德国市场爆发与用户信任危机
OpenAI 内部观察发现，公司上下几乎全员在使用 Codex 应用，而德国已成为全球 Codex 使用量前五的市场之一。这一现象背后反映出一个有趣的问题：尽管模型能力极强，但用户往往因过度谨慎而未能充分发挥其潜力。Romain Huet 指出，人们目前对 AI 模型仍显“害羞”，未能以最大能力使用它们。这种保守态度导致许多潜在的高效工作流未被激活。
“那些模型非常好，以至于我们对此仍感到害羞。我们还没有以它们能力的最大极限来使用它们。”
这种信任缺口意味着，如果用户能建立足够的信心，AI 代理完全有能力在1 到 3 天内不间断工作，最终交付经过测试且更新完毕的成果。然而，当前用户更倾向于将 AI 视为辅助工具而非独立执行者，这限制了生产力的释放。OpenAI 正在努力通过改进产品体验，帮助用户跨越这一心理障碍，从“工具游客”转变为真正的“冠军联赛玩家”，即深度整合 AI 能力的工作者。
从结对编程到代理式编码的范式转移
Codex 的演变并非一蹴而就，而是经历了从内部工具到独立应用，再到工作层基础设施的三次跃迁。Romain Huet 回顾道，OpenAI 对“代理式编码”（Agentic Coding）的愿景可追溯至六年前，但早期模型能力不足，仅支持结对编程（Pair Programming）。在 2025 年流行的结对编程模式下，用户与 AI 共同编写函数或回答架构问题，但无法将复杂功能或代码库重构完全委托给 AI。
真正的转折点出现在 Codex 5.2 和 5.3 模型发布后。Romain 透露，OpenAI 最顶尖的工程师在去年年底仍手动编写代码，但在 5.2 和 5.3 版本推出后，他们意识到无需再手动编写任何代码。这一突破标志着模型能力足以处理长达数小时甚至数天的不间断任务。传统的 IDE 界面不再适用，因为当用户委托 AI 执行长时间任务时，基于终端的界面会导致多个代理标签页同时争夺用户注意力，造成混乱。因此，OpenAI 开发了 Codex App，旨在提供一个更高级的交互层。
Codex App：代理管理的“指挥中心”
为适应代理式编码的新世界，OpenAI 推出了 Codex App，其核心定位不再是代码编辑器，而是代理管理的“指挥中心”（Command Center）。Romain Huet 强调，当用户信任 AI 代理执行长时间任务时，需要一个界面来委派任务、授予权限、审查工作成果，从而让用户扮演“代理经理”的角色。这一设计解决了早期终端界面中多个代理同时请求关注的痛点，提供了更清晰的任务流和权限控制。
“我们需要构建更好的东西来适应这个新世界……这就是 Codex App 的由来。它让我们能够不仅委派任务给代理，还能给予它们正确的权限，审查它们的工作，并真正坐在代理经理的位置上。”
这种转变意味着 AI 不再仅仅是代码补全工具，而是能够独立执行复杂工作流的智能体。用户从“编写者”转变为“监督者”，通过设定目标、监控进度和最终验收来管理 AI 代理的工作。这种模式极大地扩展了 AI 的应用场景，使其能够处理从代码开发到日常办公任务的广泛需求。
超越编程：面向非技术用户的通用工作层
Codex App 的愿景是服务于所有计算机用户，而不仅仅是程序员。Romain Huet 指出，对于熟悉 ChatGPT 的用户而言，第一步已经掌握：与 AI 对话并获得个性化响应。如果用户曾连接日历或 Gmail，他们已体验过 AI 的个性化能力。Codex 的魔力在于，在适当的安全措施和审批下，它允许 AI 代理访问用户的计算机本地资源，从而自动化任何日常电脑任务。
“对于任何字面意义上的人来说，Codex App 都非常神奇，因为你不仅可以访问你在线的所有服务，还可以访问你的电脑。”
应用场景远超编程： * 销售/市场人员：自动生成针对新客户或客户的演示文稿。 * 金融从业者：日常操作和清洗 Excel 电子表格。 * 招聘人员：构建和管理候选人筛选管道（Triage）。
这些任务通常耗时且重复，但都发生在计算机上。Codex App 通过赋予 AI 代理操作本地软件的能力，将这些繁琐工作自动化。Romain 强调，任何在计算机上执行的日常任务，Codex App 都能代为执行。这种通用性使得 Codex 从一个开发者工具演变为一个通用的生产力平台，旨在消除计算机操作中的时间消耗，让用户专注于更高价值的工作。
