--- layout: post.njk source: https://baoyu.io/blog/2026-02-21/the-pragmatic-summit-inside-openai speaker: baoyu.io title: OpenAI 应用 CTO 和 Codex 负责人：AI 正在重塑构建软件的方式 | 宝玉的分享 date: '2026-02-21' summary: 本次分享聚焦 OpenAI 内部 AI 编码的最新实践。文章指出，AI（如 Codex）已从辅助工具进化为工程师的“队友”，重塑了软件开发流程。瓶颈从代码生成转移至需求理解和集成部署，催生了并行探索、设计师写代码等新工程模式。AI 原生工程师和多 Agent 协作是未来趋势，但关于成本、安全性和基础训练的挑战仍待解决。 area: tech-engineering category: software-development tags: - ai-agents - software-development - prompt-engineering - future-of-work - ai-native-engineers people: - Vijaye Raji - Thibault Sottiaux - Gergely Orosz - Alexander Embiricos companies_orgs: - OpenAI - The Pragmatic Engineer - DeepMind - Google - Meta products_models: - Codex - ChatGPT - VS Code - Linear - ffmpeg - IntelliSense media_books: [] draft: true status: evergreen --- 宝玉的分享 Menu See all posts Published on 2026-02-21 # OpenAI 应用 CTO 和 Codex 负责人：AI 正在重塑构建软件的方式 作者： 宝玉 OpenAI 应用 CTO 和 Codex 工程负责人，在 The Pragmatic Summit 上聊了 OpenAI 内部工程师的真实工作状态。Codex 不再只是写代码的工具，已经进化成了“队友”。工程师合上笔记本去开会，回来发现活已经干完了。设计师写的代码比六个月前的工程师还多。一个 PM 靠 Codex 把自己变成了 50 倍效率的项目经理。 两位受访者： Vijaye Raji（以下简称 VJ），OpenAI 应用 CTO（CTO of Applications），负责 ChatGPT 和 Codex 的产品工程，此前创办了产品实验平台 Statsig，2025 年 9 月被 OpenAI 以 11 亿美元收购，在微软和 Meta 有超过 20 年经验；Thibault Sottiaux（以下简称 Tibo），OpenAI Codex 工程负责人，此前在 DeepMind 和 Google 工作，现直接管理 33 人的 Codex 团队。 主持人 Gergely Orosz 是科技行业最有影响力的工程管理类 newsletter The Pragmatic Engineer 的作者。本次访谈来自他举办的首届 Pragmatic Summit（2026 年 2 月 11 日，旧金山），约 500 名工程领导者和实践者参加。 要点速览： OpenAI 内部，Codex 在 6 个月内从“辅助工具”进化成“队友”，顶级工程师每周消耗数千亿 token，工程师可以把任务派给服务器端的 Codex 然后去开会 瓶颈在不断转移：代码生成解决了，代码审查就成了新瓶颈，接下来是集成部署，团队需要持续追踪下一个卡点 设计师写的代码比六个月前的工程师还多，面试者开始问“你们给我多少算力”，职能边界正在消融 Codex 能在夜间自主运行 QA 测试、独立训练模型并写 PDF 报告，研究员多次发现自己低估了 Codex 的能力 今年夏天 OpenAI 将接收约 100 名应届生，团队认为“AI 原生”新人将有独特优势 6 个月内预计再提速一个数量级，多 Agent 协作网络将可实现“24 小时从零重建一个浏览器” ## 【1】Codex 已经不是工具，是队友 Gergely 开场直接问 VJ：OpenAI 内部正在发生什么？ VJ 说，过去 6 个月他亲眼看到了一条清晰的演进路线：Codex 从工具，变成功能扩展，再变成 Agent（智能体），现在已经是队友了。 > “I fully expect engineers to name their agents now and call themselves as their teammates.” > （我完全预期工程师们会给自己的 Agent 起名字，把它们当作自己的队友。） 他补充了一些内部数据：OpenAI 有使用排行榜，一些工程师每周消耗的 token 达到数千亿级别。而且这不是一个 Agent 在工作。就在上周，团队内部上线了一个叫 Codex Boxes 的功能，可以在服务器端预留开发环境，工程师在自己的笔记本上编排任务指令，然后把笔记本合上去开会，回来时所有工作已经并行完成了。 > “People shut down their laptop, go to a meeting, come back and then all of the work has been done.” > （人们合上笔记本，去开个会，回来时所有工作都已经做完了。） VJ 认为这种工作方式会在几个月内成为行业常态。 > 【注】 Codex 是 OpenAI 的 AI 编程工具，2025 年 5 月首次发布，既有云端版（在隔离容器中独立运行任务），也有命令行版（Codex CLI，在本地终端运行）。目前支持 VS Code 扩展、桌面应用、Web 应用等多个入口。截至 2025 年底，约 95% 的 OpenAI 工程师在使用 Codex，每周合并的 PR 增加了 70%。 不过 Gergely 补充了一个重要的现实：他和 OpenAI 内部很多工程师私下聊过，并非所有人都 100% 用 Codex 写代码，使用程度存在差异。但有一个团队确实走在最前面——Codex 团队自身。 ## 【2】瓶颈不断转移：从代码生成到用户需求理解 Gergely 接着问 Tibo：Codex 团队具体是怎么工作的？ Tibo 说团队几乎每周都在重新发明自己的工作方式。核心方法论是识别瓶颈，然后解决它，但瓶颈会不断转移。最初是代码生成，然后是代码审查，现在变成了：怎么更快理解用户需求？怎么分类工单？怎么从 Twitter、Reddit 等渠道综合反馈，形成产品策略？每个环节都在尝试用 Agent 来加速。 他讲了一个有趣的细节：最近有人想加入 Codex 团队，在面试时问了一个问题。 > “How much compute am I going to get to build products at OpenAI?” > （在 OpenAI 做产品，你们能给我多少算力？） Tibo 说自己愣了一下。过去这种问题只有训练大模型的研究员才会问。现在工程师也开始关注**“人均算力配额”**了。 这个变化说明了什么？Tibo 认为，如果你有好品味、好想法、懂得怎么做软件，现在的杠杆率是前所未有的。 放到整个 OpenAI 来看，VJ 补充说，产品直觉仍然是核心。他自己也在用 Codex 写代码，但发现很多时候瓶颈不在于代码本身，而在于想象“产品应该长什么样”。这部分依然需要人类来做——除非将来我们开始为 Agent 而非人类构建软件。 VJ 还讲了个小故事：他在飞机上用 Codex 写代码，空乘过来让关电脑，他把笔记本半合着放下去，不想中断 Agent 的运行。他说现在每个人都半开着笔记本到处走。 他觉得这其实让写软件变得更有意思了——反馈周期大幅缩短，看到产品成型、测试验证、再回到 Codex 迭代，成就感来得更快。 ## 【3】新的工程实践：并行探索、设计师写代码、夜间自动测试 Gergely 追问：有哪些新的、不同的、甚至“奇怪的”工程实践开始出现？ Tibo 提到了几个变化。 第一个是并行探索。 过去遇到复杂的技术选型，团队会写设计文档（design doc），开会讨论，排除备选方案。现在他们会同时让 Codex 实现多个方案，然后看哪个实际效果更好。决策从“讨论后择一”变成了**“实现后比较”**。 