OpenAI公布了内部性能工程系统Performance Factory,尝试让Codex智能体不只回答“哪里变慢了”,还可以沿着任务流程继续推进调查、提交修复建议,并在代码部署后检查性能是否回到基线。它针对的是ChatGPT等服务的性能回退排查,而不是让智能体不经审核自动改动线上系统。
从辅助调查到任务工厂
OpenAI描述的演进分为几个阶段:工程师先手动查看指标、日志和调用链;随后用Codex协助分析代码库与监控数据;再把团队排查经验整理成名为perf-forensics的共享技能。经过基于历史回归案例的测试与调整,团队能够让Codex在收到告警后按步骤调查,而不必由工程师逐项提示。
之后,告警可以在云端自动启动Codex调查。但仅把诊断结果发到Slack仍留下不少人工衔接工作:工程师要判断哪些问题需要优先处理、编写修复,并确认部署效果。Performance Factory进一步将这些环节组织成有状态的工作流,让任务可以在智能体、工程师和部署阶段之间接力,也能在等待代码评审或部署时暂停,等事件触发后再继续。
系统如何运转
- 任务服务定义工作流状态、状态转换规则和需要人工参与的环节,具体步骤由配置和Markdown提示描述。
- 调度循环定期查找可执行任务,为相应步骤启动Codex智能体。
- 云端执行环境让智能体在OpenAI网络内访问代码仓库及指标、日志、追踪、CPU分析等工具;服务身份用于限定权限并识别其操作。
- 事件订阅可在代码评审评论、CI结果或部署等变化发生时唤醒任务,避免智能体在等待期间持续运行。
在回归工作流中,告警触发调查,智能体记录发现并提出修复方案,由工程师审核;部署后,另一个智能体接手检查性能是否恢复。OpenAI称,这一工作流运行三个多月,跟踪了逾1700次调查、为超过600个案例找出根因,平均每天约17次自动调查。这里的“找出根因”不等同于所有问题都已自动修复。
价值与边界
这套系统的意义不只是让单次代码分析更快,而是把重复性工程流程变成可复用、可追踪的任务。对复杂服务来说,调查往往横跨代码、部署记录和运行指标,工作流有望降低信息遗漏与交接成本,也让更多工程师可以依照既定步骤处理问题。OpenAI还提到,常见优化可以被整理成定期运行的工作流。
不过,自动化并未取消工程判断。材料明确指出,修复方案需要工程师审核;系统权限也通过服务身份进行范围控制。现有数据反映的是OpenAI内部的使用规模,不能直接证明其他团队能获得相同效果。更值得关注的是,企业如何评估智能体诊断的准确性、控制其生产环境权限,并在错误修复或性能指标变化时保留有效的人类监督。
评论
正在确认登录状态……
正在加载评论……