鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

不用你问,ChatGPT开始每天早上呈上"专属简报",月费200美元用户独享

编程导航
编程导航
2025-09-26 12:30
阅读 222
编程导航
2025-09-26 12:30
阅读 222

9月26日消息,周四,OpenAI推出了名为“ChatGPT Pulse”(注:Pulse直译为脉搏)的新功能,旨在将其旗舰产品从被动的问答工具转变为主动提供服务的个人助手。

作为一项预览功能,ChatGPT Pulse目前仅向Pro订阅用户开放,它会根据用户的聊天历史、偏好以及连接的Gmail和谷歌日历等信息,每日为其生成并推送个性化的主题更新卡片,内容可涵盖新闻、生活建议等。这标志着OpenAI在让AI深度融入用户日常生活、并代表用户采取行动方面迈出了重要一步,同时也使其在个性化资讯服务领域与谷歌等公司展开了直接竞争。

核心功能:从“等待提问”到“主动推送”

长期以来,人们与ChatGPT的互动模式始终是用户发起提问,AI进行回答。这种模式虽然强大,但其局限性在于用户需要明确知道自己要问什么,并且始终承担着推动对话的责任。ChatGPT Pulse的推出,意在颠覆这一传统范式。

新功能的核心机制是“主动推送”。每晚,ChatGPT Pulse会自动分析用户的多维度数据,包括聊天记录、用户通过“记忆”功能保存的偏好,以及直接提供的反馈。基于这些信息,模型会判断出用户当前最关心、最需要的主题,并在后台通过所谓的“异步研究”自动生成查询和回应。

次日清晨,用户打开ChatGPT移动应用时,会看到一系列以“卡片”形式呈现的更新。这些卡片设计直观,配有小型插图和主题摘要,用户可以快速浏览,也可以点击展开以获取更详细的内容。

这些更新内容包罗万象,可能涵盖用户正在跟进的项目后续、符合健康需求的晚餐建议、为即将到来的旅行提供的餐厅推荐,甚至是针对用户兴趣的深度见解。例如,一位经常与ChatGPT讨论太空探索和育儿话题的用户,可能会收到关于NASA火箭发射的新闻,以及结合其孩子年龄的万圣节服装创意。

值得注意的是,这些每日更新并非永久存在。除非用户选择将其保存为标准聊天对话或进行追问,否则这些卡片会在24小时后自动消失。OpenAI ChatGPT团队的技术负责人萨米尔·艾哈迈德(Samir Ahmed)表示,这种“阅后即焚”的设计是为了避免用户陷入无尽的信息流中,确保该功能是“为你工作,而不是让你不停地刷屏”。

深度个性化:连接外部应用与用户反馈

为了提供更精准、更具情境感知能力的建议,ChatGPT Pulse支持用户选择性地连接其Gmail和谷歌日历账户。这些集成功能默认关闭,用户可以随时在设置中开启或关闭,确保对个人数据的掌控权。而一旦选择连接,Pulse的潜力将得到极大释放。

OpenAI ChatGPT团队负责个性化与生产力的克里斯蒂娜·卡普兰(Christina Kaplan)展示了Pulse如何根据她的日程、过去的请求和聊天历史生成动态内容。例如,基于她计划在团队晚宴前跑步的安排,Pulse不仅为她规划了一条45至50分钟的跑步路线,终点恰好在餐厅附近,还考虑到了时间缓冲和备用方案。

更贴心的是,Pulse还为她准备了一份“餐厅攻略”,针对她无乳糖的饮食限制提出了点餐建议。

用户的主动参与是Pulse实现持续优化的关键。用户可以通过简单的“赞”或“踩”按钮对推送内容进行快速反馈。此外,Pulse还提供了一个“策划”(curate)按钮,用户可以点击它来明确告知ChatGPT自己未来希望看到哪些内容,例如“周五给我汇总本地活动”、“提供学习新技能的技巧”或更具体的要求,如“明天重点关注职业网球动态”。

用户的每一次反馈和指导,都会被模型记住,用于改进次日的推送,从而形成一个良性循环,使Pulse变得越来越懂用户。OpenAI通过其“ChatGPT Lab”项目与大学生合作进行了早期测试,发现当用户开始主动告诉ChatGPT他们想看什么时,该功能的实用性便开始显现。

