过去几年，我们使用ChatGPT最典型的方式一直是：

Human
↓
Prompt
↓
AI
↓
Result

人先产生需求。

人打开AI。

人输入Prompt。

AI返回结果。

任务结束。

这种模式本质上仍然是：

Interactive AI。

AI虽然很聪明，但它通常只有在人主动调用的时候才开始工作。

但Codex和Workspace Agents正在把这套关系往另一个方向推动。

现在Codex已经可以把稳定Workflow设置成Scheduled Task，在后台按计划执行；同一个长期Thread还可以被重新唤醒继续之前的任务。Workspace Agents则能够在云端持续运行，即使用户不在电脑前也可以继续工作。

OpenAI Academy在2026年8月12日安排的Codex Bootcamp 301主题也直接就是：

Advanced automation。

内容已经延伸到权限、Sandbox、Subagents、Memory、执行规则、Codex SDK、CI和代码审查等生产级自动化问题。

这背后真正值得关注的，并不是：

Codex终于可以定时运行。

而是：

AI正在从一个等待人提问的软件，逐渐变成能够在后台持续运行的执行系统。

---

一、Chat时代的AI，本质还是“被动响应”

传统ChatGPT的工作方式可以抽象成：

Question
↓
Answer

或者复杂一点：

Human
↓
Task
↓
AI
↓
Result
↓
Human

无论模型有多强，

整个工作流都有一个共同特点：

必须由人启动。

例如：

每天检查CI。

传统AI工作方式是：

Developer发现CI失败
↓
打开ChatGPT
↓
复制错误
↓
让AI分析
↓
执行修改

真正负责：

什么时候开始；

什么时候继续；

什么时候检查结果

的人仍然是开发者。

所以这时候AI更像：

On-demand Intelligence。

它是一种需要被调用的能力。

---

二、Scheduled Task改变的不是“时间”，而是启动权

很多人看到Scheduled Tasks，会理解成：

给Prompt增加一个闹钟。

例如：

每天9点运行一次。

但从系统架构来看，真正发生变化的是：

任务启动权从Human转移给System。

过去：

Human
↓
Start Task

现在：

Schedule
↓
Start Task

OpenAI当前的Scheduled Tasks允许ChatGPT或Codex在设定时间启动工作；稳定Workflow还可以在后台重复执行，并把结果返回当前Thread或者创建新的任务。

于是AI第一次开始出现：

No Human Trigger
↓
Agent Starts Working

这看起来只是减少一次点击。

实际上却是自动化最关键的一步。

---

三、从Prompt-driven走向Event-driven

Schedule只是最简单的Trigger。

真正进入企业以后，Agent启动条件可能越来越多。

例如：

每天09:00
↓
检查CI

属于：

Time Trigger。

再比如：

收到新的Bug
↓
启动Triage Agent

属于：

Event Trigger。

或者：

监控指标超过阈值
↓
启动Investigation Agent

属于：

Condition Trigger。

于是Agent系统开始从：

Human Prompt
↓
Agent

变成：

Event
↓
Agent

Workspace Agents目前已经支持Scheduled Runs和API触发，OpenAI也明确表示后续会继续增加能够自动开始工作的Trigger。

所以未来真正的入口可能不是：

Chat Box。

而是：

Business Event。

---

四、这和传统自动化最大的区别是什么？

传统自动化也可以定时运行。

例如：

Cron Job：

00:00
↓
Run Script

那Agent自动化到底有什么不同？

核心区别是：

传统Script执行的是：

预先写死的步骤。

Agent执行的是：

Goal + Dynamic Reasoning。

例如传统CI脚本：

测试失败
↓
通知开发者

Agent Workflow则可能是：

测试失败
↓
读取日志
↓
定位失败模块
↓
分析最近修改
↓
形成Root Cause假设
↓
尝试修复
↓
重新运行测试
↓
生成报告

OpenAI已经给出自动Bug Triage等Codex使用案例：Codex可以定期检查Alerts、Issues、Failed Checks、Logs和消息报告，再围绕这些输入持续执行分析。

