2026 年 1 月，OpenAI 发布了《深入了解 OpenAI 的内部数据智能体》（下称「OpenAI 文」）。这篇文章很值得 Data Agent 从业者认真读，因为它不是在讲一个炫技 demo，而是在讲一个大组织如何把 Agent 放进真实数据生产流程里。
它让人直观感受到一件事：顶级 AI 公司内部，已经开始用数据智能体承接真实的分析工作流了。员工不只是让模型写一条 SQL，而是把找表、查数、纠错、解释、写报告这一整条链路交给 Agent 协作完成。
但更重要的问题是：这件事不应该只属于 OpenAI。OpenAI 文描述的是围绕 OpenAI 自家数据、权限和工作流构建的内部工具，不是对外销售的数据分析产品。InfiniSynapse 则是面向市场交付的商业产品，默认要进入不同客户的异构数据现场，让更多企业也能拥有这种 Data Agent 能力，并且在复杂企业现场里更直接地落地。
所以，本文不做「谁更强」这种抽象比较，而是问一个更有用的问题：
当两套系统都相信「严肃的数据分析必须由 Agent 完成一整条链路」时，它们分别把系统边界画在哪里？这种边界差异，又会怎样影响架构、交互、治理和商业交付？
本文从系统边界、数据拓扑、语言与执行、上下文工程、质量治理、交付形态六个层面，做一次更深入的并列阅读。
免责声明：OpenAI 文描述的是其内部系统；InfiniSynapse 是面向市场的商业产品。下文对比的是公开架构叙事与产品取向，不是对未公开实现细节、性能或客户效果做裁决。
1. 最大的共识：Data Agent 的问题不是 Text2SQL，而是分析工作流
OpenAI 文的开篇动机非常具体：表太多、表太像、JOIN/过滤/空值等语义坑太多，组织变大之后，「找表 + 写对 SQL + 解释结果」会吃掉大量分析师时间。它明确说智能体覆盖发现数据、运行 SQL、笔记与报告，并且会在中间结果异常时调查问题、调整方法、再次尝试。
这与 InfiniSynapse 对自身的定位高度同频：严肃分析要覆盖找数据、确认口径、逐步试探、出图、报告、可复用交付 —— 不是生成一条 SQL 就结束。
这也是双方最重要的共同判断：
真正的数据智能体，不是把自然语言翻成 SQL 的外壳，而是把高门槛、多步骤、需要上下文与纠错的数据分析，推进到可重复、可审计、可放大的协作流程。
因此，OpenAI 文真正值得对照的不是「它也会写 SQL」，而是它把 Data Agent 的生产级问题讲完整了：上下文、记忆、工具选择、评测、安全、组织入口，以及用户纠偏。
InfiniSynapse 也在回答同一个生产级问题，只是默认场景不同：它不是服务单一公司的内部数仓，而是服务多个企业、多个部署边界、多个数据源形态。
这里还需要特别区分 Data Agent 和 Code Agent。Code Agent 的核心任务通常是理解代码库、修改文件、运行测试，最终交付一段代码变更。这个任务当然也复杂，但它的主要操作对象仍然是代码文本与工程上下文。
Data Agent 面对的复杂度不是同一种：它要处理的是海量数据、海量 schema、隐藏在业务流程里的指标口径、散落在文档和人脑中的业务知识、以及严格的数据权限和审计边界。很多时候，问题不在于「会不会写一段 Python」或「能不能生成一条 SQL」，而在于：
- 是否知道该用哪张表，而不是名字相似但口径不同的另一张表；
- 是否理解 JOIN、过滤、空值、时间窗口、用户状态等细节对指标的影响；
- 是否能在大数据量下把计算留在数据库或分布式引擎里，而不是把数据拉进本地内存；
- 是否能把业务文档、历史分析、专家注释和运行时探查结合起来；
- 是否能让每一步查询、假设、结果和权限边界都可复核。
因此，不能把 Data Agent 简化成「让 Code Agent 写几段 pandas」或「让模型生成一条简单 SQL」。那只是把数据分析问题暂时包装成编程问题，却没有真正处理数据规模、schema 复杂度、业务语义和治理约束。严肃的 Data Agent 必须有自己的上下文工程、执行体系、质量评测和交付链路。
2. 第一层差异：内部平台 vs 商业产品，决定了系统边界