从代码工具到通用生产力引擎
Codex 最初定位为编程辅助工具，但其实际影响力已远超工程领域，成为 OpenAI 内部员工日常工作的核心入口。Romain Huet 作为重度用户，描述了其使用习惯：早晨打开的第一个应用通常是 Codex，甚至用于准备播客演示文稿。这种深度集成体现在细节上，例如生成的演示文稿能自动适配 OpenAI 内部的 Blackboard 设计系统，支持日间和夜间模式切换。这表明 Codex 已具备处理复杂、多步骤任务的能力，能够整合数据源、可视化图表及交互动作，从而赋予用户更高的生产力。这种从单一编码场景向通用工作流扩展的趋势，反映了 AI 工具在提升整体工作效率方面的巨大潜力。
极速迭代与用户反馈闭环
Codex 团队的开发文化核心在于快速构建与基于用户反馈的快速迭代。团队每天在 X 平台上与开发者及各类构建者互动，这种高频互动不仅收集了反馈，更强化了“每个人都是构建者”的理念。对于工程师，构建意味着开发应用或产品；对于非技术人员，构建则指完成与本职工作相关的复杂任务，打破了以往必须依赖工程师的局限。这种迭代模式与 OpenAI 模型更新速度的加快紧密相关。过去开发新模型需要一年以上，而自 GPT-5 系列发布以来，模型更新频率已提升至平均每 5 周一次。这种快速变化的模型能力要求 Codex 应用必须迅速将这些新功能转化为实际的用户体验，同时通过持续的用户对话来验证和优化功能表现。
全员普及与内部文化渗透
Codex 在 OpenAI 内部的普及程度证明了其通用价值，几乎每位员工都在日复一日地使用该应用，其影响力迅速超越了工程团队。例如，首席财务官 Sarah Friar 也深度使用 Codex 处理财务分析和 Excel 任务，这种高层级的采纳信号促使团队思考如何让更多其他团队受益。公司内部形成了独特的“Codex 构建”文化，员工之间常互相建议“Just ask Codex”来解决复杂想法或任务。这种自然的好奇心与内部赋能相结合，使得不同团队的员工能够深度融合。尽管存在正式的赋能培训，但员工间的自发推荐和日常交流是推动工具普及的主要动力，营造出一种全员拥抱 AI 辅助工作的办公氛围。
从聊天机器人到智能体编排的范式转移
随着 AI 技术的发展，工作模式正从简单的“聊天-回答”循环转向更复杂的智能体编排（Agent Harness）。Romain Huet 指出，几年前部署 LLM 时的主要关注点是幻觉问题和 RAG（检索增强生成）以注入上下文。然而，随着推理能力的进步，模型现在能够调用工具，如搜索互联网或访问公司内部数据源。这种能力使得模型不再仅仅是被动的回答者，而是能够主动执行任务的智能体。对于企业而言，理解并准备应对这种从单纯聊天机器人到智能体编排的转变至关重要，因为这代表了未来几年工作协调和任务委托的复杂性与挑战性的显著提升。企业需要关注如何有效管理和协调这些智能体，以最大化 AI 带来的生产力增益。
智能模型与执行环境的解耦：Codex Harness 的核心价值
在 OpenAI 的工作文化中，单纯追求模型智能的提升只是基础，真正的差异在于模型所处的环境上下文。以 GPT-5.5 为例，其智能水平极高，甚至被开发者认为比大多数公司员工更聪明。然而，决定它能否成为优秀“员工”的关键，并非模型本身的参数规模，而是它对任务正确执行所需的上下文掌握程度。这包括访问内部文档、客户对话记录、代码库以及公司既定规范的能力。这种将模型层与执行环境层分离的理念，构成了 Codex Harness 的核心架构。
“GPT 5.5 已经比我聪明，甚至比大多数人都聪明。但区别在于它拥有多少关于如何正确完成工作的上下文。”
Codex Harness 不仅仅是模型，它是模型赖以生存的工具集合与环境接口。它允许模型读取文件、写入文件、连接网络进行搜索或访问数据集。这种架构使得模型能够展现出真正的代理能力（Agentic Capability），而不仅仅是生成代码或文档。例如，在编写代码时，模型不仅能生成代码，还能在浏览器中打开并截图验证，检查其是否符合设计规范。如果发现问题，它会自我修正，重新编辑代码并再次检查。这种“思考-执行-验证-修正”的闭环，完全依赖于 Harness 提供的工具链支持，而非模型内部的静态知识。
开源策略与训练反馈闭环
