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

ChatGPT变身App Store,「对话即应用」时代到了

编程导航
编程导航
2025-10-08 12:30
阅读 144
编程导航
2025-10-08 12:30
阅读 144

在今天的科技叙事里,很少有一次更新,能像这次一样,让功能迭代听起来像「范式更替」,乃至权力迁移。

就在 10 月 6 日,OpenAI 正式宣布,Booking、Canva、Coursera、Expedia、Spotify 、Figama、Zillow 等应用在 ChatGPT 上线。

这意味着,用户在对话中可以直接订机票、设计海报、生成图表,甚至打开播放列表。所有这些操作,都在 ChatGPT 的聊天窗口里完成,不再需要切换网页或打开独立 App。

对开发者而言,这一切建立在名为 Model Context Protocol(MCP)的开放标准上,而对用户而言,ChatGPT 正在成为一个有生命、有动作的「AI 门户」。

这是会像当年 OpenAI 推出 GPT Store 那样雷声大雨点小,还是真能成为互联网应用入口权力重新洗牌的开始?

01

首批 App,入驻 ChatGPT

回望互联网入口的更替史,几乎是一部效率进化史。门户网站如雅虎靠聚合内容,搜索引擎如谷歌、百度靠检索信息,移动操作系统 iOS、安卓靠承载应用,而超级 App 如微信则靠整合生活。每一次革新,都是为了让用户更直接、更自然地完成目的。

如果说过去二十年互联网的演化,是在不断寻找「用户与服务之间最短路径」的过程,那么这一次,OpenAI 似乎想彻底删掉那条路径。

目前,ChatGPT 首批可用的 App 包括 Booking.com、Canva、Coursera、Figma、Expedia、Spotify 和 Zillow。它们的集成版本已上线至非欧盟地区的 ChatGPT 用户端,覆盖 Free、Go、Plus 与 Pro 各版本。

可在对话中直接调用 Booking 预定| 图片来源:OpenAI

用户无需跳转网页、下载 App 或切换界面,只要在对话中直接呼叫应用——「Spotify,帮我做个派对歌单」、「Zillow,找找纽约的房子」——ChatGPT 就能在同一窗口中调用相关服务、展示交互界面,甚至完成支付或生成文件。

创建 Spotify 歌单|图片来源:OpenAI

ChatGPT 还会在对话内容相关时主动推荐应用。例如,当你在讨论买房时,ChatGPT 可能会自动推荐 Zillow 应用,让你直接在对话中通过交互式地图浏览符合预算的房源。

帮你挑选房源|图片来源:OpenAI

这种「自然语言 + 应用接口」的模式,意味着对话本身成为了操作系统。用户与应用之间的边界随之消融,地图、课程、幻灯片、酒店搜索,这些熟悉的操作场景被自然嵌入到对话语境中,让用户体验从「搜索信息」变成「执行意图」。

未来数月内,还会有 Uber、Target、Doordash、instacart、Tripadvisor 等 11 家陆续加入。

即将进入 ChatGPT 平台的 App 们|图片来源:OpenAI

OpenAI 官方称,开发者现在可以使用 Apps SDK(应用开发工具包)开始构建这些应用。

对于开发者而言,Apps SDK 的开放意味着一种新的「原生应用」形态。这套工具基于 OpenAI 推出的 Model Context Protocol (MCP) 构建,支持开发者定义应用的交互逻辑与界面,并可直接与自身后端系统相连,实现用户登录、会员服务或内容分发。

开发者现在可进入预览阶段,测试自定义应用,并通过 ChatGPT 的「开发者模式」模拟运行环境。OpenAI 已发布文档、设计规范与开源示例库,据悉在今年稍晚,平台将开放应用提交流程,并提供审核、上架与应用变现机制。

OpenAI 官方称,「这只是 ChatGPT 应用生态的开始,它为用户带来了新的实用性,也为开发人员带来了新的机会。」

如果发展顺利,一个真正的「AI 应用商店」就会成形。

按照 OpenAI 的设想,开发者能构建功能模块,还能让自己的产品自然地出现在 超 7 亿 ChatGPT 用户的对话之中,在需求被表达的那一刻,出现在最合适的场景里。

这意味着,ChatGPT 不只是一个聊天窗口,而是一个操作系统级的服务层。它把应用变成「对话节点」,把交易变成「语言动作」,也让 OpenAI 有机会在这个生态里建立新的商业秩序:订阅分层、交易抽成、广告推荐。

它想重走 App Store 的老路,只不过这次,界面是对话。

02

AI 入口王座之争

问题来了,其他科技巨头也有 App,他们谁会愿意入驻 ChatGPT?