OpenAI 文的系统边界很清楚：它是 OpenAI 数据平台之上的内部数据生产力层。数据、权限、组织知识、Slack/Docs/Notion、代码仓库、内部 ChatGPT 与 Codex 生态，都处在同一个公司治理范围内。Agent 要解决的问题，是如何在这个庞大但统一的组织系统里，帮助员工更快、更可靠地分析数据。
InfiniSynapse 的系统边界则更外向：它要成为不同客户环境里的商业化 Data Agent Harness。这意味着它不能默认客户已经拥有统一数仓、统一元数据平台、统一权限系统、统一文档体系，也不能默认数据可以先被完整搬进一个中心化平台。
这个边界差异会一路传导到架构：
| 维度 | OpenAI 内部数据智能体 | InfiniSynapse |
|---|---|---|
| 基本身份 | 内部定制工具 | 商业产品 |
| 默认用户 | OpenAI 员工，横跨工程、数据科学、财务、市场进入、研究等团队 | 企业客户、分析师、业务人员、开发者与 Code Agent 用户 |
| 默认数据环境 | OpenAI 自家超大规模内部数仓与组织知识 | 异构数据源、跨源现场、客户私有数据边界 |
| 关键约束 | 在既有内部平台上更快、更可信地问数 | 在不同行业、部署、数据架构下可交付、可集成、可治理 |
| 产品问题 | 如何把 Agent 嵌进内部数据工作流 | 如何把 Data Agent 做成可销售、可部署、可扩展的整栈产品 |
所以更准确的比较不是「OpenAI 做了一个数据 Agent，InfiniSynapse 也做了一个数据 Agent」，而是：
- OpenAI 展示的是一家拥有强内部平台能力的 AI 公司，如何把 Agent 编进自己的数据组织。
- InfiniSynapse 追求的是把这类 Agent 能力产品化，让没有 OpenAI 式内部平台的企业也能获得完整分析链路。
3. 数据拓扑：统一数仓导航 vs 异构多源联邦
OpenAI 文给出一个非常强的背景设定：其数据平台服务 3,500 多名内部用户，覆盖 70,000 个数据集中超过 600 PB 的数据。在这样的环境里，最难的事情之一是：在一个巨大表宇宙里找对表、理解表、正确关联表。
因此，OpenAI 文强调的上下文层包括表使用情况、历史查询、人工注释、Codex 增强、机构知识、记忆、运行时探表。它的主战场是「统一但庞大的内部数据世界」：表很多，表之间很像，语义散落在元数据、代码和组织文档里。
InfiniSynapse 的默认数据拓扑更像真实客户现场：MySQL 一份，PostgreSQL 一份，Snowflake 一份，Excel/CSV 一份，OSS、API、Hive 里还有一份。对这类客户来说，难点不只是「在数仓里找哪张表」，而是：
- 数据不在一个地方；
- 语义不在一个系统里；
- 权限和网络边界不一定统一；
- 先做完整 ETL、建模、治理再问数，成本太高；
- 分析过程经常临时发现「还需要另一份数据」。
这解释了为什么 InfiniSynapse 会把多源直连、跨源分析、分布式执行、计算下推写进核心叙事。它不是只在 SQL 生成层做文章，而是试图让 Agent 能在探索过程中动态接入新数据源，并把这些来源统一到同一个分析 session 中。
这两种路线的核心差别可以这样概括：
| 维度 | OpenAI 文里的默认世界 | InfiniSynapse 的默认世界 |
|---|---|---|
| 数据组织形态 | 大规模统一内部数仓 | 多系统、多数据库、多文件、多接口 |
| 主要难点 | 表宇宙导航、语义辨析、内部口径复用 | 跨源接入、跨源 JOIN、少搬运、现场可用 |
| Agent 的关键动作 | 找对表、理解 lineage、借助代码与机构知识消歧 | 动态 connect/load、形成 session 表空间、跨源执行 |
| 产品含义 | 强化既有数据平台 | 降低企业从异构现场进入 Agentic 分析的门槛 |
一句话：OpenAI 的叙事更像在一个巨大的内部数据城市里导航；InfiniSynapse 的叙事更像在很多没有完全打通的数据岛之间搭桥并立即开工。
4. 语言与执行：SQL 生成能力之外，Agent 需要什么工作空间
