OpenAI内部智能体平台Kepler用于数据综合分析

对于OpenAI员工而言，即使是询问某个特定国家有多少ChatGPT Pro用户这样看似简单的问题，也可能出乎意料地困难，因为所需的数据可能分散在多个数据源中，每个数据源的访问方式都略有不同。

总体而言，OpenAI拥有70,000个不同的数据集，每天积累600PB的新数据。大约3,500名员工可以访问这些数据，使用15种工具中的任何一种。公司一直密切关注用户数量，但随着增加更多地区、计划和功能，统计数字变得更加困难。

但每个新查询都带来了自己的挑战。因此，分析师经常发现自己在Slack上进行长时间的对话，甚至与同事开会，只是为了弄清楚如何访问数据。

"简单的问题不应该如此困难或耗时，"OpenAI数据生产力团队技术成员Bonnie Xu在上个月在纽约举行的QCON AI会议上的演讲中说道。

Xu在会上讨论了公司创建的一个名为Kepler的工具，用于简化这一过程。

Kepler是一个有用的智能体，旨在为OpenAI员工回答问题，隐藏它为找到答案而必须承担的有时很多的任务。

最初，Kepler主要是为公司的数据科学家设计的，但自推出以来，用户群已扩展到财务、人力资源和其他部门的其他人员。

据Xu说，一位Kepler用户实际上表示，这是他们体验过的最接近通用人工智能的AI系统。

数据访问的复杂性

对于业务分析师来说，许多数据库表可能看起来非常相似。一个数据库可能包括未登录用户，而另一个则不包括。一些表包括加密用户，而其他表则不包括，必须将该数据连接到结果数据集中。使用哪一个？

编写正确的SQL代码来提取数据也可能很困难，特别是如果涉及跨不同表的连接。

"错过一个细节可能导致答案错误一个数量级，这在做出重要商业决策时可能是灾难性的，"Xu说。

Kepler的工作原理

Kepler是内部构建的数据分析师，可以利用OpenAI的所有内部数据存储来回答问题。OpenAI员工可以通过Slack或IDE（如Cursor）与Kepler交互，或通过与特定工作流程的集成，或通过移动或其他远程客户端。在后台，Kepler使用GPT-5来解析请求。

为了提供Kepler如何工作的示例，Xu演示了一个关于纽约出租车行程时间的问题。她想知道一天中哪些时间段的行程时间变化最大，以及哪些行程是"最不可靠的"，即起点和终点位置对之间最短和最长行程时间的变化最大。

演示显示了Kepler执行的"思维链"，或一系列评估和行动，以回答这个问题。

首先，它进行内部知识搜索，识别两个潜在相关的数据集，包括2016年纽约市出租车行程时间数据收集，其中包括上车和下车时间，以及目的地和出发地的邮政编码。

然后智能体计算每个邮政编码的中位数时间，识别第95和99百分位数。智能体对如何编写适当的查询来获取所需信息进行有根据的猜测，测试每一个，很快找到一个有效的。

"你可以想象，手动执行此操作需要大量时间，但智能体只是代表你执行这些查询和结果步骤，"Xu说。当查询看起来正确时，它对结果进行排序，然后进行一些轻微的格式化，甚至准备一个图表来向用户呈现数据。（答案显示高峰时间和深夜是最不可靠的时间。）

Xu提供的另一个演示显示Kepler处理一个关于为什么2025年3月ChatGPT用户激增的问题。它咨询了仪表板和任务文档以找到显示此数据的表。Kepler编写了不同的查询来尝试确定使用量的突然增加，例如按地区查询。它寻找错误，例如日志数据重复。

