OpenAI内部每天运行一条离线pipeline，把7万张表的使用数据、人工标注、Codex代码增强全部聚合进一个向量库，然后让agent自己回答「这个指标为什么跌了」。一个研究岗实习生干3天的活，agent在22分钟内搞定了------而且不是第一次。
这一数据来自OpenAI 2026年9月公布的内部自动化研究agent测试结果，当时官方称其运行时效率达到人力3.1倍。同年，Kepler数据Agent已开始服务3500+内部员工，将重复查询响应从22分钟压缩至秒级。
OpenAI的自动化研究timeline长什么样
2026年9月：自动化实习生首批上岗
按OpenAI对外披露的计划，2026年9月是首批自动化研究实习生上岗的时间节点。这批agent并非完全从零开始推理，而是在一个经过长期沉淀的数据基础设施上运行。
它们每天自动消费Kepler生成的查询日志、人工标注记录以及Codex从代码仓库中提取的表结构定义，将这些信息编码为嵌入向量后存入向量库。当研究岗人员提出一个问题时，agent通过检索增强生成（RAG）召回最相关的上下文，再结合模型自身的推理能力给出答案。
2028年3月：全流程自主研究员目标
更长远的目标是2028年3月实现全流程自主研究员。届时，agent将不再局限于回答既有数据问题，而是能够自主拆解研究任务、设计实验、执行分析并产出研究报告。
这一目标的设定建立在两个基础之上：一是模型能力的持续提升，二是训练数据质量和覆盖面的不断扩充。OpenAI在GPT-5.6的发布中明确指出，该版本在内部加速AI研究的场景下，活跃研究人员日均输出token数是GPT-5.5时期的两倍以上。
从GPT-5.6到自动化intern的效率跃迁
从模型迭代到agent部署，中间存在一段工程转化的距离。
OpenAI的做法是将模型能力嵌入到一个完整的agent pipeline中。这个pipeline包含上下文构建、检索、推理、验证和反馈等多个环节。每个环节都有明确的输入输出约束，使得agent的行为在大部分情况下是可预测和可干预的。
效率3.1倍的来源，并非单纯来自模型推理速度的提升，而是来自以下事实的组合：agent可以在不等待人工干预的情况下并行处理多个查询，可以访问比单个研究者更广的数据视图，且不会疲劳。
Agent持续运转，人需要休息
OpenAI自动化研究agent工作流程
这条pipeline每天凌晨批量抓取OpenMetadata里7万张表的使用频率、血缘关系、刷新时间戳，连同人工标注的业务语义、Codex从代码仓库里爬出来的字段定义，全部转成embedding存入向量库。查询时只召回最相关的上下文，而不是把整张元数据表灌给模型。
底层架构才是硬实力
Kepler离线聚合Pipeline流程
选择RAG而非实时扫描，是工程上的取舍。实时扫7万张表的血缘图和日志，延迟不可控且算力成本指数级增长。离线聚合把复杂度从O(n)降到O(1)------每次查询只拉几十条最相关的上下文，模型的输入token数因此压缩了两个数量级。
更关键的是三层设计的递进逻辑。Layer 1是表结构本身，但结构不会告诉你csat_score代表「排除自动化跟进后的客户满意度均值」，这个含义必须由人在Layer 2写入。Layer 3则是Codex从Airflow DAG和dbt模型定义里自动提取字段血缘、主键、刷新频率------这些信号schema里没有，却决定agent判断「这份数据是否新鲜可靠」。
底层工程才是护城河
这三层的叠加，让agent在回答业务问题时既有统计依据，又有业务语义。缺少任何一层，结果都会出现偏差：只有Layer 1的agent会给出准确的数值但解释不清口径；只有Layer 1+2的agent知道含义但不知道数据是否过期；只有Layer 1+3的agent掌握了血缘但缺少业务语境。
OpenAI的自动化研究agent本质上是Kepler能力的垂直延伸------同样的聚合逻辑，同样的三层增强，只是调用方从数据分析师换成了研究实习生。这解释了为何3.1倍的效率提升并非魔术，而是工程积累的自然结果。
底层架构才是硬实力
3.1倍人力的背后是什么机制
这个数字看起来夸张，但拆开来并不神秘。核心问题只有一个：怎么让agent回答时不靠猜。
Runtime Context的工程化实现
OpenAI的做法是把元数据、人工标注、代码仓库中的字段定义三部分拼在一起，转成embedding后存入向量库。查询时只召回相关上下文，而不是把整张表灌给模型。
这意味着两件事：第一，context被压缩了；第二，压缩过程有固定套路，不是每次临场发挥。
Daily + OpenAI | Realtime Voice and Video AI Agents 的记录显示，这种管道化方式在工程上是可复制的。关键在于聚合节点的标准化------表使用频率、血缘关系、刷新时间戳，这些指标本身不重要，重要的是它们能一起喂给同一个embedding模型。
Meaning lives in code的设计哲学
「Meaning lives in code」这句话道破了自动化研究agent的核心：表结构本身不会告诉你业务含义，但pipeline代码会。
OpenMetadata的案例里提到一个具体细节：csat_score这个字段，光看schema不知道它代表「售后满意度问卷平均分，排除自动跟进记录」。但Codex从代码仓库里爬出来的注释能告诉你。
这就是工程和数据的交叉点。纯数据团队会做字段字典，纯工程团队会写README，但两边都不够------只有把代码逻辑解析成结构化语义，agent才能真正理解「为什么跌了」而不是「跌了多少」。
这锅agent背
从22分钟到秒级的响应压缩逻辑
