# 凌晨 1 点，一个 bug 跑了 4 次：OpenAI Codex 团队把智能体编程讲透了

> Training Data No. 51 中文精读

- 原标题：OpenAI Codex Team: From Coding Autocomplete to Asynchronous Autonomous Agents
- 发布日期：2025-06-10
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/051-openai-codex-team-from-coding-autocomplete-to-asynchronous-a-TCCHe0.html
- 精读字数：约 5087 字（阅读约 11 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

凌晨 1 点，产品发布在即，OpenAI Codex 团队被一个 Lottie 动画的 bug 卡了几个小时。砍掉它也能上线，但大家不甘心。一位工程师把问题描述贴给 Codex，一口气开了 4 个任务让它各跑各的：3 次失败，1 次成功。修复被合并、部署，这个动画赶上了发布。

这是 2025 年 6 月 10 日红杉资本播客 Training Data 一期节目里的真事，讲故事的人是 Codex 产品负责人 Alexander Embiricos，大家叫他 Alex。同场嘉宾还有研究员 Hanson Wang，codex-1 模型就是他参与训练的。

这个故事浓缩了整期节目的两个关键词：并行，还有放手。Codex 的玩法和 Copilot 那种边写边补全完全是两回事：它有自己的容器、自己的终端，跑在云端，你派任务给它，它干完活回来给你提一个 PR。

先补两句背景。Alex 联合创办的协作视频公司 Multi 在 2024 年被 OpenAI 收购，他随之加入。Hanson 跟「Codex」这个名字的缘分更早：当年他在红杉的 Arc 计划里做 demo，用的就是 2021 年那一代 Codex 模型做数据分析，从此进了创业圈，后来干脆加入 OpenAI，专职做智能体编程。

## 「Codex」是个复活的品牌

对 Hanson 来说，2021 年那代 Codex 是他的 a-ha 时刻：GPT-3 只是酷，Codex 让他第一次觉得这东西真的会改变世界。那个模型专门做代码补全，GitHub Copilot 早期就由它驱动。之后这个名字闲置了几年，团队做新产品时觉得它太贴切：Code、Codex、Code Execution，干脆把它复活了。

这次发布的 Codex 是一个智能体。Hanson 介绍，它有自己的容器和终端，完全跑在云端，你给它一个任务，它一次性回来给你一个 PR。团队沿途试过很多形态，最后定下来的是这个。

Alex 给了一个更清晰的定位：**Codex 是一场思想实验，把「AI 在你的电脑上陪你干活」这个前提整个换掉，让 AI 在它自己的电脑上独立干活。**你跟它的关系是委派，而非结对。围绕这个前提，团队干了两件核心的事：搭一套让智能体真能独立干活的计算机环境，再训一个写出的代码能被职业工程师直接合并的模型。

产品线目前分两支。Codex CLI 跑在你自己的终端里，属于结对工具；ChatGPT 里的 Codex 跑在它自己的机器上，属于委派工具。Alex 承认这两样东西暂时是分开的，但他也交了底：OpenAI 的风格是先砍范围、快速发布，之后会把两条线慢慢合拢。本质上是同一个 Codex，出现在不同的地方。

## 会写代码，和写出能合并的代码，差着三年班

很多人分不清 Codex 和 o3 的关系。Hanson 给了答案：**codex-1 和 o3 是同一个模型，外加强化微调。**差别在训练目标。

o1、o3 这批推理模型，竞赛编程已经很强。Hanson 自己打过竞赛，他的评价是 o3 的竞赛水平超过 OpenAI 几乎所有人，也包括他自己。但竞赛强和干活好用是两码事。OpenAI 在 o3 的博客里就承认，它生成的代码常常达不到职业软件工程师的口味和风格，未必能直接合并进主干。

所以 codex-1 的训练大头，花在把模型对齐到职业工程师的品味上。Alex 打了个比方：从 o3 到 codex-1，相当于给一个聪明绝顶的竞赛型应届生，补上了入职头三年的职业训练。什么是好的 PR 描述、好的 PR 标题，怎么读懂一个代码库的风格然后跟上，怎么好好写测试，怎么证明自己测过了。

训练里更费劲的是环境。真实的软件仓库又乱又杂，光把一个仓库跑起来，DevOps 的活儿就不少。Alex 讲了个段子：他跟 Hanson 一起看 OpenAI 收购的那家创业公司的仓库，Hanson 问，单元测试在哪。Alex 说，这是一家真实的创业公司，它没有单元测试。

Hanson 补了一条关键信息：**Codex 训练用的环境，和线上服务用户的容器基础设施是同一套。**用户跑任务的环境，就是模型当年学习时的环境。Sonya 顺势开了个玩笑：所以不会出现智能体说「在我机器上是好的」。Hanson 回：正是。

