เมื่อวานนี้ Anthropic ได้เผยแพร่วิธีการสร้าง "data agent" ภายในของพวกเขา: Anthropic เปิดใช้งานการวิเคราะห์ข้อมูลแบบ self-service ด้วย Claude ได้อย่างไร
OpenAI เผยแพร่โพสต์เกี่ยวกับ "in-house data agent" ของพวกเขาเมื่อห้าเดือนที่แล้ว: ภายใน data agent ภายในของ OpenAI
ฉันอ่านทั้งสองอัน — นี่คือผลลัพธ์
สิ่งที่พวกเขาเห็นพ้องกัน
- ส่วนที่ยากไม่ใช่การเขียน SQL แต่เป็นการหา table ที่ถูกต้องและเข้าใจวิธีการใช้งานอย่างถูกต้อง ทั้งสองย้ำเรื่องนี้
- model เป็นสินค้าโภคภัณฑ์ (พวกเขาไม่ได้พูดตรงๆ แต่...) — บริบทรอบๆ model คือตัวผลิตภัณฑ์ Anthropic เพิ่มความแม่นยำจาก 21% เป็น 95% ด้วยการเพิ่ม skill ที่สามารถเข้าถึงบริบท ซึ่งก็คือฐานความรู้
- (เซอร์ไพรส์? ไม่เซอร์ไพรส์) บริบทมากขึ้นไม่ได้ช่วยเสมอไป ความแม่นยำของ Anthropic เพิ่มขึ้นน้อยกว่า 1% หลังจากที่ให้สิทธิ์เข้าถึงคำค้นหาที่ผ่านมาทั้งหมดหลายพันรายการ (ฉันนึกภาพได้เลยว่า token consumption ของพวกเขาพุ่งขึ้นเท่าไหร่ 🙂)
สิ่งที่แตกต่างกัน
- OpenAI สร้าง agent แบบสแตนด์อโลน Codex และ ChatGPT ภายในใช้ agent ผ่าน MCP หรือผู้ใช้สามารถแชทกับมันโดยตรงผ่านเว็บหรือ Slack ในขณะที่ Anthropic สร้างเพียง skill ที่สามารถเข้าถึงบริบทข้อมูลผ่านฐานความรู้บางอย่าง (แบบไฟล์ md)
- OpenAI มีบริบทอยู่ใน "index" ที่ถูกอัปเดตทุกวันโดย pipeline jobs ในขณะที่ Anthropic commit ฐานความรู้เป็นไฟล์ md ใน repo เดียวกับ data model และอัปเดตใน PR เดียวกัน
ความเห็นของฉัน (หลังจากสร้าง "data agent" สำหรับ unstructured data ไม่ใช่ SQL)
วิธีของ Anthropic ที่ใช้ skills นั้น "harness-native" มากกว่า จึงเหมาะกับเครื่องมือที่มีอยู่มากกว่า ฉันเชื่อว่าประสบการณ์นักพัฒนาโดยรวม บริบทข้อมูล รวมถึงแพลตฟอร์มข้อมูลทั้งหมดจะย้ายมาอยู่ภายใต้ harnesses (บทความวิชาการที่ดีที่สุดในทิศทางนี้ — Code as Agent Harness) แนวทางของ OpenAI ดูจะปรับขนาดได้และสมบูรณ์แบบมากกว่า (นำหน้า 5 เดือน?) — ด้วย data agent เฉพาะทาง ข้อมูล 600TB และ pipeline ที่กำหนดการอัปเดตบริบท เราจะได้เห็นกันว่ามันจะพัฒนาไปอย่างไร
คำถามสำหรับผู้เชี่ยวชาญด้านข้อมูลที่นี่
คุณไปถึงไหนแล้วกับ workflow แบบ agentic เหล่านี้? ความเข้าใจของฉันคือทีมส่วนใหญ่ยังเขียน SQL ด้วยมือ และ copy-paste "บริบท" ทีละส่วนลงใน Claude Code/Copilot/Codex และแบ่งปันความรู้ใน Slack
ตารางเปรียบเทียบแบบ side-by-side พร้อมรายละเอียดเพิ่มเติมและตัวเลขในโพสต์บล็อกของเรา — ลิงก์ในความคิดเห็น 👇