OpenAI 在 Codex 项目上采取了独特的全栈开源策略，这在大型科技公司中极为罕见。除了 Codex CLI（终端界面）和 Codex App Server（连接 Harness 与 API 的后端服务）外，Codex Harness 本身也是开源的。这意味着开发者可以直观地看到模型拥有哪些工具、这些工具如何连接以及后台的协调逻辑。这种透明度不仅增强了信任，还允许社区深入探究其工作原理。
“我们开源了所有这一切……我认为这非常独特，而且坦白说，我们谈论得还不够。”
这种开源的 Harness 不仅用于外部开发，还反向融入了模型的训练过程。通过强化学习（Reinforcement Learning）技术，模型在执行任务时会根据 Harness 提供的反馈获得奖励。当模型能够利用开源的 Harness 成功完成任务时，这种正向反馈进一步提升了模型的性能。此外，OpenAI 还部分公开了模型指令（Model Instructions），让外界得以窥见后台复杂的提示词编排逻辑。虽然并非所有细节都公开，但这种“训练-部署-反馈”的闭环机制，使得模型能够随着 Harness 的完善而持续进化，形成了智能与工具生态共同增长的正向循环。
提示词工程的消亡与交互范式的转变
随着模型智能的提升和 Harness 的成熟，传统的提示词工程（Prompt Engineering）正在迅速过时。一年前，用户需要精心设计提示词，例如设定“你是资深高级工程师”等角色，以激发模型的最佳表现。如今，这种复杂的技巧已不再必要。开发者只需像与人对话一样，自然地向 Codex 描述需求，无需担心提示词是否完美。模型的高智能使其能够理解模糊意图，并自动通过 Harness 调用所需工具来完成任务。
“你甚至不需要把提示词写得完美无缺，因为模型非常聪明。我们不需要在提示词上花费那么多心思。”
这种转变使得交互变得更加直觉化和语音化。Romain Huet 提到，他几乎不再打字，而是直接对着 Codex 口述想法。这种“头脑风暴式”的对话允许用户在思考过程中随时改变主意，而 Codex 能够实时适应并协助理清思路。虽然在日常工作中提示词变得简单，但在特定场景如代码审查（Code Review）中，OpenAI 仍会使用特定的系统提示词，赋予模型“寻找漏洞”和“优先级排序”的人格，以优化特定任务的表现。这种通用自然交互与专用提示词引导相结合的模式，代表了当前 AI 辅助开发的最佳实践。
智能与上下文的权重分配
在评估 Codex 的能力构成时，Romain Huet 指出，不能简单地将能力归结为模型智能与提示词技巧的百分比分配。他认为，模型智能与上下文访问能力是相辅相成的。对于一个复杂的编码任务，如构建新功能或修改现有应用行为，模型的高智能是基础，但真正决定成败的是模型能否访问整个代码库并理解其上下文。
“我认为这真的是关于上下文……能够访问这些工具的能力。”
在 Codex 的工作流中，用户提出需求后，模型会首先扫描整个代码库，将相关信息片段化并整合到上下文中。这种对全局代码结构的理解，使得模型能够做出更准确的修改建议。因此，Codex 的强大并非单纯来自模型参数的堆砌，而是来自高智能模型 + 丰富上下文 + 强大工具链（Harness）的三位一体。这种架构确保了模型在处理复杂、多步骤任务时，能够保持逻辑的一致性和执行的准确性，从而实现了从“聊天机器人”到“智能同事”的跨越。
AI代理的核心优势在于上下文连接而非单纯智商
OpenAI内部正在重新定义AI代理的工作模式，其核心逻辑不再仅仅依赖模型本身的“智商”，而是连接上下文的能力。当用户要求构建新功能时，代理能够读取现有文件并理解整个系统的设计系统，从而复用组件。这种对全局的理解能力，使得代理在处理知识型任务时表现卓越。例如，作为“首席幕僚”，代理可以在每天早上7点生成报告，筛选出需要优先回复的邮件，并根据用户过往的写作风格起草回复。
"And based on all of that, you know, the model will come up with something quite magical. And of course, it's part intelligence because the model is smart. But it really comes down to this connect to this context, right?"