思维链确定了一个可能的原因，即新生成式图像功能的推出。他们进行了网络搜索来交叉引用假设，找到了发布说明和关于推出的新闻文章。

Kepler存储所有问题，因此你可以稍后继续后续线程。当被问及关于2月14日情人节出租车行程的后续问题时，显示智能体知道要使用哪些表和查询。

如果你从思维链中看到Kepler正在走错方向，你也可以中断它。

由于分析师倾向于提出相同类型的问题，例如产品分析和数据验证，Kepler为这些类型的问题保留了自定义工作流程集。

技术架构

在其核心，Kepler是一组直接与ChatGPT（目前是第5版）通信的API。Kepler还直接连接到一组预处理信息，包括内部数据知识库和内部文档服务。它还可以调用在Apache Spark、Airflow和其他平台上运行的数据仓库和其他数据服务。

使用Anthropic发明的模型控制协议（MCP）对Kepler"非常有帮助"，Xu说。Kepler使用内部文档来理解如何查询数据库或在MCP上执行其他任务。如果结果没有按预期出现，它可以用轻微的修改重新运行查询。实际上，Kepler智能体正在自己推理。

"所以不是你提供反馈，而是Kepler运行工具，然后使用正确的工具来执行下一组步骤，取决于给定的任何反馈，"Xu说。

通常，自主运行的智能体可能返回完全不准确的结果，但有了额外的上下文，它们可以理解何时出了问题并尝试改变它们的方法。

"所以真正美妙的是Kepler可以交互式地探索数据本身，内容一直在传递，"她说。

元数据的重要性

帮助构建上下文的还有元数据。

"仅仅按原样查看表本身是不够的。你需要了解表是如何创建的以及它来自哪里，"Xu说。这是智能体真正理解表之间差异的秘密。

运行离线作业来编译关于每个表的这些信息。

这些数据大部分已经由公司编译。关于每个数据库表的丰富元数据已被捕获，例如为什么创建它以及正在用于什么，甚至其主键是什么。

它还使用代码生成从代码本身构建元数据。

"由于所有这些都由离线作业定期刷新，上下文保持新鲜，无需任何手动参与。"

如果Kepler或用户发现错误，它会将更正保存在内存中。

"对我们来说，内存确实是帮助智能体持续学习和改进的机制，"Xu说。"联系人将带你到80-90%的路程。但有时你需要那些真正难以推断的最终小修正。"

为了评估答案的质量，OpenAI运行一个Eval Grader，为每个测试的答案提供分数。它查看交付的结果与预期或正确结果的差异程度。

在许多情况下，正确答案的SQL查询可能与预期的略有不同，但开发团队为此做了规划。

"当我们比较解决测试时，我们实际上给那些不会有意义地影响答案的事情留了一点回旋余地，"Xu说。

用户将自己的凭据带到Kepler，从而确保他们看不到任何他们无权查看的数据。

未来展望

目前，OpenAI没有开源Kepler或将其作为企业产品提供的计划，Xu说，并指出她不在做出这些决定的位置上。

尽管如此，运行基于智能体的内部数据分析工具似乎为公司带来了很多价值。

"我认为至少从我们从用户那里听到的，直接使用Kepler要快得多。它更有生产力，只是因为当你查看不同来源时，你有很多事情要做，你必须连接点，"Xu说。"Kepler确实是顶层，为你做这件事的抽象。"

所有QCON AI演讲的视频将从1月15日开始通过视频会议通行证提供。

Q&A

Q1：Kepler是什么？它能解决什么问题？

A：Kepler是OpenAI内部开发的数据分析智能体，专门用于帮助员工快速访问和分析公司的海量数据。它解决了员工在查询分布在70,000个不同数据集中的信息时遇到的困难，避免了原本需要通过Slack对话或会议才能获取数据的复杂流程。

Q2：Kepler是如何工作的？

A：Kepler使用GPT-5作为核心引擎，通过"思维链"方式执行数据查询。它首先进行内部知识搜索识别相关数据集，然后生成和测试SQL查询，自动处理数据连接和格式化，最终提供结果和可视化图表。用户可以通过Slack、IDE或移动客户端与Kepler交互。

Q3：Kepler会对外开放使用吗？

A：目前OpenAI没有计划开源Kepler或将其作为企业产品对外提供。Kepler主要服务于OpenAI内部员工，包括数据科学家、财务和人力资源部门等，帮助他们更高效地进行数据分析工作。