OpenAI के इन-हाउस डेटा एजेंट के भीतर

डेटा यह निर्धारित करता है कि सिस्टम कैसे सीखते हैं, उत्पाद कैसे विकसित होते हैं, और कंपनियां कैसे निर्णय लेती हैं. लेकिन अक्सर उत्तर जल्दी, सही तरीके से, और सही संदर्भ के साथ प्राप्त करना जितना होना चाहिए उससे अधिक कठिन होता है. OpenAI के विस्तार को आसान बनाने के लिए, हमने अपना विशेष इन-हाउस AI डेटा एजेंट बनाया है, जो हमारे प्लेटफ़ॉर्म पर खोज और तर्क करता है.

हमारा एजेंट एक कस्टम, केवल-आंतरिक उपयोग के लिए टूल है (कोई बाहरी पेशकश नहीं), जिसे विशेष रूप से OpenAI के डेटा, अनुमतियों, और वर्कफ़्लोज़ के इर्द-गिर्द बनाया गया है. हम दिखा रहे हैं कि हमने इसे कैसे बनाया और इस्तेमाल किया, ताकि हम ऐसे असली और असरदार उदाहरण दिखा सकें कि AI हमारी टीमों में रोज़ाना के काम में कैसे मदद कर सकता है. इसे बनाने और चलाने के लिए हमने जिन OpenAI टूल्स का उपयोग किया (Codex, हमारा GPT‑5 फ़्लैगशिप मॉडल, Evals API⁠(एक नई विंडो में खुलेगा), और Embeddings API⁠(एक नई विंडो में खुलेगा)) वही टूल्स हैं जिन्हें हम हर जगह डेवलपर्स के लिए उपलब्ध कराते हैं.

हमारा डेटा एजेंट कर्मचारियों को सवाल से इनसाइट तक मिनटों में पहुँचने देता है, दिनों में नहीं. यह सभी कार्यों में डेटा निकालने और सूक्ष्म विश्लेषण करने की बाधा को कम करता है, न कि केवल हमारी डेटा टीम द्वारा. आज, OpenAI में इंजीनियरिंग, डेटा साइंस, गो-टू-मार्केट, वित्त और अनुसंधान की टीमें महत्वपूर्ण डेटा प्रश्नों के उत्तर पाने के लिए एजेंट पर निर्भर करती हैं. उदाहरण के लिए, यह लॉन्च का मूल्यांकन कैसे करें और व्यवसाय की सेहत को समझें, इन सवालों के जवाब देने में मदद कर सकता है, और यह सब प्राकृतिक भाषा के सहज प्रारूप के माध्यम से. एजेंट Codex-संचालित टेबल-स्तरीय ज्ञान को उत्पाद और संगठनात्मक संदर्भ के साथ मिलाता है. इसकी लगातार सीखने वाली मेमोरी प्रणाली का अर्थ है कि यह हर मोड़ के साथ बेहतर होती जाती है.

इस पोस्ट में, हम यह बताएँगे कि हमें एक विशेष AI डेटा एजेंट की आवश्यकता क्यों थी, इसके कोड-संवर्धित डेटा संदर्भ और आत्म-शिक्षण को इतना उपयोगी क्या बनाता है, और इस प्रक्रिया में हमने कौन-कौन से सबक सीखे.

OpenAI का डेटा प्लेटफ़ॉर्म इंजीनियरिंग, प्रोडक्ट और रिसर्च में काम करने वाले 3.5 हज़ार से ज़्यादा इंटरनल यूज़र्स को सर्विस देता है, जिसमें 70 हज़ार डेटासेट में 600 पेटाबाइट से ज़्यादा डेटा शामिल है. उस आकार में, विश्लेषण करते समय सबसे अधिक समय लेने वाले कार्यों में से एक सही तालिका खोजना हो सकता है.

जैसा कि एक आंतरिक उपयोगकर्ता ने कहा:

“हमारे पास बहुत सी टेबल्स हैं जो काफी मिलती-जुलती हैं, और मैं यह समझने में बहुत समय बर्बाद करता हूं कि उनमें क्या अंतर है और किसे उपयोग करना चाहिए. कुछ में लॉग आउट किए गए यूज़र्स शामिल हैं, कुछ में नहीं. कुछ क्षेत्रों में ओवरलैप है; यह बताना मुश्किल है कि कौन सा क्या है.