OpenAI 文主要以 SQL + 数仓查询为中心。它强调 Agent 能发现数据、运行查询、生成笔记和报告；当查询结果异常时，Agent 会调整方法再试。它还强调 Codex 可以爬代码，理解表是如何被生产出来的。
InfiniSynapse 的关键差异，是把「Agent 用什么语言操作数据」单独提升为架构问题。它反复强调：Agentic 数据分析不是一次性生成最终答案，而是多步工具调用、状态累积、动态决策。因此，Agent 需要的不是一段孤立 SQL，而是一个可持续累积的分析工作空间。
InfiniSQL 在这里承担的是工具语言角色：
connect/load：把不同数据源注册成可分析对象；select ... as tableName：每次查询都沉淀为具名表；- session 表空间：前序探索结果可被后续步骤持续引用；
- 分布式执行与下推：避免默认把所有数据拉进本地内存；
train/register等能力：把机器学习也放进同一条表式管道。
这会带来一个更深的比较点：
| 问题 | OpenAI 内部数据智能体 | InfiniSynapse |
|---|---|---|
| Agent 操作数据的主要方式 | 围绕内部数仓生成和执行 SQL，并结合上下文纠错 | 用 InfiniSQL 作为 Agent 工具语言，形成多步、跨源、可复用的分析 session |
| 状态如何延续 | 对话上下文、记忆、工作流与底层平台查询结果 | 具名表、session、知识/记忆、历史分析结果共同延续 |
| 语言设计重点 | 让 Agent 选对表、写对查询、解释对结果 | 让 Agent 每一步低错误率、可复用、可下钻、可跨源 |
| 主要工程风险 | SQL 语义错误、表选择错误、组织口径错误 | 跨源执行复杂性、session 状态治理、语言生态教育 |
OpenAI 文证明了「强模型 + 深上下文 + Evals + 权限」可以把 SQL Agent 推进生产。InfiniSynapse 则进一步强调：当 Agent 要做 10 到 50 步探索时，工具语言本身是否适合 Agentic 循环，会决定错误率、可恢复性和分析深度。
这也是两者叙事的分叉点：OpenAI 更像是在现有数据平台上增强 Agent；InfiniSynapse 则把 Agent、语言、执行、知识、交付一起重做成一套 Harness。
5. 上下文工程：六层 grounding 与第四代知识/记忆的对应关系
OpenAI 文最扎实的一部分，是把上下文拆成六层：
- 表格使用情况：schema、lineage、历史查询；
- 人工注释：专家维护的表/列语义和注意事项；
- Codex 增强：从代码中推断表的生产逻辑和真实含义；
- 机构知识：Slack、Google Docs、Notion 中的发布、事件、指标定义；
- 记忆：保存用户纠正、过滤条件、口径差异；
- 运行时上下文：实时探表、查询数据仓库、访问元数据服务/Airflow/Spark。
这组分层的意义在于：它承认schema 不是语义，历史查询不是口径，模型能力不是治理。在企业数据场景中，很多关键知识藏在代码、文档、事故记录、会议讨论和人的习惯里。
InfiniSynapse 在对外叙事里同样把「第四代知识库与记忆」放进分析链条，而不是作为外挂：
- 绑定业务文档；
- 绑定库表元信息；
- 绑定历史分析；
- 绑定用户偏好；
- 支持外部信息与交叉验证；
- 通过 InfiniSQL 的具名表和 session 让中间结果成为可继续分析的工作记忆。
更深一层看，双方其实都在解决同一个问题：如何让 Agent 的每一步判断有可追溯证据，而不是只凭模型语言能力猜。
不同之处在于：
- OpenAI 文的 grounding 更强调内部机构知识的自动采集与权限化检索，因为它服务的是一个拥有统一组织知识资产的大公司。
- InfiniSynapse 的 grounding 更强调产品化知识层与跨源执行链条的咬合，因为它面对的是不同客户各自不完整、不统一、甚至尚未治理好的数据和知识现场。
因此，OpenAI 的「六层上下文」可以被看作内部平台型 Data Agent 的参考答案；InfiniSynapse 的「知识/记忆 + InfiniSQL session + 多源执行」则是在商业产品里回答：当客户没有 OpenAI 那样完整的内部数据基础设施时，如何仍然让 Agent 被业务上下文锚定。
