我看完 OpenAI DevDay 的 DOTS Demo:我第一次觉得:AI 真的像同事,开始自己订差旅、追工单、回复消息

最近看了 OpenAI DevDay （OpenAI 开发者大会）2026 里的一段 DOTS 演示。

一开始我以为又是一个"AI 帮你总结资料"的 Demo，结果看下来，它做的事情比我想象中更像一个真正的工作助理：

▪帮你规划出差、筛选航班和酒店；

▪帮你从 Slack 里找出最重要的问题；

▪把用户反馈和 Linear 工单、代码 PR 对上；

▪等修复完成后，再自动回到原来的聊天里通知用户。

整个过程里，演示者没有一直盯着它操作，也没有每一步都告诉它下一步该点哪里。

这点让我印象比较深。

以前我们用 AI，更多是"问一个问题，拿一个答案"。

DOTS 这类 Agent 想做的事情，是接手一整段工作，中间自己去查资料、对信息、找关联，最后把事情跟进到底。

先说结论：

它真正厉害的地方，不是会聊天，也不是能写一段漂亮的话，而是可以把分散在不同软件里的信息串起来，替你把一件事情完整地跑一遍。

· · ·

一、帮你安排一次出差，真的不只是"查机票"

演示里，用户通过语音告诉 DOTS：

"我明天要去洛杉矶参加会议。"

这句话其实包含了不少隐含条件。

▪要查航班。

▪要符合公司报销政策。

▪最好支持退款或改签。

▪还要考虑从机场到会议地点需要多长时间。

如果是我们自己处理，可能要打开几个网页：

先看日历，再查航班，再查酒店，接着看地图，最后还要确认价格和退改规则。

DOTS 的处理方式是，它会把这些条件放在一起考虑。

因为洛杉矶 LAX 机场经常堵车，它没有只看航班价格，而是建议尽量选择中午前后落地，给出机场和路上的缓冲时间。

之后，它还在聊天界面里发来了酒店图片和 Google Maps 位置截图。

演示者选中 Silver Lake Pool & Inn 后，DOTS 就继续准备单晚预订。

这和普通的"帮我找一家酒店"差别还是挺大的。

它不是只把搜索结果丢给你，而是在帮你做筛选和下一步安排。

当然，涉及真正付款时，我觉得还是要保留人工确认。

查找、比较、准备订单可以交给 AI。

最后点不点支付，最好还是自己看一眼。

· · ·

二、最让我觉得有用的，是它把 Slack（类似国内飞书、钉钉或企业微信）里的反馈捞了出来

很多团队每天都会在 Slack 里收到大量反馈。

▪有人说页面打不开。

▪有人反馈功能不好用。

▪有人只是顺手提了一句："这个地方好像有问题。"

这些信息当时看到了，但过几天再回头找，基本就很难找全了。

DOTS 做的第一件事，是把过去 24 小时的反馈重新扫了一遍，然后归纳出目前最集中的问题：

用户不确定 DOTS 到底有没有在正常工作，也不知道它是在思考、卡住，还是已经完成了任务。

这个问题听起来有点抽象，但其实很常见。

我们使用 AI 时，最焦虑的往往不是它慢，而是：

▪"它现在到底在干什么？"

▪"我还要继续等吗？"

▪"刚才的任务是不是失败了？"