सही टेबल्स के चयन के बावजूद, सही परिणाम उत्पन्न करना चुनौतीपूर्ण हो सकता है. विश्लेषकों को टेबल डेटा और टेबल संबंधों के बारे में तर्क करना चाहिए ताकि यह सुनिश्चित किया जा सके कि रूपांतरण और फिल्टर सही तरीके से लागू किए गए हैं. सामान्य विफलता मोड—many-to-many जॉइन, फ़िल्टर पुशडाउन त्रुटियाँ, और अप्रबंधित nulls—चुपचाप परिणामों को अमान्य कर सकते हैं. OpenAI के स्केल पर, एनालिस्ट्स को SQL सिमेंटिक्स या क्वेरी परफॉर्मेंस को डीबग करने में समय बर्बाद नहीं करना चाहिए: उनका फोकस मेट्रिक्स को डिफाइन करने, मान्यताओं को वैलिडेट करने और डेटा-ड्रिवन फैसले लेने पर होना चाहिए.

आइए जानें कि हमारा एजेंट क्या है, यह संदर्भ को कैसे तैयार करता है, और यह खुद को कैसे निरंतर सुधारता रहता है.

हमारा एजेंट GPT‑5.2 द्वारा संचालित है और OpenAI के डेटा प्लेटफ़ॉर्म पर तर्क करने के लिए डिज़ाइन किया गया है. यह वहाँ उपलब्ध है जहाँ कर्मचारी पहले से काम करते हैं: एक Slack एजेंट के रूप में, वेब इंटरफ़ेस के माध्यम से, IDEs के अंदर, MCP के माध्यम से Codex CLI में⁠(एक नई विंडो में खुलेगा), और सीधे MCP कनेक्टर के माध्यम से OpenAI के आंतरिक ChatGPT ऐप में⁠(एक नई विंडो में खुलेगा).

यूज़र्स जटिल, खुले-समाप्ति वाले प्रश्न पूछ सकते हैं, जिनके लिए आमतौर पर मैन्युअल अन्वेषण के कई दौर की आवश्यकता होती है. इस उदाहरण प्रॉम्प्ट को लें, जो एक परीक्षण डेटा सेट का उपयोग करता है: “NYC टैक्सी यात्राओं के लिए, कौन से पिकअप-टू-ड्रॉपऑफ ज़िप जोड़े सबसे अविश्वसनीय हैं, जिनमें सामान्य और सबसे खराब स्थिति के यात्रा समय के बीच सबसे बड़ा अंतर है, और वह परिवर्तनशीलता कब होती है?”

एजेंट विश्लेषण को शुरू से अंत तक संभालता है, सवाल को समझने से लेकर डेटा का अन्वेषण करने, क्वेरीज़ चलाने, और निष्कर्षों को संश्लेषित करने तक.

एजेंट की सुपरपॉवर्स में से एक यह है कि वह समस्याओं को कैसे हल करता है. एक निश्चित स्क्रिप्ट का पालन करने के बजाय, एजेंट अपनी प्रगति का स्वयं मूल्यांकन करता है. अगर कोई मध्यवर्ती परिणाम गलत लगता है (उदा., अगर किसी गलत जॉइन या फ़िल्टर के कारण उसमें शून्य पंक्तियाँ हों), तो एजेंट जाँच करता है कि क्या गलत हुआ, अपना तरीका समायोजित करता है, और फिर से कोशिश करता है. इस प्रक्रिया के दौरान, यह पूरा संदर्भ बनाए रखता है और चरणों के बीच सीख को आगे बढ़ाता है. यह बंद-लूप, आत्म-शिक्षण प्रक्रिया इटरेशन को उपयोगकर्ता से हटाकर एजेंट में स्थानांतरित करती है, जिससे मैन्युअल वर्कफ़्लोज़ की तुलना में तेज़ परिणाम और लगातार उच्च-गुणवत्ता वाले विश्लेषण संभव होते हैं.

एजेंट पूरे एनालिटिक्स वर्कफ़्लो को कवर करता है: डेटा की खोज, SQL चलाना, और नोटबुक्स और रिपोर्ट्स प्रकाशित करना. यह आंतरिक कंपनी ज्ञान को समझता है, बाहरी जानकारी के लिए वेब खोज कर सकता है, और सीखे गए उपयोग और स्मृति के माध्यम से समय के साथ सुधार करता है.