6. 交互模型：像同事一样协作，但入口策略不同
OpenAI 文强调它的 Agent 可以出现在 Slack、Web、IDE、经由 MCP 连接的 Codex CLI，以及内部 ChatGPT MCP 连接器中。它还强调澄清式提问、reasonable default、用户中途纠偏、工作流复用。这些都指向一个目标：让 Agent 嵌入员工已经工作的地方。
InfiniSynapse 也在做类似的事，但入口策略不同。它的交付形态包括 SaaS、桌面版、企业私有化，以及面向 Code Agent 生态的 Command Tools。尤其 Command Tools 的口径需要讲准：它是下载单二进制放进 PATH 后给 Cursor / Claude Code / WinClaw / OpenClaw 等调用，不是 pip install 的 Python 包，也不是让用户自己起一个常驻 MCP 服务。
这背后是两种入口哲学：
| 维度 | OpenAI 内部数据智能体 | InfiniSynapse |
|---|---|---|
| 入口目标 | 进入 OpenAI 员工的内部工作流 | 覆盖企业使用、个人分析、私有部署、外部 Agent 调用 |
| 典型入口 | Slack、Web、IDE、Codex CLI、内部 ChatGPT | SaaS、桌面版、私有化、Command Tools |
| 生态叙事 | MCP + Codex + ChatGPT 内部连接 | Command Tools 作为第三代工具形态：--help 给人，--skill 给 AI |
| 用户角色 | 公司内部数据消费者与分析协作者 | 企业客户、业务人员、分析师、Code Agent 用户、系统集成方 |
相似点是，双方都不把 Data Agent 关在一个孤立网页里。不同点是，OpenAI 的入口围绕自家内部生态展开；InfiniSynapse 则要同时处理产品入口、部署入口和 Agent 生态入口。
7. 质量与信任：Evals 是生产级 Agent 的分水岭
OpenAI 文有一整节写 Evals API。它用人工标注的「黄金 SQL」对自然语言问题做回归：把用户问题送到查询生成端点，执行生成 SQL，再把结果与人工 SQL 的结果对比，并由 grader 解释得分。它特别强调：评测不能只做 SQL 字符串匹配，因为语法不同也可能结果正确。
这一节非常关键，因为它说明 OpenAI 并不把数据 Agent 的可靠性只押在模型变强上。它把可靠性看成一个持续工程：
- 有 curated question-answer pairs；
- 有人工 golden SQL；
- 比较生成 SQL 与结果集；
- 用 grader 解释正确性与可接受差异；
- 在能力扩展时持续捕捉回归。
InfiniSynapse 当前公开长文更强调整套 Harness：Agent、InfiniSQL、跨源执行、知识记忆、交付物、Command Tools。本文不替产品承诺与 OpenAI 文一一对应的离线评测平台细节，但可以给出一个判断：
当 Data Agent 从 demo 进入生产，评测不再是附加材料，而是核心架构。尤其是跨源分析、长链路探索、业务口径推理、报告生成同时发生时，质量体系必须覆盖「SQL 对不对」「结果对不对」「解释对不对」「口径是否可追溯」「交付物是否可复核」。
OpenAI 文在这里给行业提供了一个标杆：不管底层是内部数仓 SQL，还是 InfiniSQL 这样的 Agent 工具语言，生产级 Data Agent 都需要持续评测、防回归和可解释的质量信号。
对 InfiniSynapse 来说，未来更值得强化的公开叙事不是「Agent 很聪明」，而是：
- 每一步 InfiniSQL 如何被记录和复核；
- 中间表状态如何回放；
- 跨源 JOIN 的结果如何校验；
- 业务口径如何进入 golden case；
- 交付报告如何与底层查询结果互链；
- 客户私有化环境里如何做本地 eval 与灰度。
这会让 InfiniSynapse 的「整栈」从能力叙事进一步进入信任叙事。
8. 安全与权限：pass-through 是底线，但商业产品还要回答部署边界
