昨天，Anthropic 发布了他们如何构建内部“数据 Agent”的文章：Anthropic 如何通过 Claude 实现自助数据分析
五个月前，OpenAI 也发布了他们的“内部数据 Agent”文章：OpenAI 内部的数据 Agent
我两篇都读了——以下是总结。
他们的共识
- 难点不在于写 SQL，而在于找到正确的表并理解如何正确使用它。两家公司都反复强调这一点。
- 模型本身是商品（虽然他们没有直接这么说，但……），围绕它的上下文才是产品。Anthropic 仅仅通过添加一个能够访问上下文的技能——即知识库——就将准确率从 21% 提升到了 95%。
- （意料之中，又意料之外）更多的上下文并不一定有帮助。Anthropic 在开放了数千条历史查询后，准确率提升不到 1%（我只能想象他们的 Token 消耗涨了多少 🙂）。
他们的差异
- OpenAI 构建了一个独立的 Agent。Codex 和内部 ChatGPT 通过 MCP 使用这个 Agent，用户也可以直接通过 Web 或 Slack 与之对话。而 Anthropic 只构建了一个技能，通过知识库（基于 Markdown 文件）访问数据上下文。
- OpenAI 的上下文存储在一个“索引”中，由每日运行的管道作业填充；而 Anthropic 则将知识库作为 Markdown 文件提交到与数据模型相同的仓库中，并在同一个 PR 中更新。
我的看法（在构建了面向非结构化数据而非 SQL 的“数据 Agent”之后）
Anthropic 基于技能的方案更贴近“Harness 原生”，因此更适合现有工具集。我相信整个开发者体验、数据上下文乃至整个数据平台都将向 Harness 迁移（这方面最好的学术论文是 Code as Agent Harness）。OpenAI 的方案看起来更具可扩展性和成熟度（领先 5 个月？）——拥有专用的数据 Agent、600TB 的数据以及用于更新上下文的定时管道。我们拭目以待它的发展。
向这里的数据同行提问
你们在这些 Agent 工作流上已经进展到哪一步了？据我所知，大多数团队仍然在手动编写 SQL，然后一条条复制粘贴“上下文”到 Claude Code / Copilot / Codex 中，并通过 Slack 分享知识。
完整的详细对比表格（含更多细节和数据）在我们的博客文章中——链接见评论区 👇