उच्च-गुणवत्ता वाले जवाब समृद्ध, सटीक संदर्भ पर निर्भर करते हैं. संदर्भ के बिना, मजबूत मॉडल भी गलत परिणाम दे सकते हैं, जैसे उपयोगकर्ता संख्या का बहुत गलत अनुमान लगाना या आंतरिक शब्दावली की गलत व्याख्या करना.

इन विफलता मोड्स से बचने के लिए, एजेंट को संदर्भ की कई परतों के आधार पर बनाया गया है, जो इसे OpenAI के डेटा और संस्थागत ज्ञान में स्थापित करती हैं.

• मेटाडेटा ग्राउंडिंग: एजेंट SQL लेखन के लिए स्कीमा मेटाडेटा (कॉलम नाम और डेटा प्रकार) पर निर्भर करता है और विभिन्न तालिकाओं के संबंध को समझाने के लिए टेबल लीनिएज (जैसे, अपस्ट्रीम और डाउनस्ट्रीम टेबल संबंध) का उपयोग करता है.
• क्वेरी निष्कर्ष: ऐतिहासिक क्वेरियों को इनजेस्ट करने से एजेंट को यह समझने में मदद मिलती है कि अपनी खुद की क्वेरियाँ कैसे लिखें और आमतौर पर किन तालिकाओं को एक साथ जोड़ा जाता है.

• तालिकाओं और कॉलम के क्यूरेटेड विवरण जो डोमेन विशेषज्ञों द्वारा प्रदान किए जाते हैं, जो इरादे, अर्थ, व्यावसायिक मतलब, और ज्ञात सावधानियों को कैप्चर करते हैं, जिन्हें स्कीमा या पिछली क्वेरियों से आसानी से नहीं समझा जा सकता.

मेटाडेटा अकेले पर्याप्त नहीं है. टेबल्स को सही से अलग पहचानने के लिए, तुम्हें यह समझना होगा कि उन्हें कैसे बनाया गया और वे कहाँ से उत्पन्न हुए.

• किसी तालिका की कोड-स्तरीय परिभाषा निकालकर, एजेंट डेटा की वास्तविक सामग्री की गहरी समझ विकसित करता है. 
  • टेबल में क्या स्टोर किया जाता है और इसे एनालिटिक्स इवेंट से कैसे निकाला जाता है, इस बारे में बारीकियां अतिरिक्त जानकारी देती हैं. उदाहरण के लिए, यह वैल्यू की यूनिकनेस, टेबल डेटा कितनी बार अपडेट होता है, डेटा का स्कोप (जैसे, अगर टेबल में कुछ फ़ील्ड शामिल नहीं हैं, तो इसमें इस लेवल की ग्रैन्युलैरिटी है), वगैरह के बारे में कॉन्टेक्स्ट दे सकता है.
• यह दिखाता है कि SQL के अलावा Spark, Python, और अन्य डेटा सिस्टम्स में टेबल का उपयोग कैसे होता है, जिससे बेहतर उपयोग संदर्भ मिलता है.
• इसका मतलब है कि एजेंट उन तालिकाओं के बीच अंतर कर सकता है जो देखने में समान लगती हैं, लेकिन महत्वपूर्ण तरीकों से भिन्न होती हैं. उदाहरण के लिए, यह बता सकता है कि क्या किसी तालिका में केवल प्रथम-पक्ष ChatGPT ट्रैफ़िक शामिल है. यह कॉन्टेक्स्ट भी ऑटोमैटिकली रिफ्रेश होता है, इसलिए यह मैन्युअल मेंटेनेंस के बिना अप-टू-डेट रहता है.

