果呈现的专业性上，让Agent不仅能干活，而且更“懂”业务、更好用，以此构建护城河。
四是拥抱生态，保持战略灵活性。积极与国内外顶尖的模型厂商（国内开源领先的Kimi、deepseek、千问等）保持合作，以开放的心态构建智能体技术底座，确保始终能用上最先进、最具性价比的模型能力，支撑上层应用创新。