第二个更让人意外：角色边界模糊了。 > “Our designers are shipping more code than engineers were shipping six months ago.” > （我们的设计师现在产出的代码，比六个月前工程师的产出还多。） 这是因为模型的代码质量已经好到可以直接合并。 VJ 补充了一个小场景：Codex 团队做视频处理，经常需要用 ffmpeg（一个功能强大但命令参数极其复杂的视频处理工具）。没人记得住那些命令行参数，现在直接告诉 Codex“我要做什么”，它就生成正确的命令并执行。 VJ 还指出了一个更大的图景：瓶颈转移是连锁反应。你解决了编码问题，每个工程师的代码产出就翻了五倍。代码多了，代码审查就成了新瓶颈。审查解决了，集成和部署（CI/CD，持续集成/持续部署）又会成为瓶颈。团队需要不断去解决下一层问题。 Gergely 接着问了一个他觉得”像科幻”的实践：通宵运行。 Tibo 解释说，很多人对 AI 编程的印象还停留在“加强版自动补全，10 分钟搞定一个小功能”。但实际上模型的能力远超这个范围，给它一个大任务，它可以连续运行好几个小时。 Codex 团队搭建了完整的环境和技能配置，让 Codex 在夜间自主进行 QA（质量保证）测试循环，持续运行并标记回归问题。工程师第二天来看结果就行。 然后 Tibo 提到团队里一位负责训练模型的研究员的感受，让他自己都觉得“既兴奋又有点沮丧”： > “Every time I think I'm more capable than Codex, I figure out I'm wrong and I just didn't prompt it right.” > （每次我以为自己比 Codex 强，最后都发现是我错了，只是提示词没写对。） 这位研究员发现 Codex 已经能够独立训练一个模型，训练完成后还会写一份 PDF 报告，包含自己的发现和洞察。团队拿到报告后找出最有价值的方向，再把新任务输入 Codex 继续迭代。 > 【注】 这段描述了一个“AI 改进 AI”的循环：Codex 训练模型 → 输出报告 → 人类筛选方向 → Codex 继续迭代。这在 AI 研究中被称为“自我改进循环”（self-improvement loop）。 Gergely 还提到另一个实践：Codex 团队每周开数据分析会时，会当场启动 Codex 线程。Tibo 描述了具体流程：会议开始时，大家提出仪表盘上没有现成答案的问题。数据分析师马上启动 Codex 线程，让它在后台处理。20 分钟后答案就出来了，会议最后 10 分钟讨论结果。一场会议同时处理 5-6 个问题。 > “It's like having little consultants working for us in the background.” > （就像有一群小顾问在后台帮你干活。） 线上事故响应也是一样。Codex 帮忙诊断问题所在、找到最快的恢复路径，信息收集和问题定位的速度明显提升。 ## 【4】100 名应届生即将入职，“AI 原生”一代来了 行业里一直有个争论：AI 编程时代，初级工程师还有价值吗？Gergely 提到他和 OpenAI 的工程负责人聊过，得知 OpenAI 正在招收早期职业工程师，让两位受访者展开说说。 VJ 说，OpenAI 正在大量招聘应届毕业生，今年夏天的实习项目也在扩大，这一批大约有 100 人。他认为新一代软件工程师将是**“AI 原生”（AI native）** 的，从第一天起就把 AI 当作默认工具。给他们机会在这样的环境中成长，效果会很惊人。 Tibo 从组织角度补充了他的做法：Codex 团队是极度扁平化的，他一个人有 33 个直接下属。他解释说，当个体的生产力因 AI 大幅提升时，传统的层级管理结构很容易成为瓶颈。一个人卡住所有决策，在这个速度下显然行不通了。 新人入职的第一个工具就是 Codex 本身。用它问问题、浏览代码库、了解同事在做什么、接收日报。而负责入职培训的人，恰恰是最近才刚入职的人——因为他们对”怎么上手”的记忆最新鲜。 Tibo 提到了一个具体的人：一个叫 Ahmed 的应届生，6 个月前加入团队，表现非常出色。 > “My brain is probably already in decline... this person Ahmed's brain is just absolute peak.” > （我的大脑估计已经开始走下坡路了……Ahmed 的大脑正值巅峰。） 这句自嘲背后是一个观察：新人没有需要覆盖的旧习惯，精力和学习速度都是优势。 Gergely 扮演了一回“魔鬼代言人”：在场很多资深工程师都见证过新人从菜鸟成长为优秀工程师的过程，而这个过程中基础训练至关重要。如果新一代从一开始就用 AI 写代码，跳过了前辈们经历的那些基本功训练，他们的基础够吗？ Tibo 的回答是：基础依然极其重要。团队花大量精力设计整体代码架构，做代码审查，不是把一切都扔给 Codex 然后闭上眼睛。关键在于环境设计——如果你的代码库结构好、护栏（guard rails）设置得当，新人就能在这个框架下发挥出惊人的生产力。 ## 【5】25 年行业变迁：从 IntelliSense 到 AI，每一代都被质疑 Gergely 问 VJ，软件工程师的日常角色到底变成了什么样？ VJ 先说了一句总原则：基础永远不会过时。然后他拉开了时间线。他在这个行业干了 25 年，经历过很多范式转变。在微软时期，他参与开发了 Visual Studio 的编辑器和语言服务（Language Services）。 > 【注】 VJ 在微软工作近十年，参与了 Visual Studio 编辑器、Windows 应用框架、SQL Server 建模工具等核心项目的开发。他也是 Small Basic（一种简化版 BASIC 语言）的创造者。 他回忆第一次看到 IntelliSense（Visual Studio 的代码自动补全功能）时的感受：你打一个点号，选项就弹出来了，那感觉很酷。 Gergely 接了一句：我入行的时候，周围的开发者说“用 IntelliSense 的不是真正的开发者”。 VJ 笑着说，对，再往前还有人说不写汇编就不是真正的工程师，然后是 C++，然后是 JavaScript。每一层抽象提升时，都有人质疑。 他的结论是：这些都不重要。重要的是你有扎实的基础，有产品直觉，能够在技术栈上上下下地解决问题。这些能力不会过时。 ## 【6】一个 PM 用 Codex 把自己变成了 50 倍效率的项目经理 Gergely 问了产品经理和设计师的角色变化。 VJ 的核心观点是：只要我们还在为人类构建产品，就需要人类的设计师和产品经理。产品感觉（product sense）和设计感觉（design sense）没有替代品。但这些角色也在变得更高效——PM 在写代码，设计师在写代码，设计师把设计直接带入可运行的原型，在找工程师之前就先做了验证。PM 也在用 Codex 做幻灯片和 Excel 插件。 Tibo 补充了内部的知识分享机制：Slack 里的 Codex 频道和“hot tips”频道非常活跃，团队定期举办 hackathon 和 show and tell，尽量让好的 AI 使用方法快速扩散。 然后 Tibo 讲了一个具体案例。Codex 团队只有一个产品经理，叫 Alexander Embiricos。这一个人怎么管一个 33 人的工程团队？ 答案是 Codex 本身。Tibo 描述了他最近一次 bug bash（集中找 bug 的活动）的流程：一个小时内大家走查即将发布的功能并提交反馈，结束后 Alexander 让 Codex 汇总反馈、输出到 Notion 文档，再让 Codex 把问题拆分成 bug 报告和功能改进请求、录入 Linear（项目管理工具）、分配给对应的工程师，之后还用 Codex 跟进每个人的进展。 > “He's becoming like a 10x, like 50x program manager just by leveraging AI.” > （他通过 AI 把自己变成了 10 倍、50 倍效率的项目经理。） > 【注】 Alexander Embiricos 是 Codex 的产品负责人（Product Lead），此前曾创办过面向工程师的结对编程产品，在加入 OpenAI 之前在 AI 辅助开发领域有多年经验。 