任何新的入口革命,都是权力再分配的开始。过去的门户控制流量,搜索引擎控制信息,移动应用商店则控制分发,那 AI 门户时代呢?

谷歌的处境很微妙。它的搜索入口正被 ChatGPT 蚕食,用户不再搜索,而是直接提问。对于一个靠「搜索」定义存在的公司来说,加入 ChatGPT 无异于自我削权。

当下谷歌只能寄望于自家的 Gemini,以最高优先级整合 Gmail、Drive、Maps、YouTube 等应用,以确保用户的每个行为都在谷歌体系内完成。

Meta 的逻辑类似。它的护城河是社交关系链,AI 必须服务于这个闭环。Meta 不会让用户在 ChatGPT 里完成预订或购物,而会让 WhatsApp、Instagram 内的 AI 助手去满足这些需求,从而继续把人留在自己的社交宇宙中。

其他科技巨头如微软、以及 Anthropic 等 AI 公司,同样在押注各自的 AI 助手。一场关于「AI 入口」的竞速,已经开打。

03

新入口的革命?

对用户和开发者来说,公平性问题估计也会浮现。当多个 App 能满足同一需求时,ChatGPT 如何决定调用谁?

ChatGPT 如果引入各种外部 App,本质上就是一个新的「应用商店」。如何给应用排序?是算法推荐、合作权重,还是广告投放?如果抽成,OpenAI 是否会像苹果当年一样,从每笔交易里分走 30%?

目前 OpenAI 仅称,今年晚些时候,他们将会把应用功能扩展到 ChatGPT Business、Enterprise 与 Edu 版本,并开放应用提交入口,让开发者能在 ChatGPT 中发布自己的应用。届时,他们还将上线一个「专属目录」,用户可在其中浏览与搜索应用。

「符合开发者指南标准的应用将有资格被列入目录,而那些在设计与功能上表现卓越的应用将获得更高的推荐展示机会——无论是在目录中,还是在对话场景里。」OpenAI 称。

此外,OpenAI 称接下来将「很快」公布更多关于变现机制的细节,包括对 Agentic Commerce Protocol(代理式商务协议)的支持,这是一项开放标准,允许用户在 ChatGPT 内实现即时结账。

代理式商务协议框架|图片来源:OpenAI

另外在数据与隐私方面,一个能调用 Booking、Spotify 等应用的 AI,无疑能进一步掌握用户生活的「全息副本」。如果 ChatGPT 拥有这些数据,其潜力显然比以往的任何单一应用更大。

OpenAI 官方称,开发者必须提供清晰透明的隐私政策,只能收集其运行所需的最少数据,并在权限使用上保持公开透明。

当用户首次连接某个应用时,ChatGPT 会主动提示他们进行授权,以便用户了解哪些数据可能会与开发者共享。据悉,今年晚些时候,OpenAI 将推出更细化的控制选项,让用户能够自行决定每个应用可以使用哪些具体数据类别。

近几年各国监管在这方面越来越敏感,尤其是欧盟。OpenAI 甚至在初期阶段主动排除了欧盟用户,明显是为了规避潜在合规风险。在数据合规、反垄断和消费者保护的各种约束下,AI 入口未来预计又会成为监管者的靶子,一旦有什么问题就容易获得巨额罚款。

当然,谈监管还很远,博弈的另一面,更重要的是新价值链的诞生。对开发者而言,ChatGPT 代表一个新的应用「发现机制」,就是一个无需下载的世界级分发平台,这有可能成为新机会。

对话即应用|图片来源:X

对 OpenAI 而言,这一步看似是一次应用集成,实则是对整个互联网分发体系的重构。

回看互联网三十年,从门户、搜索到移动,每一次入口更替都带来了新的产业秩序,门户网站改变了信息的组织方式,搜索引擎改变了知识的获取方式,移动商店改变了应用的分发方式,而如今,OpenAI 正试图改变「服务的到达方式」。用户不再需要「找」什么,他们只需要「说」什么,AI 成了新的中介层。

接下来,AI 助手是否会成为主导入口,当然还取决于用户规模、生态信任、监管政策与竞争格局等等变量。OpenAI 拥有的是先发优势,包括超八亿活跃用户,大量开发者的关注。但谷歌、Meta、苹果等科技巨头显然都不会轻易让出「入口」这块权力之地。

而且,并不是所有 App 都能被对话驱动。比如一个游戏应用,仍然需要完整的界面、输入与实时反馈。对这类应用而言,ChatGPT 要如何在对话中承载它们的复杂交互?

不过,至少这场博弈,或许有机会像当年的浏览器之战、移动操作系统之战一样,打开我们的想象空间。

原文链接: ChatGPT变身App Store,「对话即应用」时代到了
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
🔥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