Kepler服务3500+员工，重复查询响应从22分钟降到秒级，背后的机制是cache + RAG的组合拳。
具体流程是：查询进来 → 向量检索召回相关上下文 → 模型生成回答 → 结果缓存。下次相同或相似查询直接命中缓存，不再走完整链路。
这里有个容易被忽略的细节：缓存不是全量缓存，而是「语义相似」就命中。也就是说，即使查询措辞不同，只要embedding向量足够接近，就能复用之前的分析结论。
这需要前置条件：第一次查询的质量必须过关。否则缓存的就是错误答案，后续所有命中都在放大错误。
从经验看，这种做法适合高频、重复性强的查询场景------比如「某指标为什么跌了」「某个表的最新数据是什么」。不适合一次性、探索性的深度分析，那种场景还是得靠人工研究岗。
3.1倍人力的意义不在于替代，而在于填补日常重复工作的缺口。剩下的问题才是关键：你的团队有没有类似的「可沉淀查询模式」？如果没有，这个倍数对你来说就是空气数字。
这对AI工程师意味着什么
数据团队的定位将如何迁移
OpenAI的自动化实习生上岗，首先冲击的是数据团队的职责边界。
过去，一个数据分析师的日常是被动的：业务方提需求，排期，开发，交付。需求堆积在Jira里，优先级靠谁嗓门大决定。现在，agent可以自动回答70%的常见查询。剩下的30%才是真正需要人工介入的复杂场景。
这不是「数据分析师要被替代」的简单叙事。更准确地说，是数据团队的产出形态发生了结构性迁移。
当重复性查询被agent接管，数据工程师的价值不再体现在「写SQL的速度」，而是体现在「让agent理解业务语义的能力」。这正好对应OpenAI在实践中总结出的设计哲学：「Meaning lives in code。」表结构本身不会告诉你业务含义，但pipeline代码会。
被安排了
具体而言，数据团队的定位会向三个方向迁移：
第一层，构建和维护语义层。OpenAI的Kepler之所以能回答复杂查询，是因为有人用人工标注的方式为7万张表编写了业务含义描述。这段工作无法自动化，因为业务理解依赖领域专家的经验。数据团队需要成为「业务语义的翻译者」。
第二层，设计agent的可观测性框架。当agent替你回答查询时，你需要知道它为什么给出这个回答、引用了哪些数据源、推理链是否完整。否则，一旦给出错误答案，业务方追责的是数据团队。
第三层，建立反馈闭环。OpenAI的做法是将人工标注嵌入pipeline，每次人工修正都会回流到向量库。数据团队需要设计类似的机制，让agent的错误能被捕获并用于下一轮优化。
自动化边界的重新定义
「3.1倍人力」这个数字背后，有一个容易被忽略的前提：agent处理的都是「有上下文可召回」的问题。对于需要跨多个数据源做假设推理、或者涉及敏感决策的场景，agent目前仍然需要人工介入。
Automation边界不是「能不能做」，而是「做到哪一层需要人工兜底」。
OpenAI内部对agent能力的定义是分层的：
- L1：查询类任务。「为什么这个指标跌了」「上个月的GMV分布」------这类任务有明确的上下文，agent可以独立完成。
- L2：探索类任务。「这几个维度之间有没有相关性」------需要多步推理，agent可以生成假设，但结论需要人工验证。
- L3：决策类任务。「要不要砍掉这个功能」------涉及业务判断，agent可以提供数据支撑，但不能做决定。
真相锁定
Agent能力分层与人工介入边界
对工程师而言，重新定义自动化边界的具体方法是：列出当前团队处理的所有任务类型，按L1/L2/L3分层，识别哪些可以完全交给agent，哪些需要半自动，哪些必须人工。
这个过程不需要等待OpenAI级别的资源。任何团队都可以用「任务分类矩阵」来完成这一步。
当前可复用的架构模式
OpenAI的做法有参考价值，但直接复制不现实。中小企业需要的是一套可以在现有条件下落地的最小架构。
核心组件只有三块：元数据源、向量化层、检索层。
底层架构才是硬实力
可复用的Agent元数据架构
具体实现路径：
第一步，选一个轻量级向量库。LanceDB、Qdrant、或pgvector都可以，不需要OpenAI级别的基础设施。关键是支持ANN检索，而不是全表扫描。
第二步，构建最小语义层。不需要标注7万张表，先标注团队最常访问的10-20张核心表。人工编写业务含义描述，这个工作本身就有价值------它迫使团队厘清「我们到底在追踪什么指标」。
第三步，用RAG替代全文注入。查询时只召回与问题最相关的上下文，而不是把所有元数据灌给模型。这既降低Token消耗，也提高回答精度。
第四步，建立反馈闭环。每次人工修正agent的回答，都作为新的标注回流到向量库。这个循环的频率决定了agent的进化速度。
一个现实的问题是：这样做需要多少人？根据OpenAI的内部数据，Kepler服务3500+员工，背后是一个小型工程团队在维护。对于3-5人的数据团队，可以先用一个「单点突破」策略：选一个最高频的查询场景，构建端到端的agent pipeline，验证效果后再扩展。
收尾：取舍判断
当agent能跑满3.1倍人力时，真正的问题不是它能不能替代你，而是你能不能比它更快完成第一轮迭代。
在资源充足的团队，建议直接复制OpenAI的三层架构（元数据聚合→向量化→RAG检索），尽快把重复查询交给agent，让人力集中在L2/L3任务上。
在资源有限的团队，先从标注核心表的语义层开始，用轻量级向量库构建最小RAG pipeline，优先覆盖Top 5高频查询。这个过程中积累的业务理解，本身就是agent无法替代的价值。
无论哪种路径，核心动作都是同一个：让agent理解「代码里的含义」，而不是让工程师继续替agent回答「表结构是什么」。