一句话看懂：Simon Willison 用 ChatGPT Work 搭配 GPT-6 Astra（Max）跑了一个 27 分钟的任务，基于 OpenStreetMap 数据生成了从他家出发的 5K/10K 环形跑步路线，并输出可下载的 GPX、GeoJSON 和可视化地图。值得关注的不是路线本身，而是这个 Agent 的“黑箱感”：他无法看到实际执行的代码，追问时因会话压缩已无法取回。
事件核心：发生了什么
2026 年 9 月 12 日，Simon Willison 在博客中记录了一次实测。他向 ChatGPT Work（背后为 GPT-6 Astra，Max 档位）下达指令：以他的住址为起点，用 OSM 数据规划 5K 和 10K 的环形跑步路线。任务持续运行约 27 分钟，最终同时给出嵌入 ChatGPT 界面的可视化结果，以及可下载的 GPX 和 GeoJSON 文件。
被问及方法时，模型自述使用了 Nominatim 做地址定位、Overpass 拉取当地 OpenStreetMap 的道路与步道数据，然后在本地计算环线。地图展示调用了名为 visualize 的技能，生成了一个 /workspace/el-granada-5k-share.html 文件，其中以 JSON 形式内嵌完整几何数据，通过白名单 CDN 加载 D3 渲染。目前公开信息显示，这些细节来自模型自述，而非可核验的执行日志。
为什么重要
这次实测的价值不在于“AI 会画跑步路线”，而在于暴露了 Agent 产品的一个结构性缺口：能力越强，过程越不可见。用户看到的是结果，看不到它调用了哪些 API、写了几行 Python、数据过滤规则如何设定。Willison 明确把这种缺乏透明度称为“反特性（anti-feature）”。更典型的是，当他想补要一份代码时，ChatGPT 已因会话被压缩而无法取回——说明上下文压缩不仅影响记忆，还会直接销毁可追溯的执行证据。对依赖大模型做自动化任务的场景而言，这既关系到结果能否复现，也关系到出错时的责任归属。
对用户/开发者/创作者的影响
对普通用户，这类任务的门槛已降到一句话，但“用得住”的前提是结果可检查：GPX 和 GeoJSON 是标准格式，可以导入运动手表或地图软件二次验证，这比看截图靠谱。对开发者，值得注意的是 Agent 的工程模式——定位、取数、本地计算、可视化各自成环，其中 D3 走白名单 CDN 的约束说明技能系统正在形成资源边界，这可能是未来 AI 应用与开源数据源（如 OSM）对接的常规姿势，也意味着闭源 Agent 在可调试性上天然弱于自己编排 API 的方案。对创作者和企业采购者，评估这类产品时，除了看输出质量，还应测试它能否导出代码、日志和中间产物。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 ChatGPT Work 或后续版本是否会把执行代码、工具调用记录作为可导出项，或至少提供会话压缩前的文本留存与检索；二是 Agent 调用外部数据源（Nominatim、Overpass、白名单 CDN）的权限和限流策略是否透明化，这直接影响任务能否稳定复现；三是若可追溯性长期缺位，开发者可能会更倾向自行用 API 编排流程，而不是把关键任务交给黑箱式 AI 应用。
