# OpenAI 内部数据 Agent 把 RAG 的检索对象从原始日志换成了离线精编的高密度上下文

> 原标题：OpenAI 带来的上下文工程范式反思：为何离线编撰能让在线 RAG 看得更少、更准？

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-08-06T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/49300
- 原文：https://yage.ai/share/openai-data-agent-offline-context-20260806.html

## 摘要

OpenAI 的内部数据 Agent 服务 3,500 多人、覆盖 600 PB 数据，在线部分只用了一个 GPT-5.5 模型和约 13 个工具。真正的工作发生在提问之前：用 Codex 去读数据管道的代码，把表名、字段含义这些藏在代码里的业务逻辑提前写成结构化的描述，在线 RAG 再去检索这些加工好的材料。

## 推荐理由

OpenAI 内部数据 Agent 服务 3,500 多人、覆盖 600 PB 数据，其做法是用 Codex 提前把数据管道代码里的业务逻辑写成结构化描述，在线 RAG 只检索这些离线精编材料。

## 锐评

离线用 Codex 把表名和字段含义编成结构化描述，在线只跑轻量 RAG，这个分工挺对。企业知识库难做的从来不是检索，是原始日志里那些业务语义没人写下来，让模型现场猜。3,500 人、600 PB 这个量级还能只挂一个模型加 13 个工具，省下来的复杂度全压在离线那一步。代价是数据管道一改，编好的描述就过期，得跟着重跑。想抄这套的先把离线更新的成本算清楚。