还有个细节能看出团队的取向。Hanson 说 OpenAI 内部有个玩笑，《苦涩的教训》（The Bitter Lesson）每天都读。Codex 的做法就很苦涩教训：给模型一个终端，让它直接用 POSIX 那套最基础的工具操作电脑，不搞花活。

## 用不好的人，是心态没切换

Codex 内测时出过一件怪事。团队把产品发给一批人随便用，很多人反馈没什么用。团队回头研究 OpenAI 内部员工的用法，找到了差别：心态。

Alex 把它叫作**富足心态**。好用的人把 Codex 当成随叫随到的劳动力，什么都扔给它试，同一个任务还能多开几份看哪个结果好，反正省的是自己的时间。而不少内测用户一次只派一个任务，守着等结果，那当然觉得没用。现在产品的引导流程直接教这个：**一天之内跑了 20 个任务的用户，基本就算学会了。**

节目里给了两个可以直接抄的技巧。第一，难任务让它多跑几次，凌晨那个 bug 就是 4 次里出 1 次成功。第二，别一上来就写一大段需求。Hanson 说，一次性交代一小时的工作量，光把需求写清楚就得花一二十分钟；更聪明的做法是先用 ask 模式让 Codex 自己出一份高层计划，你在这个计划上迭代几轮，再放它去跑。Sonya 听完总结：这真的像带实习生。

任务跑多了，人干什么？审。Hanson 说团队花了很多力气让产出好审：模型会引用自己的工作过程，改了哪些文件、跑了哪条终端命令、输出是什么，全列出来，测试没过它也会直说。这个能力别的工具里还不多见。

Sonya 追问：代码能编译、能跑通，还需要人审吗？Hanson 的回答是，可预见的未来里需要。一来要跟早期用户建立信任，让大家摸到哪些事它干得好、哪些不行；二来总有一些外部上下文决定这段代码到底对不对，是你派任务时没给到的。

Alex 拆了一下工程师的完整工作流：想清楚做什么、设计、规划、实现、验证、部署、维护。其中实现加验证这个小循环，是 Codex 现在最擅长的部分。他引了一个大概的数字：工程师大约只有 35% 的时间真正在写代码。**写代码在工程师的工时里本来就占不到主体，AI 先接管的恰恰是这一块。**人的时间会腾出来，去做那些因为模糊、因为难而有趣的部分。

长任务也有翻车的时候。Codex 一个任务有时要跑 30 分钟，是 OpenAI 目前跑得最久的智能体之一，上一个纪录保持者是 Deep Research。Hanson 说模型的耐心已经很高，但仍有上限，有时它会跑完 30 分钟回来告诉你：抱歉，这个任务太大了，我的时间不够。像极了一个实习生。

## 职业开发者会变多还是变少？

Sonya 抛了个尖锐问题：职业软件工程师的数量，以后会涨还是跌？

Alex 的答案：大涨。

> 写软件越容易，我们能拥有的软件就越多。看看你的手机，上面的 app 几乎全是大团队做给几百万用户的，很少有专门为你和你的具体需求做的东西。当为个人或团队定制软件越来越可行，对软件的需求只会越来越高。

Sonya 追问：涨的是职业开发者，而非玩票的 vibe coder？Alex 给了肯定答案。Hanson 的角度是乘数效应：看内部重度用户的模式，头部用户每天合 10 个以上的 PR。**它现在就是一个放大器，而非替代品。**他看不出一个把造软件门槛降得这么低、软件需求反而变少的世界。

Alex 也诚实补了一句：这题没人真的有把握，公司内部也在密切关注。

有个细节能看出团队的取舍。发布博客收集用户引言时，有客户说工程团队爱用，PM 们也把它当神器。Alex 自己就是产品出身，平时用 Codex 查问题，免得老去烦工程师，但他还是犹豫要不要把这句放进博客，因为产品的目标用户就是职业工程师，而非玩票的 vibe coder。最后那句引言没上博客。不过他预计，以后会有越来越多的人能给代码库做贡献。

Alex 还讲了个自己的对比。前阵子坐飞机没 Wi-Fi，本来想写点东西，想了想放弃了：离开那一整套工具，写代码已经不值得。而多年前他创办上一家公司，起点恰恰是在飞机上没网，干写了半天代码。**同样的场景，隔了几年，行为完全反过来。**

> 接下来两年，编程会变得完全不同。现在大家觉得最有价值的工具，基本都是贴身结对的。接下来的转变是，大部分代码将由智能体编写，它们跑在自己的环境里，接入你用的那些工具，自己找活干。