• एजेंट Slack, Google Docs, और Notion तक पहुंच सकता है, जो लॉन्च, विश्वसनीयता घटनाओं, आंतरिक कोडनेम और टूल्स, और प्रमुख मेट्रिक्स के लिए मानक परिभाषाएँ और गणना तर्क जैसे महत्वपूर्ण कंपनी संदर्भ को कैप्चर करते हैं.
• ये दस्तावेज़ इनजेस्ट किए जाते हैं, एम्बेड किए जाते हैं, और मेटाडेटा और अनुमतियों के साथ संग्रहीत किए जाते हैं. एक रिट्रीवल सेवा रनटाइम पर एक्सेस नियंत्रण और कैशिंग को संभालती है, जिससे एजेंट इस जानकारी को कुशलतापूर्वक और सुरक्षित रूप से प्राप्त कर सके.

• जब एजेंट को सुधार दिए जाते हैं या वह कुछ डेटा सवालों के बारे में बारीकियाँ खोजता है, तो वह इन सीखों को अगली बार के लिए सहेज सकता है, जिससे वह अपने उपयोगकर्ताओं के साथ लगातार सुधार करता रहता है. 
  • इसका परिणाम यह होता है कि भविष्य के उत्तर बार-बार उन्हीं समस्याओं का सामना करने के बजाय अधिक सटीक आधार से शुरू होते हैं.
  • मेमोरी का उद्देश्य उन अप्रकट सुधारों, फ़िल्टर्स, और बाधाओं को बनाए रखना और पुनः उपयोग करना है जो डेटा की शुद्धता के लिए महत्वपूर्ण हैं, लेकिन जिन्हें अन्य परतों से अकेले समझना कठिन है. 
  • उदाहरण के लिए, एक मामले में, एजेंट को यह नहीं पता था कि किसी विशेष एनालिटिक्स प्रयोग के लिए फ़िल्टर कैसे करें (यह एक प्रयोग गेट में परिभाषित एक विशिष्ट स्ट्रिंग के साथ मिलान पर निर्भर था). यहां मेमोरी का सही तरीके से फ़िल्टर करने में सक्षम होना सुनिश्चित करने के लिए बेहद महत्वपूर्ण था, बजाय इसके कि वह अस्पष्ट रूप से स्ट्रिंग मैच करने की कोशिश करे.
• जब आप एजेंट को कोई सुधार देते हैं या जब उसे आपकी बातचीत से कुछ सीख मिलती है, तो वह आपको अगली बार के लिए उस स्मृति को सहेजने के लिए प्रॉम्प्ट करेगा. 
  • यूज़र्स मैन्युअल रूप से भी यादें बना और एडिट कर सकते हैं.
  • मेमोरीज़ को वैश्विक और व्यक्तिगत स्तर पर परिभाषित किया जाता है, और एजेंट के उपकरण उन्हें संपादित करना आसान बनाते हैं.

• जब किसी टेबल के लिए कोई पिछला कॉन्टेक्स्ट नहीं होता या जब मौजूदा जानकारी पुरानी हो जाती है, तो एजेंट डेटा वेयरहाउस में लाइव क्वेरी भेजकर टेबल को सीधे देख और क्वेरी कर सकता है. इससे यह स्कीमा को वैलिडेट कर पाता है, डेटा को रियल-टाइम में समझ पाता है, और उसके अनुसार जवाब दे पाता है.
• एजेंट जरूरत के अनुसार अन्य Data Platform सिस्टम्स (metadata service, Airflow, Spark) से भी बात कर सकता है, ताकि वेयरहाउस के बाहर मौजूद व्यापक डेटा कॉन्टेक्स्ट मिल सके.

We run a daily offline pipeline that aggregates table usage, human annotations, and Codex-derived enrichment into a single, normalized representation. This enriched context is then converted into embeddings using the OpenAI embeddings API⁠(एक नई विंडो में खुलेगा) and stored for retrieval. At query time, the agent pulls only the most relevant embedded context via retrieval-augmented generation⁠(एक नई विंडो में खुलेगा) (RAG) instead of scanning raw metadata or logs. This makes table understanding fast and scalable, even across tens of thousands of tables, while keeping runtime latency predictable and low. Runtime queries are issued to our data warehouse live as needed.

Together, these layers ensure the agent’s reasoning is grounded in OpenAI’s data, code, and institutional knowledge, dramatically reducing errors and improving answer quality.

One-shot answers work when the problem is clear, but most questions aren’t. More often, arriving at the correct result requires back-and-forth refinement and some course correction.

The agent is built to behave like a teammate you can reason with. It’s a conversational, always-on and handles both quick answers and iterative exploration.