VJ 补充说，他参加过很多 Demo Day（内部演示日），注意到一个趋势：演示项目的深度持续增加。不再只是“看看这个能做什么”的表面展示，很多项目已经处理了各种边角情况，是真正可用的产品。 ## 【7】Token 成本：别问用了多少 token，问队友值多少钱 Gergely 先做了一个重要的前提说明：OpenAI 内部所有人都有无限 token，没有成本限制。观众席上很多人笑了——这确实是个大特权。外部世界成本仍然是个实际问题。对于受限环境下的团队，两位有什么建议？ VJ 说，成本是 OpenAI 持续在思考的问题。一方面是持续让模型更强更便宜。另一方面，他认为思维方式需要转变：想象你有一个 24 小时工作的队友，你可以给它分配 Linear 任务或 Jira 任务，完全期望它能独立完成。那么问题就变成了**“你愿意为这个队友付多少钱”**，而不是“用了多少 token”。如果按每个工程师配备四五个 AI 队友来衡量生产力，成本就更容易算清楚了。 Tibo 从另一个角度补充：要看 AI 替代了什么成本。比如过去需要 15 个工程师花时间筛查整个功能 backlog（待办列表），找出哪些可以轻松实现，现在这件事几乎免费。虽然不是每个公司都能提供无限推理资源，但过早限制推理用量是一个风险。他的建议是：至少给公司里最优秀的人提供充足的推理资源。 ## 【8】未来预测：6 个月内再快 10 倍，代码将被抽象化 最后一个问题：两年后，软件工程和工程管理会是什么样？ Tibo 先笑了一声说，两年太久了。他只敢预测 6 个月：速度将再提升一个数量级。另一个确定会实现的是多 Agent 协作网络，大量 Agent 可以协同完成非常大的目标。比如 Cursor 曾演示过的“从零重建一个浏览器”，24 小时后就能得到一个数百万行代码的产物。这种代码量已经超出人类能理解的范围了。 > 【注】 Tibo 提到的 Cursor 演示，指的是 AI 编程工具 Cursor 展示的大规模代码生成能力。 所以 Tibo 预测，接下来会出现围绕代码的“护栏”：你不需要再看代码本身，而是通过某种方式证明它是正确的（形式化验证），或者确保它被约束在安全范围内，只关注输入和输出。代码将被抽象化，真正重要的是系统的属性。 VJ 从历史角度做了补充：软件的抽象层级一直在提升，让我们能用更少的代码构建更大的产品。现在这个趋势的加速度本身在增加。但他也提了一个担忧：当系统足够复杂时，调试会变得极其困难。未来的工程师可能更像医生诊断病人——靠“症状”来定位问题，工具也会朝这个方向进化。 Tibo 最后加了一个近期预测：年内就会出现个人助理层。你不再需要监控一百两百个独立的小 Agent，而是有一个总控的个人助理，它代表所有后台 Agent 的工作，你只需要和这一个助理对话。 VJ 对整体变化速度做了一个判断：他在行业里 25 年，经历过互联网泡沫、Y2K、移动革命、社交网络革命。这一次完全不同。 > “I don't think I've ever seen anything like this. Some of these charts don't make sense.” > （我觉得我从来没有见过这样的事情。有些增长曲线根本说不通。） 规模更大，速度更快。 这场对话透露的核心信号有三个。 第一，AI 编码在 OpenAI 内部已经不是“辅助”，而是“协作”甚至“委托”。 第二，瓶颈在持续转移——每解决一层就暴露下一层，从代码生成到审查到部署到需求理解。 第三，“基础”的定义在悄然变化：会写代码正在变得不那么稀缺，而产品直觉、系统思维和在抽象层之间灵活移动的能力正在变得更稀缺。 悬而未决的问题是： 无限 Token 环境下催生的工作方式，能否在成本敏感的现实世界中复现？ 当代码被抽象到不需要人看时，安全性和可审计性怎么办？ AI 原生的新一代工程师，长远来看到底是更强还是基础更薄弱？ 这些问题没有人能给出确定答案，但这场对话至少让我们看到了变化正在发生的速度和方向。 完整访谈视频：https://www.youtube.com/watch?v=Bo6Gtq3nMXc See all posts Built by 宝玉. RSS . 本站原创内容，独家授权赛博禅心公众号发布。 Toggle theme