战略意义:迈向“智能体AI”

ChatGPT Pulse并不仅仅是一个功能更新,它还承载了OpenAI对于人工智能未来的宏大愿景,即构建能够自主操作、为用户分担任务的“智能体AI”(Agentic AI)。

在Pulse之前,OpenAI已于今年1月推出了“任务”(Tasks)功能,允许Plus和Pro用户设定ChatGPT在特定时间执行特定操作,如定时发送提醒或生成报告。然而,“任务”功能仍需要用户下达明确指令,而Pulse则更进一步,让ChatGPT自主决定研究什么内容并呈现给用户,实现了从“手动”到“自动”的跨越。

OpenAI应用部门首席执行官菲吉·西莫(Fidji Simo)将Pulse视为智能体演进的下一个阶段,因为它使ChatGPT能够像真正的人类私人助理一样预测用户的需求。

西莫在一篇博客文章中写道:“大多数智能体仍然需要被告知做什么,真正的突破将出现在AI助手能够理解你的目标并帮助你实现它们,而无需等待你发出指令的时候。”她认为,这种从聊天界面到主动、可引导的AI助手的转变,将为更多人释放AI的潜力。

一些行业专家也看到了这种趋势。例如,AI开发者工具提供商LangChain的首席执行官哈里森·蔡斯(Harrison Chase)曾提出“环境智能体”(ambient agents)的概念,即智能体能够持续倾听并在没有明确指令的情况下自动执行工作流和任务。尽管目前许多企业级智能体仍需手动触发,但Pulse的出现,无疑为实现这一愿景铺平了道路。

OpenAI将Pulse描述为“迈向与AI交互新范式的第一步”。该公司设想,未来的AI系统将能够根据用户的指导,“研究、规划并采取有益的行动”。未来的Pulse版本计划连接更多第三方应用,并可能实现全天候的实时更新,而不仅仅是每日清晨一次。

现实挑战:在实用性与用户接受度之间寻求平衡

尽管前景广阔,ChatGPT Pulse作为一项预览功能,仍面临一些挑战和局限性。OpenAI承认,Pulse“不会总是做对”。由于其基于大语言模型开发,成功率会因主题的不同而有很大差异。用户可能会收到关于已完成项目的建议,或者错过一些真正重要的信息。

此外,市场上也存在一些疑虑。有人质疑Pulse的必要性,担心这种主动推送会分散用户的注意力,与其作为效率工具的初衷背道而驰。另一个潜在的挑战在于,ChatGPT的核心交互方式是对话,这种模式在构建一个无缝的智能体体验方面可能存在先天不足。

在数据隐私和算法偏见方面,OpenAI也采取了审慎的态度。卡普兰强调,“你的Pulse只存在于你和ChatGPT之间”,其训练数据的使用规则与普通ChatGPT对话完全相同。

同时,所有推送内容都会经过安全系统检查,以过滤违反政策的有害信息。对于该功能是否可能将用户推入“信息茧房”并强化令人担忧的思维模式,OpenAI的安全团队正在密切关注并设有多种安全过滤机制。

目前,ChatGPT Pulse仅向每月支付200美元的Pro订阅用户开放。OpenAI计划在收集初步反馈后,将其扩展到每月20美元的Plus用户,最终目标是让所有免费用户都能使用。

OpenAI并非唯一一家探索主动式“智能主体AI”的公司。包括谷歌、Anthropic在内的主要竞争对手,也都在该领域投入巨资。市场上也出现了类似概念的产品,比如由NotebookLM部分创建者推出的Huxe。

总而言之,ChatGPT Pulse的发布是OpenAI乃至整个AI行业的一个重要里程碑。它不仅是一次功能上的迭代,更是一次理念上的飞跃,标志着主流AI应用正从一个被动的知识库,演变为一个主动的、能够预测并满足用户需求的智能伙伴。

在这场关乎“谁更懂你”的全新竞赛中,OpenAI已率先出招,而整个科技行业的“个人助手”之战,才刚刚拉开序幕。(小小)

原文链接: 不用你问,ChatGPT开始每天早上呈上"专属简报",月费200美元用户独享
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230