It carries over complete context across turns, so users can ask follow-up questions, adjust their intent, or change direction without restating everything. If the agent starts heading down the wrong path, users can interrupt mid-analysis and redirect it, just like working with a human collaborator who listens instead of plowing ahead.

When instructions are unclear or incomplete, the agent proactively asks clarifying questions. If no response is provided, it applies sensible defaults to make progress. For example, if a user asks about business growth with no date range specified, it may assume the last seven or 30 days. These priors allow it to stay responsive and non-blocking while still converging on the right outcome.

The result is an agent that works well both when you know exactly what you want (e.g., “Tell me about this table”) and just as strong when you’re exploring (e.g., “I’m seeing a dip here, can we break this down by customer type and timeframe?”). 

After rollout, we observed that users frequently ran the same analyses for routine repetitive work. To expedite this, the agent's workflows package recurring analyses into reusable instruction sets. Examples include workflows for weekly business reports and table validations. By encoding context and best practices once, workflows streamline repeat analyses and ensure consistent results across users.

Building an always-on, evolving agent means quality can drift just as easily as it can improve. Without a tight feedback loop, regressions are inevitable and invisible. The only way to scale capability without breaking trust is through systematic evaluation.

In this section, we’ll discuss how we leverage OpenAI’s Evals API⁠(एक नई विंडो में खुलेगा) to measure and protect the agent’s response quality.

Its Evals are built on curated sets of question-answer pairs. Each question targets an important metric or analytical pattern we care deeply about getting right, paired with a manually authored “golden” SQL query that produces the expected result. For each eval, we send the natural language question to its query-generation endpoint, execute the generated SQL, and compare the output against the result of the expected SQL.

Evaluation doesn’t rely on naive string matching. Generated SQL can differ syntactically while still being correct, and result sets may include extra columns that don’t materially affect the answer. To account for this, we compare both the SQL and the resulting data, and feed these signals into OpenAI’s Evals grader. The grader produces a final score along with an explanation, capturing both correctness and acceptable variation.

These evals are like unit tests that run continuously during development to identify regressions as canaries in production; this allows us to catch issues early and confidently iterate as the agent's capabilities expand.

Our agent plugs directly into OpenAI’s existing security and access-control model. It operates purely as an interface layer, inheriting and enforcing the same permissions and guardrails that govern OpenAI’s data. 

All of the agent’s access is strictly pass-through, meaning users can only query tables they already have permission to access. When access is missing, it flags this or falls back to alternative datasets the user is authorized to use.

Finally, it's built for transparency. Like any system, it can make mistakes. It exposes its reasoning process by summarizing assumptions and execution steps alongside each answer. When queries are executed, it links directly to the underlying results, allowing users to inspect raw data and verify every step of the analysis.

Building our agent from scratch surfaced practical lessons about how agents behave, where they struggle, and what actually makes them reliable at scale.

Early on, we exposed our full tool set to the agent, and quickly ran into problems with overlapping functionality. While this redundancy can be helpful for specific custom cases and is more obvious to a human when manually invoking, it’s confusing to agents. To reduce ambiguity and improve reliability, we restricted and consolidated certain tool calls.

We also discovered that highly prescriptive prompting degraded results. While many questions share a general analytical shape, the details vary enough that rigid instructions often pushed the agent down incorrect paths. By shifting to higher-level guidance and relying on GPT‑5’s reasoning to choose the appropriate execution path, the agent became more robust and produced better results.

Schemas and query history describe a table’s shape and usage, but its true meaning lives in the code that produces it. Pipeline logic captures assumptions, freshness guarantees, and business intent that never surface in SQL or metadata. By crawling the codebase with Codex, our agent understands how datasets are actually constructed and is able to better reason about what each table actually contains. It can answer “what’s in here” and “when can I use it” far more accurately than from warehouse signals alone. 

We’re constantly working to improve our agent by increasing its ability to handle ambiguous questions, improving its reliability and accuracy with stronger validations, and integrating it more deeply into workflows. We believe it should blend naturally into how people already work, instead of functioning like a separate tool.

While our tooling will keep benefiting from underlying improvements in agent reasoning, validation, and self-correction, our team’s mission remains the same: seamlessly deliver fast, trustworthy data analysis across OpenAI’s data ecosystem.