OpenAI 文明确强调 pass-through：Agent 继承并执行 OpenAI 既有访问控制，用户只能查询自己本来就有权限访问的表；缺权限时提示或改用授权数据集。它还强调透明性：展示假设和执行步骤，并链接到底层结果，方便人工核验。
这也是企业 Data Agent 的底线：Agent 不是绕过 ACL 的特权通道。它只是更高层的对话与编排界面，必须被现有权限、审计、数据治理模型约束。
InfiniSynapse 面对商业交付时，安全问题还会多一层：不仅要回答「用户能不能看这张表」，还要回答「系统部署在哪里」「数据是否离开企业域」「桌面版如何处理本地数据」「私有化如何接入现有权限和审计」「Command Tool 被外部 Agent 调用时边界如何定义」。
因此，双方在安全叙事上的共同点是 pass-through，差异是部署复杂度：
| 安全问题 | OpenAI 内部数据智能体 | InfiniSynapse |
|---|---|---|
| 权限继承 | 继承 OpenAI 内部访问控制 | 需要接入客户现有权限/网络/审计体系 |
| 数据边界 | OpenAI 自身企业域内 | SaaS、桌面、本地、私有化等多边界 |
| 审计重点 | 用户问题、查询、结果、权限拒绝、内部工具调用 | 跨源连接、Agent 调用链、Command Tool 调用、交付物、客户侧审计 |
| 透明性 | 展示假设、步骤、底层结果链接 | 需要展示分析链路、InfiniSQL、数据源、报告依据 |
换句话说，OpenAI 文展示的是内部平台如何守住既有治理；InfiniSynapse 需要回答的是商业产品如何进入不同治理体系而不破坏它们。
9. 工作流复用：OpenAI 的 workflows 与 InfiniSynapse 的交付资产
OpenAI 文提到，用户经常会重复做例行分析，因此他们把 recurring analyses 打包成 reusable instruction sets，例如周报和表验证。这说明 Agent 不只是即兴问答工具，还会沉淀成组织流程。
InfiniSynapse 的公开叙事也强调分析不是一次性答案，而是会产出图表、报告、可复用结果、历史分析和知识记忆。两者的共同方向是：
Data Agent 的长期价值，不是每次回答一个问题，而是让组织把高质量分析方法沉淀下来，并在下一次更低成本地复用。
但二者的复用对象略有不同：
- OpenAI 内部工具的复用，更容易围绕内部指标、内部表、内部周期性工作流展开。
- InfiniSynapse 的复用，则需要同时跨客户、跨行业、跨部署形态考虑：有些复用是模板，有些是知识库，有些是数据源配置，有些是 InfiniSQL 链路，有些是报告交付格式。
这对商业产品提出更高要求：复用不能只停留在 prompt 模板，而要能沉淀成可审计的分析资产。
10. 最重要的产品判断：竞争正在从「模型能力」滑向「Harness 与治理」
把 OpenAI 文和 InfiniSynapse 放在一起读，最有价值的结论不是「OpenAI 也做了 Data Agent」，而是：
Data Agent 的竞争已经不再是简单的 NL2SQL 竞争。
原因很明显：
- 如果没有上下文，强模型也会选错表、误解指标、编造口径；
- 如果没有可持续工作空间，长链路探索会在状态管理上崩掉；
- 如果没有运行时验证，异常结果很难被及时发现；
- 如果没有 Evals，能力迭代会带来不可见回归；
- 如果没有 pass-through 权限和审计，企业无法放心接入；
- 如果没有交付形态，分析结果很难进入组织决策。
OpenAI 文用内部平台实践证明：Data Agent 必须被上下文、权限、评测和组织入口包起来。InfiniSynapse 的叙事则把同一件事推向商业化整栈：除了 Agent 与记忆，还要回答「用什么语言思考数据」「跨源如何执行」「如何进入不同部署边界」「如何嵌入 Code Agent 生态」。
这也是为什么 InfiniSynapse 不能被简单理解成「另一个 ChatBI」或「一个更会写 SQL 的机器人」。它真正想做的是 Data Agent 的完整 Harness：
