📢 转载信息

原文链接：https://openai.com/index/openai-research-assistant

原文作者：OpenAI

---

OpenAI 内部实践：如何利用自研 AI 助手赋能团队，加速洞察获取

本文是 OpenAI 分享其如何利用自身技术和 API 的内部案例系列的一部分。这些工具仅在 OpenAI 内部使用，在此分享旨在说明前沿 AI 如何支持我们团队的各种用例。我们还分享了内部工具的名称，以便更清晰地了解前沿 AI 如何帮助我们的团队完成工作。

每年都会收到数百万份支持工单（Support Tickets）。每一份工单都蕴含着有价值的信息：用户的痛点、建议或请求。

但在过去，理解这些信号非常困难。仪表板（Dashboards）只能暗示趋势，但无法揭示其背后的原因。深入挖掘需要数据科学家花费数周时间。产品负责人可能想了解某项新功能对特定受众类型的影响，但要得到答案，必须由数据科学家进行详细分析。

好奇心受到了限制。

“这个过程需要深厚的技术专长，它限制了我们的好奇心，”业务数据主管 Molly Jackman 说。

为了释放可扩展的好奇心，我们构建了一个研究助手。它结合了两种探索模式：用于识别模式的仪表板和用于深入挖掘的对话式界面。你可以从热门问题的图表开始，然后使用自然语言提出后续问题。

我们通过融合现有成熟技术构建了它。一方面，使用分类器和图表将数百万工单结构化为产品领域和主题。另一方面，使用 GPT-5 来总结原始工单并用自然语言生成灵活的报告。这种组合提供了速度和深度，并且足够简单，任何人都可以使用。

“医疗保健客户对新集成有什么看法？”

“本季度哪些因素导致了支持工单激增？”

“哪些主要功能获得了积极反馈？”

几分钟内，系统就会返回一份报告，量化问题规模，显示出现频率，并突出摩擦点。领导者不再需要占用他人的带宽或查看静态仪表板。任何人都可以根据自己的好奇心引导问题。对于产品团队来说，这意味着可以根据真实反馈进行更快迭代——了解哪些有效，哪些无效，并得出清晰的见解来指导产品发布和长期路线图。

没有准确性，速度毫无意义。

在早期阶段，运营团队会手动运行分类，数据科学家会编写自定义模型与助手进行比较。结果是吻合的。

随着时间的推移，信心逐渐增强。领导者开始将研究助手的结果与他们在实地听到的信息进行交叉验证，当结果一致时，他们便开始依赖它。

这种“提问、检查、信任”的循环使该助手成为了团队的日常习惯。过去需要一周的 SQL 查询和分类器才能完成的工作，现在只需点击几下即可完成。

回报体现在各个方面。

• GPT-5 发布后，产品团队在几天内就获得了反馈主题，而不是几周。
• 当企业版连接器的采用速度放缓时，该助手迅速发现了根本原因：一个有缺陷的入职流程。工程师随后可以优先修复问题。
• 在图像生成方面，它突出了营销团队在制作模型时所展现的创造力，同时也暴露了渲染延迟带来的摩擦；这两个事实直接影响了路线图的制定。

当提出一个问题的成本降至几分钟时，人们会提出更多问题。更多问题浮现出来。团队的行动速度也随之加快。

这个工具并不能取代数据科学家。它将他们从繁琐的工作中解放出来。他们有更多时间来构建新的分类器，并投入到自动化和工具开发中，而不是进行一次性分析。运营团队现在可以在几分钟内生成发布报告，而不是几天，从而腾出精力花更多时间与客户交流。产品团队可以实时了解客户的需求，用更快的反馈循环来指导他们的路线图。

这次转型改变了我们倾听客户的方式。我们不再需要配给稀缺的分析周期，现在每个团队都可以自由地探寻自己的问题。好奇心得以复利。一位产品负责人发现了一个摩擦点，一位销售负责人也在企业工单中看到了相同的主题，他们共同创造了一条更快的行动路径。

我们希望客户的感受最深。问题会得到更快解决。功能可以更贴近他们的需求发展。过去被埋没在待办事项中的反馈，现在成为了我们构建工作的核心。

始于解析数百万工单的工具，正在成为我们倾听的操作系统的一部分。而良好倾听是良好构建的基础。

---

🚀 想要体验更好更全面的AI调用？

欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。

青云聚合API官网https://api.qingyuntop.top

支持全球最新300+模型：https://api.qingyuntop.top/pricing

详细的调用教程及文档：https://api.qingyuntop.top/about