大家好，我是 Axton。今天我要和大家聊聊一个足以在 AI 领域掀起波澜的工具——OpenAI Code Interpreter。虽然现在已经是 2025 年（更新至 2025-05），回想起它在 2023 年 7 月初次亮相时的激动人心，依然记忆犹新。当时 OpenAI 宣布 Code Interpreter 将逐步向所有 ChatGPT Plus 用户开放，我几乎是第一时间就获得了体验资格。如果你想知道这个被 OpenAI 寄予厚望的”亲儿子”级插件究竟有何魔力，以及它如何改变了我处理数据的方式，那么请继续读下去，我将带你一探究竟。
OpenAI Code Interpreter 是什么？为何它如此重要？
OpenAI Code Interpreter 本质上是一个内嵌在 ChatGPT 中的强大 Python 执行环境，为我们与 AI 协作带来了前所未有的可能性。 想象一下，你拥有了一位自带电脑、精通 Python 的程序员助手，可以随时待命帮你处理各种任务。这个”助手”不仅能执行你用自然语言下达的指令，将其转化为 Python 代码并运行，还能在同一个会话中记住之前的操作和结果，进行持续的、迭代式的分析。
根据 OpenAI 早期的介绍，Code Interpreter 的核心能力包括解决数学问题、进行复杂的数据分析与可视化，以及实现文件格式转换等。在这些应用场景中，数据分析与可视化无疑是最引人注目也最为实用的。过去，要完成这些任务，我可能需要花费大量时间学习和实践，比如我曾在 2020 年初完成了一个超过 100 小时的 Python 数据科学课程，或者需要熟练运用 Excel 数据透视表、Google Sheets 等工具，这些都有不低的门槛。而现在，有了 Code Interpreter（测试版，更新至 2025-05），这一切似乎变得触手可及。
要启用这个神奇的功能非常简单。你只需在 ChatGPT 界面的左下角点击你的账户邮箱或头像，进入”Settings”（设置），然后在”Beta Features”（测试功能）选项中找到 Code Interpreter 并打开开关。完成之后，在新建对话时选择 GPT-4 模型，就能看到 Code Interpreter 的选项了。
初探锋芒：用 OpenAI Code Interpreter 解剖招聘市场数据
为了真正体验 OpenAI Code Interpreter 的威力，我决定从它最擅长的领域之一——数据分析与可视化入手。 我准备了一份据称数据还比较新的招聘职位 CSV 文件，希望能从中挖掘出一些有价值的信息。这份数据包含了 15 列，比如职位 ID、标题、地点、公司、工作类型等等，信息量相当丰富。
数据加载与初步审视：一切从上传开始
数据分析的第一步自然是加载数据。在 Code Interpreter 中，这个过程异常便捷。我直接点击对话框旁边的”+”号上传了那个 CSV 文件。文件上传后，我做的第一件事就是让它给我展示数据的前 10 行，以便对数据结构有个大致的了解。它很快就罗列出来了，职位 ID、职位名称、年薪、位置等信息一目了然，与我之前在本地打开 CSV 文件预览到的一致。
自动化数据清洗：AI 的”洁癖”时刻
数据加载和预览无误后，关键的下一步就是数据清洗。原始数据中往往夹杂着错误、缺失或不规范的内容，这些”脏数据”会严重影响后续分析的准确性。我让 Code Interpreter 帮我清洗数据，它的表现令我印象深刻。它首先分析了每个字段的缺失值情况，发现”公司 ID” (company ID) 和一个名为 “column1” 的列缺失值最多，判断它们无法提供有价值信息，于是建议并执行了删除。
更有意思的是，它还注意到”申请数量” (Application quantity) 这一列的数据格式不统一，包含了分钟、小时、天数等不同单位的无效值，也一并进行了处理。我快速核对了原始数据，发现”公司 ID”确实几乎为空，删除是合理的；”申请数量”列也确实存在那些不规范条目。此外，它还对”职位” (position) 这一列进行了简化，去掉了其中夹杂的年薪信息，因为并非所有职位都包含年薪，这体现了数据本身的不规范性。整个清洗过程，Code Interpreter 的理解和执行都相当到位。
洞察挖掘：当我对数据”一无所知”时
作为一个非人力资源专家，面对清洗干净的数据，我一时也不确定该从哪些角度进行分析。于是，我直接向 Code Interpreter 提问：”我能从这些数据当中得到哪些有意义的见解呢？” 它迅速给出了几个极具启发性的方向：比如分析哪些公司发布的职位最多（公司分布），哪些地区的工作机会最集中（地理位置），全职、兼职、远程工作的分布情况（远程工作机会），以及哪些职位收到的申请最多（申请数量），从而判断哪些职位最受欢迎。
我首先让它帮我分析远程工作机会，并结合图表进行解释。它生成了一个工作类型分布图，显示现场工作 (onsite) 仍是主流，其次是远程工作 (remote) 和混合模式 (hybrid)。它还补充道，这个数据集可能未能完全反映所有工作机会的灵活性，比如有些工作可能同时支持现场和远程，但在数据中只被归为一类。随后，我又让它分析了公司分布、地理位置和申请数量，并要求它尽量使用多种不同的图表形式。
