Omar Khattab

他于2019年毕业于卡内基梅隆大学Carnegie Mellon UniversityCarnegie Mellon University（CMU）是位于美国宾夕法尼亚州匹兹堡的私立研究型大学。学校前身是 Andrew Carnegie 于1900年出资创办的 Carnegie Technical Schools，1912年改名 Carnegie Institute of Technology，1967年与 Mellon Institute 合并后定名为今名。学校以计算机科学、机器人、工程与艺术等领域著称，在卡塔尔、硅谷和卢旺达设有校区。截至2025年9月，全校注册学生16,582人。现任校长为 Farnam Jahanian。2026年9月30日，学校宣布获得 Ken Griffin 30亿美元捐赠，并将在迈阿密兴建新校区。点击查看完整词条卡塔尔校区，学习计算机科学。⁠[1]

2020年，他与Matei Zaharia发表ColBERT研究，将查询和文档分别编码，再进行细粒度的后期交互。文档表示可预先计算，使基于BERT的语义匹配兼顾检索效率。⁠[2]

他与Christopher Potts、Matei Zaharia在Stanford HAI文章中主张，把神经信息检索作为搜索改进的基础，保留答案所依赖的文档来源，并通过更新索引吸收新知识。⁠[3]

2022年6月至9月，他在AppleAppleApple（苹果公司）是1976年创办、总部位于美国加利福尼亚州库比蒂诺的上市科技公司。业务包括 iPhone、Mac、iPad、可穿戴设备，以及数字内容、支付、云端存储等服务。公司通过自研硬件、操作系统和服务构建产品体系。点击查看完整词条担任博士研究实习生。⁠[4]

他作为第一作者参与的DSPy论文提出，将语言模型应用写成可组合的声明式模块，由编译和优化过程依据任务指标改进模型调用流程，减少手工维护提示词的依赖。⁠[5]

他参与撰写的Two Sigma文章以七层模型梳理语言模型软件，并比较五类框架的可靠性、性能、可移植性及扩展能力，强调不同层次职责的分离。⁠[6]

他是《The Shift from Models to Compound AI Systems》的共同作者。文章讨论将模型、检索和工具组合成系统，并把质量、成本及优化问题放在整个系统层面考察。⁠[7]

2024年6月至2025年6月，他在DatabricksDatabricksDatabricks 是2013年创立、总部位于美国旧金山的数据与人工智能公司，起源于加州大学伯克利分校的 Apache Spark 研究团队。公司提供结合数据工程、分析、治理、机器学习和 AI 应用开发的云平台，并参与 Spark、Delta Lake、MLflow 和 Unity Catalog 等开源项目。点击查看完整词条担任研究科学家，研究自然语言处理、信息检索和机器学习系统。⁠[4]

他在个人文章中建议围绕长期项目组织研究，而非只追求单篇论文；选题应有发展空间，并通过快速迭代、可用的软件发布和社区反馈扩大研究影响。⁠[8]

他于2019年进入斯坦福大学Stanford UniversityStanford University是美国加利福尼亚州的研究型大学，由Leland与Jane Stanford于1885年创立，1891年开学。点击查看完整词条攻读计算机科学博士，2025年1月完成学位，导师为Christopher Potts和Matei Zaharia；博士研究聚焦通过基础模型编程提升AI系统的可靠性与可扩展性。⁠[4]

他与Jan Luca Scheerer、Matei Zaharia、Christopher Potts及Gustavo Alonso共同发表多向量检索引擎WARP。该论文获SIGIR 2025最佳论文奖。⁠[9][10]

卡内基梅隆大学将他列入2025年Tartans on the Rise校友名单。报道介绍了他提高语言模型编程抽象层次、帮助领域专家构建软件的研究方向。⁠[1]

他在AI Engineer演讲中提出，应把应用所需的规范、控制流程、工具和评估，与不断变化的模型及优化方法分开。工程工作的重点是明确系统要解决的问题，避免把暂时有效的提示技巧固化为底层设计。⁠[11]

2025年7月，他开始在MIT担任助理教授。其现任岗位设于电气工程与计算机科学系，并担任TIBCO Founders职业发展教授。⁠[4][12]

他参与GEPA研究，通过对执行过程和反馈进行自然语言反思，生成并筛选提示词变体。论文比较了特定任务中的优化表现；其结果不意味着提示优化在所有场景都优于强化学习。⁠[13]

他与Alex Zhang介绍递归语言模型，将长输入保存在可执行环境中，由模型通过代码检查和拆分内容，再调用子模型处理局部问题。早期实验采用受限的递归深度，重点研究长上下文任务。⁠[14]

他参与的Pedagogical RL研究利用教师可见、学生不可见的信息生成教学轨迹，同时考虑学生能否学会这些轨迹。文章报告初步任务实验，探索模型如何借助更有针对性的示范学习。⁠[15]

他与Jacob Xiaochen Li、Rick Battle提出Machine Studying问题：让智能体在未知未来题目的情况下学习一份资料，并在之后仍可查阅资料时更高效地完成任务。研究以质量与推理成本的关系衡量专业能力，并公布开发中的StudyBench。⁠[16]

他与Alex Zhang研究智能体运行框架如何帮助模型从较短任务迁移到更长任务，重点分析上下文外置和程序化子调用。文中用递归语言模型实验讨论任务分解与训练分布之间的关系。⁠[17]

MIT对其OASYS实验室的报道，将研究目标概括为解决AI应用的最后一公里：把通用模型适配到具体用户的需求。Khattab强调发展可重用的开源系统方法，而不是只解决单一垂直场景。⁠[18]

他在MIT开设6.S978“Engineering AI Systems and Agents”，课程围绕可靠性、效率和可维护性，讨论声明式规范、评估、反馈和计算预算。⁠[19]

他在个人X帖文中表示，AI提高生产力并未使自己的研究工作失去意义；工具进步扩大了他希望完成的目标，因此高质量成果仍需要投入时间和专业判断。他也表达了对权力集中的担忧。这些说法是其个人科研经验与观点。⁠[20]

他与Rikiya Takehi、Jayden Teoh、Alex Zhang发布研究文章，探索让语言模型直接读取和修改其他神经网络的权重。文章列出早期成功案例，也报告未能获得明显改进的实验；这些结果尚不能证明该方法可普遍替代模型训练。⁠[21]

个人网站：https://omarkhattab.com/（在新窗口打开）。X公开账号：https://x.com/lateinteraction（在新窗口打开）。GitHub公开账号：https://github.com/okhat（在新窗口打开）。⁠[22]