ToolNavs KI-Tools entdecken
Tool einreichen Anmelden
Zurück zu KI-Informationen
OpenAIs Performance Factory ist live: Codex-Agenten beheben Leistungseinbrüche selbstständig – über 1.700 Fälle in drei Monaten

OpenAIs Performance Factory ist live: Codex-Agenten beheben Leistungseinbrüche selbstständig – über 1.700 Fälle in drei Monaten

KI-Informationen • Admin • • 21 Aufrufe

OpenAIs Performance Factory verwandelt die Behebung von Leistungsproblemen in eine Agenten-Fertigungsstraße: Am 19. November 2026 legte OpenAI im offiziellen Blog offen, dass das auf Codex aufbauende Automatisierungssystem seit mehr als drei Monaten intern läuft, über 1.700 Untersuchungen von Leistungsregressionen bearbeitet und in über 600 Fällen die Ursache gefunden hat. Ingenieurinnen und Ingenieure verfolgen nicht mehr jeden Alarm einzeln, sondern greifen nur noch an den entscheidenden Stellen ein.

Vom Alarm bis zur verifizierten Behebung – wie läuft das ab?

Der erste Workflow, der live ging, heißt Regression Workflow: Sobald ein Leistungsalarm auslöst, wird automatisch eine Aufgabe angelegt. Ein Agent stellt zunächst fest, wann sich die Kennzahl verschlechtert hat und welche Anfragen betroffen sind, gleicht dann Deployments und Konfigurationsänderungen ab und liest den relevanten Code, um die Ursache zu finden. Nach bestandener Diagnose schreibt der Agent eine Korrektur und öffnet einen Pull Request, ein Mensch prüft und führt ihn zusammen; nach dem Deployment prüft ein weiterer Agent, ob die Leistung zum Ausgangswert zurückgekehrt ist – erst dann gilt der Fall als geschlossen. Vier Bausteine tragen die Kette: ein Aufgabendienst mit konfigurierbaren Workflows, eine Dispatch-Schleife, die Arbeit zuweist, eine API, die Codex in der Cloud ausführt, und Abonnements, die Agenten wecken, wenn Ereignisse wie Code-Reviews oder abgeschlossene Deployments eintreten. Die Ingenieure haben ihre Debugging-Erfahrung in einem Skill namens perf-forensics festgehalten, und die Agenten wiederholen dasselbe Vorgehen – im Schnitt 17 Untersuchungen pro Tag. OpenAI erklärt die Codex-Sandbox: keine Container, native Systemmechanismen halten den Agenten im Käfig beschreibt, wie Codex in einer eingeschränkten Umgebung läuft – die Voraussetzung dafür, dass sich diese Automatisierung mit gutem Gewissen betreiben lässt.

Sieben von zehn Diagnosen stimmen – die Korrektur zu landen, ist der schwerste Schritt

OpenAI verschweigt die Schwächen des Systems nicht. Bei einer manuellen Prüfung von 100 Ursachen-Vorschlägen wurden 70 als zutreffend bewertet; die übrigen 30 brauchten weitere Nacharbeit oder konnten die Kausalität nicht vollständig belegen. Das Team hat deshalb eine adversariale Prüfung hinzugefügt: Eine separate Codex-Sitzung versucht, die Diagnose zu widerlegen – etwa indem sie prüft, ob ähnliche, nicht betroffene Anfragen tatsächlich gesund geblieben sind oder ob sich die Kennzahl nach einem Rollback erholt hat. Das Beheben ist schwieriger als das Finden der Ursache: Von Agenten vorgeschlagene Änderungen sind manchmal komplizierter als nötig oder bringen neue Probleme mit sich, und Abwägungen wie das Hinzufügen eines Caches brauchen weiterhin die Entscheidung eines Menschen. Jeder Korrekturvorschlag durchläuft dieselbe adversariale Prüfung; nur Änderungen mit geringem Risiko könnten künftig ohne menschliche Beteiligung ausgeliefert werden.

Als Nächstes baut OpenAI eine Bewertungsschleife auf: Die von Agenten vorgeschlagenen Korrekturen werden mit den Änderungen verglichen, die Ingenieure letztlich zusammengeführt haben, Bewertungssätze werden erstellt, Workflows verbessert, und mit synthetischen Leistungstests sollen Agenten eine Korrektur vor dem Einreichen selbst prüfen können. Wenn sich dieses Vorgehen bewährt, wandelt sich Performance Engineering von „Menschen suchen Probleme“ zu „Agenten suchen Probleme, Menschen entscheiden“ – für andere Teams, die Dienste in großem Maßstab betreiben, dürfte dieses Arbeitsmuster wichtiger sein als jede einzelne Zahl.

Empfohlene Tools

Mehr