所以：

Automation

正在从：

Execute Fixed Steps

变成：

Pursue Defined Goal。

---

五、AI一旦开始后台运行，第一个问题就是State

交互式Chat有一个天然优势：

人在旁边。

AI忘了什么，

人可以补充。

AI走错一步，

人马上纠正。

但后台Agent不一样。

假设一个任务运行30分钟：

Start
↓
Analyze
↓
Modify
↓
Test Failed
↓
Retry
↓
Waiting Approval
↓
Resume

系统必须知道：

已经完成什么？

当前失败在哪里？

哪些Action已经执行？

什么Context仍然有效？

哪个Approval已经通过？

下一步是什么？

所以后台Agent必须拥有：

Execution State。

这也是为什么长期Agent和普通Chat Session本质不同。

---

六、未来Agent越来越像“后台Job”

传统企业系统非常熟悉一个概念：

Background Job

例如：

视频转码；

数据同步；

报表生成；

消息处理。

它们通常都有：

Queued
Running
Failed
Retrying
Completed

Agent真正后台化以后，也会逐渐出现类似状态。

例如：

Agent Job #1024

Status:
Running

Current Step:
Verification

Retry:
1/3

这时候我们管理的已经不再只是：

Conversation。

而是：

Execution。

所以企业Agent最终很可能会形成：

Agent Queue
Agent Runtime
Agent State
Agent History

这些过去属于后台计算系统的概念。

---

七、第二个问题：后台Agent一定会失败

如果用户正在聊天，

AI出错了：

人会重新问。

但一个无人值守的后台Agent失败以后怎么办？

成熟系统不能设计成：

Error
↓
Stop Forever

更合理的是：

Error
↓
Classify

如果是：

网络超时；

服务暂时不可用；

下载失败，

可以：

Auto Retry

如果是：

测试失败；

代码编译失败，

可以：

Analyze
↓
Repair
↓
Retry

如果连续失败：

Retry 1
Retry 2
Retry 3
↓
Human Escalation

所以Agent后台化以后：

Failure Recovery

就会变成核心基础设施。

---

八、真正重要的不是“自动运行”，而是“自动恢复”

很多自动化Demo都只展示：

Agent成功的时候有多厉害。

但Production System真正关心的是：

失败以后会发生什么。

比如：

一个Agent每天凌晨生成业务报告。

连续运行100天，

其中99天成功。

第100天数据源接口发生变化。

系统应该：

继续无限重试？

生成错误报告？

跳过数据？

通知人？

这些都需要提前设计。

所以企业后台Agent必须拥有：

Retry Policy
Fallback
Timeout
Escalation

也就是说：

Reliability Engineering开始进入Agent。

---

九、第三个问题：后台Agent必须有Budget

如果一个Chat任务跑太久，

用户会主动停止。

后台Agent却可能在没有人盯着的情况下：

不断尝试；

不断调用工具；

不断启动Subagent；

不断消耗Token。

于是系统必须加入：

Execution Budget。

比如：

Max Runtime
30 min

Max Retry
3

Max Agent
5

Max Cost
$X

Max Tool Calls
N

OpenAI今天的Advanced Automation课程本身就把权限、Sandbox、Subagents、执行规则等内容放在生产开发Workflow中讨论，这实际上已经表明自动Agent开始需要系统级约束，而不是简单“让它一直跑”。

---

十、第四个问题：后台Agent必须自动验证

交互式AI可以告诉你：

修改完成。

人再去检查。

但如果Agent凌晨3点自动运行，

第二天人看到：

Completed

这个Completed到底意味着什么？

可能只是：

文件已经改了。

真正可靠的后台任务应该是：

Execute
↓
Verify
↓
Evidence
↓
Complete

OpenAI当前关于Verified Operations的建议也明确指出：适合Scheduled Automation的Workflow，应该先在人工运行中验证输出稳定，并把敏感操作保留在审批边界中。

