处理600+PB数据

01

核心要点

• 来源为 AI旗页热点日报，原文入口保留在页面底部，适合继续核对完整信息。
• 这条内容被归入“模型发布与实时多模态能力”，可作为后续工具选型、教程选题或趋势观察线索。
• 相关标签：AI热点日报 / AI 工程 / 架构。

编辑判断

AI旗页判断

这条资讯来自 AI旗页热点日报，更适合当作“模型发布与实时多模态能力”方向的信号来看：它说明相关能力正在进入更具体的产品、行业或工作流场景，而不只是停留在演示层。

读这类新闻时，建议重点看模型能力是否已经开放、支持哪些输入输出、价格和速率限制如何，以及能否接入真实业务。

AI旗页的处理方式是保留来源、摘要和相关入口，不做全文转载。这样既能让中文用户快速判断是否值得继续读，也避免把站点做成低价值搬运页。

03

来源信息

原文标题：Presentation: AI Agents to Make Sense of Data at OpenAI

OpenAI’s Bonnie Xu discusses Kepler, an internal AI data analyst agent built to query 600+ petabytes of data. She explains how they overcome context window limits using MCP, automated code crawling, and RAG. Xu also shares how their team leverages scoped semantic memory for self-learning and utilizes AST-based LLM grading to build a robust, regression-free evaluation pipeline. By Bonnie Xu

一句话结论：OpenAI的Bonnie Xu分享了内部AI数据分析Agent Kepler，它通过MCP、自动代码爬取和RAG克服上下文窗口限制，处理600PB以上数据。原始信息明确发生了什么：Kepler是一个内部AI数据分析师Agent，能查询600+PB数据，团队利用作用域语义记忆实现自学习，并使用基于AST的LLM评分构建无回归评估管道。为什么值得关注：该演讲揭示了OpenAI在大规模数据分析Agent上的工程实践，包括如何突破上下文限制、实现自学习和自动化评估，对构建企业级AI Agent有直接指导意义。影响谁：AI工程师、数据分析平台开发者、企业AI架构师。下一步怎么验证或使用：开发者可参考演讲中的MCP和RAG组合方案，在自己的数据分析Agent中实现类似的分层记忆和评估机制，或关注OpenAI后续可能开放的相关工具。

来源信息：AI旗页热点日报，发布时间或入库日期为 2026-06-19。页面底部保留原文入口，适合继续核对完整上下文、原始表述和附带链接。

原文摘录

来源摘要

OpenAI’s Bonnie Xu discusses Kepler, an internal AI data analyst agent built to query 600+ petabytes of data. She explains how they overcome context window limits using MCP, automated code crawling, and RAG. Xu also shares how their team leverages scoped semantic memory for self-learning and utilizes AST-based LLM grading to build a robust, regression-free evaluation pipeline. By Bonnie Xu

以上内容来自来源页/RSS 提供的摘要信息，AI旗页做中文整理、重点标注和入口归档；完整内容、上下文和版权归原作者所有，请以原文为准。

05

下一步怎么用

• 需要确认细节时，优先打开原文链接，看发布时间、上下文和官方表述。
• 如果这条动态与你的工作有关，可以继续查看同标签资讯和相关工具，判断是否需要写教程、做对比或加入工作流。
• 如果是产品或模型更新，建议同时比较价格、可用地区、中文体验、API 接入和数据安全边界。

相关阅读

相关资讯