- Agent 层：主动规划、小步探索、自我纠错；
- 语言层：InfiniSQL 让每一步分析可命名、可复用、可继续；
- 执行层：多源直连、分布式执行、计算下推；
- 知识层：业务文档、元数据、历史分析、用户偏好；
- 交付层：图表、报告、可复核过程、可复用资产；
- 生态层：SaaS、桌面、私有化、Command Tools。
OpenAI 文把内部数据 Agent 的成熟形态讲得很清楚；InfiniSynapse 要回答的问题则更产品化，也更艰难：如何把这种成熟形态带到不同企业现场。
11. 更深的对照表
| 维度 | OpenAI 内部数据智能体（据其公开文章） | InfiniSynapse（据公开产品叙事） | 深层含义 |
|---|---|---|---|
| 产品性质 | 内部定制工具，非对外商品 | 商业产品：SaaS / 桌面 / 私有化 / Command Tools | 一个优化内部生产力，一个解决外部可交付性 |
| 数据环境 | 超大规模内部数仓，70,000 数据集、600 PB 量级叙事 | 异构多源、跨源分析、少搬运 | 统一平台导航 vs 多源联邦执行 |
| 主要问题 | 找对表、理解表、写对 SQL、复用内部口径 | 连接数据源、跨源分析、沉淀链路、交付报告 | 语义消歧 vs 现场整合 |
| Agent 工作方式 | 发现数据、运行 SQL、笔记/报告、异常时自我调整 | 主动规划、小步探索、自我纠错、出图/报告/预测 | 都不是单步问答 |
| 工具语言 | SQL + 内部数据平台能力 | InfiniSQL + session + 分布式执行 | InfiniSynapse 把工具语言作为产品壁垒 |
| 上下文 | 六层上下文：元数据、历史查询、专家注释、Codex、机构知识、记忆、运行时 | InfiniRAG/知识记忆：业务文档、库表元信息、历史分析、用户偏好、外部验证 | grounding 是 Data Agent 的核心资产 |
| 代码语义 | Codex 爬代码补充表生产逻辑 | 公开材料更强调知识层与语言/执行一体化 | 「意义在代码里」是值得 InfiniSynapse 吸收的叙事 |
| 质量工程 | 明确强调 Evals、golden SQL、结果集比较、grader | 公开材料侧重整栈 Harness；评测细节可作为后续重点 | 生产级 Agent 必须有防回归体系 |
| 安全 | pass-through 权限，展示假设、步骤和底层结果 | 需要适配 SaaS/桌面/私有化/Command Tools 的权限与审计 | 商业产品的安全边界更复杂 |
| 入口 | Slack、Web、IDE、Codex CLI、内部 ChatGPT MCP 连接器 | SaaS、桌面、私有化、Command Tools（二进制、--help / --skill） | 都在争取嵌入用户原有工作流 |
| 复用 | workflows 打包例行分析 | 历史分析、知识记忆、可复用交付资产 | Data Agent 会从问答走向组织流程 |
| 战略信号 | 大厂内部数据平台的 Agent 化 | Data Agent 能力的产品化与市场化 | 同一趋势的两种落点 |
12. 写在最后
OpenAI 文最有价值的地方，是用工程语言证明了一件事：把 LLM 接进数据分析，关键不在「会不会写 SQL」，而在上下文是否配得上组织复杂度，评测是否跟得上能力迭代，权限是否能继承现有治理，交互是否允许渐进澄清与纠错。
InfiniSynapse 的价值叙事，则把同一件事放在商业化整栈里回答：除了 Agent 与记忆，还要回答用什么语言承载多步探索，异构数据如何直接分析，结果如何变成交付物，以及如何在 SaaS、桌面、私有化和 Code Agent 生态之间保持一致能力。
两者放在一起读，并不会得出「谁取代谁」的结论。更自然的判断是：
Data Agent 的真正战场，正在从 demo 级功能，走向 Harness、上下文、评测、权限、部署和交付。
这条判断对内部平台团队、商业产品团队和企业买方都成立。OpenAI 文说明这条路在内部平台里已经值得重投入；InfiniSynapse 要证明的，是这条路也可以被产品化、交付化，并进入更多真实企业现场。