所以后台Agent真正要追求的是：

Verified Automation。

而不是：

Unattended Generation。

---

十一、为什么后台运行会让Verification变得更重要？

因为人不在现场。

这句话看起来简单，

但影响非常大。

交互式模式：

AI
↓
Human
↓
Check

后台模式：

Agent
↓
???
↓
Tomorrow Human

中间出现了一个巨大的无人区。

所以系统必须自动回答：

测试通过了吗？

输出格式正确吗？

数据完整吗？

有没有越权？

结果和上次相比是否异常？

这时候Verification就是：

后台Agent和人之间的信任桥梁。

---

十二、第五个问题：后台Agent需要Evidence，而不是一句“完成”

未来真正有价值的Agent通知不应该是：

Your task is done.

更合理的是：

Completed

Changed:
3 files

Tests:
24 passed

Retry:
1

Warnings:
1 unresolved

Evidence:
report.md

OpenAI的Codex Automations目前会把后台任务结果放入Review Queue，用户可以回来继续检查和处理，而不是默认后台执行完成后所有结果都自动进入最终状态。

这其实非常符合Production思维：

Agent负责执行，人基于Evidence快速判断。

---

十三、第六个变化：人从“启动者”变成“异常处理者”

传统AI：

Human
↓
Start
↓
AI
↓
Human
↓
Next Step

后台Agent：

System
↓
Agent
↓
Normal
↓
Continue

只有出现：

Risk
Failure
Low Confidence
Approval

才：

↓
Human

于是人的位置发生变化。

从：

Human-in-Every-Step

逐渐变成：

Human-on-Exception。

这对企业生产力的意义远大于：

模型回复速度快10%。

因为它减少的是：

人工触碰次数。

---

十四、真正应该优化的是Human Touches

假设两个AI系统。

系统A：

完成一个任务需要人：

启动；

补Context；

确认；

重新运行；

检查；

提交。

一共：

6 Human Touches

系统B：

后台自动执行。

只有最终Review一次：

1 Human Touch

即使两个模型能力一样，

系统B的组织生产力也可能更高。

所以未来Agent非常重要的一个指标可能是：

Human Touches / Task

而不是：

Tokens / Response

---

十五、AI后台化以后，真正稀缺的是“人类注意力”

如果未来一个工程师管理：

20 Agents

最糟糕的情况是：

20个Agent不断弹：

“请确认。”

“请查看。”

“请决定。”

“我失败了。”