它很快给出了三个条形图。在公司分布方面，Tata 和 IBM 是发布职位较多的公司（另外一家我不太熟悉）。地理位置分析则指出了工作机会最集中的地区。而在申请数量上，数据显示数据科学家 (Data Scientist)、数据工程师 (Data Engineer) 和高级数据科学家 (Senior Data Scientist) 是收到申请最多的职位，这无疑为求职者指明了热门方向。我还尝试让它生成一个彩色的饼图来展示 Top 10 最常见的职位，它也顺利完成了，数据工程师、数据分析师等职位名列前茅。
小插曲：AI 并非完美无瑕
在整个测试过程中，Code Interpreter 的表现可圈可点，但也并非没有瑕疵。例如，在分析远程工作时，图表显示远程工作是第二常见的工作类型，但当我想具体查找”数据科学家”的远程工作岗位时，它却反馈说没有找到，这与之前的分析结果似乎有些矛盾。我手动筛选了原始数据，确认了远程的数据科学家职位是存在的。此外，我曾尝试让它利用数据中的位置信息，结合地图数据创建一个图形化的公司分布图，但它表示无法获取地图数据，未能成功。这些问题，或许也与我当时初次使用，Prompt 的表达不够精准有关，需要后续进一步探索。
完整视频请点击观看：
再进一步：用 OpenAI Code Interpreter 挑战比特币价格数据
在初步体验了 OpenAI Code Interpreter 处理结构化数据的能力后，我决定用一个更具挑战性的时间序列数据集——比特币历史价格——来进一步测试它的极限。 我上传了一个包含从 2015 年到测试时（2023 年 7 月 3 日）每日比特币价格的 CSV 文件（更新至 2025-05）。
我首先让 Code Interpreter 告诉我这个数据文件的基本情况。它准确地识别出数据包含日期 (Date)、开盘价 (Open)、最高价 (High)、最低价 (Low)、收盘价 (Close)、调整后收盘价 (Adj Close) 以及交易量 (Volume) 这七列，并解释了每一列的含义。它还告诉我，这个数据集覆盖了从 2015 年 1 月 3 日到 2023 年 7月 3 日，总计 3104 条记录，数据确实相当新。
这次我跳过了数据清洗步骤，直接让它绘制比特币价格的时间序列图，它迅速生成了一张清晰的趋势图。紧接着，我让它尝试进行价格预测。Code Interpreter 不仅给出了预测结果（一个极其乐观的预测，我必须强调这只是一个演示，切勿当真！），还详细列出了它采用的算法和整个计算过程，甚至绘制了自相关函数 (ACF) 和偏自相关函数 (PACF) 图并进行了解释。
为了测试它的可视化能力，我还让它尝试绘制更复杂的图表，比如 3D 散点图和移动平均线。3D 散点图顺利生成。在绘制移动平均线时，初版的图表颜色过于接近，难以辨认，但在我提出改进要求后，它迅速调整了颜色，使得图表清晰易读。通过展开它的”工作过程”，我可以看到它实际上是在动态编写和执行 Python 代码，比如调用 `matplotlib` 库进行绘图。这让我深刻认识到，Code Interpreter 的强大之处不仅在于执行代码，更在于它能理解我的自然语言指令，将其转化为精确的 Python 代码，并对结果进行合理解释。
OpenAI Code Interpreter 的核心价值与未来展望
经过这一系列的实战测试，我深刻体会到 OpenAI Code Interpreter 的真正魅力并不仅仅在于它能执行代码，更在于它如何赋能我们与数据对话。 它理解数据、清洗数据、分析数据并进行可视化的能力，都展现出了巨大的潜力。虽然在测试中它表现出不能上网的限制（这很可能是 OpenAI 出于安全或控制的考虑而设定的”封印”，否则一个既能上网又能自主编程修改代码的 AI，其能力边界确实难以估量），但这并不妨碍它在数据处理领域的出色表现。
正如我们从招聘数据中看到的，市场对数据科学家的需求依旧旺盛。Code Interpreter 或类似技术的出现，必将深刻改变数据分析相关行业的工作方式。AI 时代，拥抱变化是唯一的选择。至于它在其他方面的能力，比如官方曾提及的视频剪辑等，我认为其本质也是通过编写和调用相关的 Python 库来实现，核心逻辑与数据分析是相通的。
全局性核心要点总结
通过这次深度体验，我认为 OpenAI Code Interpreter（更新至 2025-05）为我们带来了几个核心价值：它极大地降低了数据分析的门槛，让不具备深厚编程背景的人也能通过自然语言与数据进行复杂交互；它展现了 AI 在理解任务、执行代码、解释结果方面的强大整合能力，使得从数据到洞察的过程更加高效；同时，它也提醒我们，AI 工具虽强，但人类的提问、引导和批判性思维依然是不可或缺的，我们需要学会如何与这些强大的”AI 伙伴”协同工作。
独特深度洞见
我最深的感触是，OpenAI Code Interpreter 正在重新定义”数据素养”的内涵。过去，数据素养可能更多指向掌握特定的分析工具或编程语言。而现在，它正逐渐演变为一种提出好问题、理解 AI 反馈、并基于此进行迭代探索的能力。Code Interpreter 如同一位能力超群但需要明确指引的”数据分析实习生”，我们的角色则是那位富有经验、能把握方向的”项目经理”。
更多关于 OpenAI 最新模型进展的细节，可参考我的上一篇文章 👉 OpenAI o3和o4-mini模型有什么新特点？它们如何改变AI的思考方式？
随着我对 Code Interpreter 的探索不断深入，如果未来有更多有趣、有用、好玩的发现，我一定会再和大家分享。希望今天的分享对你有所启发！