## 终局是一个助手，还是一个终端？

IDE 会消失吗？Alex 说不会，会变。现在 IDE 的重心是写代码，以后写代码的活儿越来越多归智能体，IDE 的重心会挪到合并、审查、验证，或者规划更大的架构。Hanson 描述了团队内部的日常：早上进门，泡咖啡，顺手派几个任务，吃完早饭回来看生成好的 PR，IDE 用来做最后那点精修。

Alex 说现在发布的 UI 只是研究预览，一个待办清单式的界面，远非最终形态。他们想去的方向是：**你不用再纠结自己是在结对还是在委派，智能体像一个无处不在的队友，出现在你用的每个工具里。**终端、IDE、工单系统，甚至报错工具。可能你还没去看，它已经先看过那个报错，并且有了自己的意见。你在 Slack 里收到一句「这里有个 bug」，回一句「去修」就行。

这里能看出 OpenAI 特有的视角。Alex 说，他们自己就是 ChatGPT 的缔造者，他不认为未来人们会在一天里纠结用编程智能体还是购物智能体还是打车智能体。**应该只有一个助手，什么都能问，什么都能办，那就是 ChatGPT。**重度用户再去专业工具里用定制界面，按钮、列表，高效干活。针对开发者这个人群，他们也是这么做的：为 Codex 和 GPT-4.1 生成专门的评测集，再据此训练出更好用的模型。

Hanson 补充了为什么这很重要：软件工程最难的，是把世界上的上下文编码成需求和设计文档，纯粹的写码在生命周期里占比不大。ChatGPT 有记忆、有各种连接器、有 Operator 和 Deep Research 这些能力，Codex 一旦接上这些知识，写码那部分会干得更好。

Alex 打了个比方：你雇了个同事，他只会接任务交 PR，你让他顺手订个会议室、主持个头脑风暴，他拒绝，这多让人沮丧。Operator 有浏览器，Deep Research 是另一种浏览器，Codex 有终端，人类同事的工具箱其实也就这些。**方向是把专项智能体慢慢泛化成通用队友。**他还展望了多智能体协作：Codex 写码，Operator 负责测试。

Sonya 问了那个绕不开的竞争问题：Claude Code、Google 的 Jules 都在做智能体编程，市场会收敛到同一个愿景吗，OpenAI 靠什么赢？Alex 的回答是都会有一点：跑在你电脑上的工具和跑在它自己电脑上的工具会并存，但大部分工作会发生在智能体自己的算力上。OpenAI 的差异化，押在 ChatGPT 这个入口和它积累的上下文上。

节目结尾 Alex 给了个半开玩笑的未来界面：像 TikTok。一个竖屏信息流，每条视频是一个智能体的提案，比如「有客户提了这个需求，我觉得该修」，右滑批准，左滑否掉，长按给反馈，比如「做，但字体用斜体」。一群智能体订阅着公司里的信息流，主动出主意、干活、汇报，创始人只负责策展。Sonya 说这是个半玩笑，但至少给了所有人一个画面：审核智能体的工作，会长什么样。

## 明天就能用上的清单

节目里散落着不少可以直接抄的作业，挑几条最实在的：

- **并行派活。**别一次一个任务守着看，把想到的都扔出去，一天跑 20 个才算入门。
- **难任务多跑几次。**同一个任务开 4 份，挑最好的那个，凌晨 1 点的 bug 就是这么修的。
- **先要计划再派活。**用 ask 模式让智能体先出高层计划，迭代几轮再放手，比一次性写清一小时的需求省时间。
- **把代码库收拾得对智能体友好。**用带类型的语言，拆小模块，写测试，写文档。这些事本来就对人有用，现在多了一层收益。
- **给项目起个独特的代号。**Codex 项目内部代号 WHAM，就是为了让智能体一搜一个准。要是叫 code 或者 agent，搜起来就是灾难。
- **把审查当成本职工作。**写码的时间在缩水，审码的时间在膨胀，早点把审代码的手感练起来。

闪电轮里还有些轻松的料。Alex 推荐了伊恩·班克斯的科幻系列《文明》（The Culture），一套对 AI 未来罕见乐观的小说；Hanson 推荐了 Richard Sutton 的《苦涩的教训》，说那是 OpenAI 的日常哲学。最喜欢的 AI 应用，Alex 先答 Waymo，又补了一个 Linear：从 Slack 对话里一键生成 bug 单，全程不提 AI 一个字。**好用的 AI，常常是让你感觉不到它存在的 AI。**

被问到 2025 年什么应用会爆发，两个人的答案一致：智能体。理由也一致：推理模型已经就位，接下来是给它配上干活的家伙什，浏览器、终端，然后训练它把一件事从头干到尾。编程是这个故事的第一站，但不会是最后一站。