那人其实变成了：

Notification Operator。

真正成熟的系统应该自动过滤：

正常情况；

低风险情况；

可以自动恢复的错误。

只把：

High Risk
Ambiguous
Repeated Failure
Critical Decision

送给人。

于是Agent系统真正优化的是：

Attention Routing。

---

十六、第七个变化：Agent正在从App变成Infrastructure

传统AI产品主要以：

Application

存在。

用户打开：

ChatGPT。

开始工作。

但后台Agent真正成熟以后，

很多时候用户甚至不会意识到Agent已经运行。

例如：

新的Issue出现；

Agent自动分类。

CI失败；

Agent自动分析。

每周报告；

Agent自动生成。

数据异常；

Agent自动调查。

这时候AI越来越像：

Infrastructure。

不是每天主动打开的软件，

而是持续存在于工作系统里的执行层。

---

十七、这和Database、Queue的发展很像

我们不会每天说：

今天我要使用一次消息队列。

它只是一直运行。

只有出问题时人才关注。

未来Agent可能也是一样。

成熟以后：

Event
↓
Queue
↓
Agent
↓
Result

用户真正看到的只是：

Outcome。

所以Agent下一阶段最大的变化可能不是：

UI越来越复杂。

反而可能是：

越来越多AI工作发生在UI之外。

---

十八、后台Agent会催生新的Agent Operating System

如果企业只有1个Scheduled Task，

问题很简单。

如果有：

1000 Agent Jobs / Day

企业必须开始管理：

谁正在运行？

哪些失败？

哪些等待Approval？

哪些消耗异常？

哪些Workflow长期没有成功？

哪个Agent版本表现变差？

于是会自然产生：

Scheduler
Queue
Runtime
State Store
Policy
Observability
Review Queue

完整结构可能变成：

Trigger
↓
Scheduler
↓
Agent Runtime
↓
Tools
↓
Verification
↓
Result

旁边还有：

State
Retry
Budget
Approval
Monitoring

这已经是一套：

Agent Operating System。

---

十九、为什么这和第一篇的Runtime是同一条趋势？

第一篇我们讲：

企业AI正在从：

选模型

走向：

选运行环境。

后台Agent进一步解释了为什么Runtime会变得重要。

因为只要AI开始持续运行，

它就必须依赖：

State
Sandbox
Permission
Retry
Budget
Verification
Observability

模型自己并不能解决这些问题。

所以：

Background AI
↓
Needs Runtime
↓
Needs Governance
↓
Needs Operations

这也是为什么企业AI越来越像一个：

Production Engineering Problem。

---

二十、未来AI工作可能分成两种模式

第一种仍然会存在：

Interactive AI

适合：

临时问题；

探索；

创作；

讨论；

一次性任务。

结构：

Human
↓
AI

第二种会越来越重要：

Operational AI

适合：

重复任务；

持续监控；

固定Workflow；

后台执行；

企业流程。

结构：

Event
↓
Agent
↓
Workflow
↓
Outcome

真正大型企业最终很可能同时拥有这两套体系。

---

二十一、企业真正的AI成熟度可能看“后台任务比例”

未来判断一个公司AI用得深不深，

可能不会只看：

多少员工打开ChatGPT。

而是：

多少核心Workflow已经能够：

自动启动
自动执行
自动验证
自动恢复
异常升级

假设：

公司A有10000个员工每天聊天。

但所有任务都必须人工启动。

公司B只有2000个员工直接和AI交互，

但已经有大量：

Scheduled Agents
Event-driven Agents
Background Workflows

那么后者可能反而更AI-native。

因为AI已经进入：

Operations。

---

二十二、后台AI真正改变的是“工作的时间结构”

过去AI主要提高：

人在工作时的效率。

例如：

原来2小时完成报告。

现在30分钟。

后台Agent进一步改变的是：

工作可以在人没有操作时继续推进。

比如：

下班前提交任务。

Agent夜间：

分析；

修改；

验证。

第二天人只Review结果。

工作流变成：

Human Time
↓
Agent Time
↓
Human Decision

人和AI不再必须一直：

同步工作。

这可能是一种非常重要的生产力变化。

---

最后

过去AI最典型的工作方式是：

Human
↓
Prompt
↓
AI
↓
Result

AI永远在等待：

你下一句话是什么？

但Scheduled Tasks、Codex Automations和Workspace Agents正在逐渐形成另一种结构：稳定Workflow可以在后台运行，长期Thread能够再次被唤醒继续工作，共享Agent甚至可以在用户离开电脑以后继续执行。

于是结构开始变成：

Schedule / Event
↓
Agent
↓
Runtime
↓
Tools
↓
Verification
↓
Evidence
↓
Human Exception

真正的变化不是：

AI可以定时执行Prompt了。

而是：

AI正在获得一种过去只有后台软件系统才拥有的能力——持续运行。

一旦走到这一步，

企业真正需要解决的问题就会从：

“Prompt怎么写？”

扩展到：

State怎么保存？
失败怎么恢复？
成本怎么限制？
权限怎么控制？
结果怎么验证？
什么时候找人？

这意味着AI正在从：

Interactive Software

逐渐进入：

Operational Infrastructure。

未来真正重要的Agent，可能不是那个：

每次你问它，它都回答得特别聪明。

而是那个：

即使你没有一直盯着，它仍然能够在正确边界里持续推进工作，并且只在真正需要你判断的时候找到你。

这可能才是AI从：

“等人提问”

走向：

“后台持续运行”

真正意味着的变化。

持续更新Codex、大模型开发相关技术内容。

长期使用各类代码大模型，整理了稳定的AI会员订阅渠道。