DOTS 把这个问题提炼出来之后，又继续往下做。

它会把 Slack 里的反馈和 Linear 工单、代码 PR 联系起来，判断哪些问题已经有人处理，哪些还没有对应的修复任务。

· · ·

三、修复完成后，它还能自己回去通知用户

这部分是整个 Demo 里我觉得最像"工作闭环"的地方。

以前的流程通常是：

▪用户在 Slack 提出问题；

▪产品或客服把问题转给研发；

▪研发创建工单、修改代码；

▪PR 合并之后，事情可能就停在这里了。

至于最初提问题的用户有没有收到回复，很多时候没人再跟进。

DOTS 的设计是：

当对应的修复 PR 发布之后，它会自动回到原来的 Slack 讨论线程里，告诉用户问题已经处理，并附上 PR 链接，邀请对方重新测试。

这个流程被称为 Gap & Reply Loop。

我觉得不需要记这个英文名，理解它在做什么就够了：

▪有人提问题，AI 负责记住；

▪研发完成修复，AI 负责回去通知；

▪用户重新测试，反馈再回到系统里。

这样一来，反馈就不会只停留在"有人提过"，而是能一直跟到最终结果。

· · ·

四、它还可以帮忙整理那些没人回复的消息

DevDay 发布之后，Slack 里肯定会冒出很多问题。

有人问 DOTS 和 ChatGPT 是什么关系。

有人问能不能接入 Slack、Teams。

还有一些问题可能比较重要，但因为消息太多，一直没有人回复。

DOTS 可以自动找出高优先级、未回复的消息，再结合上下文生成回复草稿。

注意，是先生成草稿，不是直接替你发出去。

这点我觉得比较适合团队使用。

因为 AI 可以先帮我们把信息整理好，把回复的大致内容写出来，但最终要不要发送，还是由人来确认。

特别是涉及客户、合作伙伴或者公开回应的内容，不能让 AI 自己说了算。

· · ·

五、DOTS 真正解决的是什么问题？

看完这个演示，我觉得 DOTS 解决的不是"不会写内容"的问题。

它更像是在解决：

比如：

▪反馈在 Slack

▪工单在 Linear

▪代码在 GitHub

▪日程在 Calendar

▪差旅信息在预订平台

▪最后的沟通又回到了 Slack

人需要不停地在这些软件之间来回切换。

而 DOTS 做的事情，是把这些工具连起来。

它可以根据 Slack 里的反馈找到 Linear 工单，再找到代码 PR，等修复完成后重新回到 Slack 里通知原用户。

这一点，和单独用一个聊天机器人不太一样。

它不只是帮你做一件小事，而是试着把一段完整流程接过去。

· · ·

六、普通团队可以从哪些场景开始？

我觉得团队不需要一上来就做一个"什么都能干"的超级 Agent。

先从这些比较明确的小场景开始：

●1、客户反馈跟进

让 AI 整理 Slack、企微或 Teams 里的反馈，判断哪些是重复问题、哪些比较紧急、哪些已经有工单。

等研发修复后，再回到原来的反馈里提醒用户测试。

●2、差旅和报销申请

提前把公司的差旅规则告诉 AI，比如机票预算、酒店标准、退改要求和审批流程。

员工说清楚出差时间和地点后，AI 负责筛选方案，最后由员工或行政确认。

●3、会议资料整理

把白板照片、会议录音或聊天记录交给 AI，整理成会议纪要、待办事项、流程图或 PPT。

很多会议不是没有结论，而是会后没人愿意整理。

· · ·

七、团队真正落地，可以按这四步来

●第一步：先找一个小场景

优先选择高频、重复、规则清楚的事情，比如客户反馈、差旅申请或会议纪要。

不要一开始就想让 AI 管理整个团队，范围太大，最后可能只能停留在 Demo。

●第二步：划清权限边界

可以让 AI 整理信息、匹配工单、生成草稿，但付款、对外回复和修改核心数据，最好保留人工确认。

也就是 Human-in-the-Loop：AI 负责准备，人负责确认。

●第三步：把公司的规则告诉它

提前整理好工单分类、优先级、回复语气、差旅预算和审批流程。

规则越明确，AI 越不容易自由发挥。

●第四步：用数据判断效果

不要只凭感觉判断有没有变快，可以记录：

▪反馈到工单用了多久

▪PR 修复后多久通知用户

▪每周少了多少整理时间

▪差旅申请节省了多少时间

这样才能知道 AI 是真的帮上忙，还是只是多了一个需要维护的工具。

· · ·

我的一个感受

DOTS 让我看到，AI 正在从"帮我写一段内容"，变成"帮我把一件事跟到底"。

它可以记住反馈，找到对应工单，等修复完成后再回去通知用户。

但权限边界一定要提前划清楚。

如果团队想尝试 Agent，我建议先从一个小流程开始。

比如：

"每天整理客户反馈，匹配已有工单，并在修复完成后生成通知草稿。"

先让它把一件事稳定跑通，再慢慢增加权限，可能比一开始追求全自动更靠谱。