这种能力的提升，关键在于代理能够连接到所有工具，了解对特定用户（如Kristoff）真正重要的信息，而不仅仅是依靠原始的计算能力。这种从孤立智能到上下文感知的转变，是OpenAI观察到的重要趋势，也促使他们重新思考内部数据的组织方式。
借鉴Google与OpenAI的单仓库架构实践
在思考如何组织内部数据时，OpenAI工程师Romain Huet发现，Google实际上将所有代码维护在一个巨大的仓库中，包含约20亿行代码。他随后了解到OpenAI也采用类似的单一主要仓库（Monorepo）策略。这种架构在AI代理时代显得尤为重要，因为它为代理提供了完整的代码库视图。
Romain在Blackboard公司也实施了类似策略，建立了名为“Blackboard操作系统”的巨大仓库，运行内部应用和外部网站。他将这种架构分为四层： 1. 逻辑层：包含所有逻辑代码的单仓库。 2. 工作条件层：数据库、客户端等不在仓库中的基础设施。 3. 代理/人类层：在数据上工作的智能体或人类。 4. 工件层：最终产物如PPT、网站、代码等，可被重新收集和学习。
"Monorepo has this like nice property where like all the engineers can work collectively on one codebase even though they might actually touch like only a fraction of it."
这种架构解决了多仓库协作中的痛点，特别是在大型公司中，新功能往往需要跨多个服务更新API。单仓库使得所有工程师可以共同在一个代码库上工作，即使他们只接触其中一小部分，从而简化了跨数十个仓库的编排难度。
公共沟通规范与AI代理的自动化工作流
为了最大化AI代理的效率，OpenAI强调沟通渠道的公共化。公司大量依赖Slack，但鼓励团队成员尽量避免使用私有频道，除非涉及敏感话题。任何新项目想法或原型构建都应在公共频道中进行，这样AI代理（如Codex）就可以访问这些上下文，回答“这个项目最新进展是什么”或“已做出哪些决策”等问题。
在实际操作中，AI代理可以执行复杂的自动化任务。例如，Romain曾通过一个提示词让Codex完成一项内部赋能任务： - 通知HR和培训同事：以Romain的风格发送邮件。 - 制作演示文稿：生成HTML格式的PPT并上传至内部网站。 - 协调日程：在日历中查找日期并安排会议。 - 身份标识：在最终笔记中注明由“Christoph the agent”完成，以区分人类与代理的工作。
"I just noticed that like his agent or Jason prompted his agent to give me an update about it."
这种实践不仅提高了效率，还建立了清晰的人机协作边界。当Romain收到同事Jason通过其代理发送的周末工作更新时，他注意到Slack签名中已包含代理标识。这表明，区分人类与代理的输出已成为内部工作流的一部分，确保了透明度和责任归属。
从效率工具到上下文构建：重新定义AI在工作流中的角色
在OpenAI的工作文化中，Codex不仅仅是一个提升效率的工具，更是一个上下文收集与构建的核心媒介。Romain Huet指出，许多人在引入AI时往往陷入一种数学化的思维误区，即假设“一个任务对应一个全职员工（FTE）”的线性关系。然而，现实中的工作场景远比这复杂和混乱。真正的价值在于利用AI构建对当前工作状态的深度理解，并将最新的信息动态地保持在思维的前沿。这种上下文感知能力使得Codex在处理复杂任务时展现出独特的魔力，它帮助开发者在混乱的信息流中梳理出清晰的逻辑脉络，从而完成高质量的工作。
"It's more for the context gathering... if I want to do my very best work, I got to build a very complex understanding of what's happening and keep the latest in my mind."
这种转变意味着，企业不应再问“使用AI后可以裁掉谁”，而应问“如何真正利用AI来杠杆化我们的工作”。随着Agent Harnesses（智能体框架）在过去一个月内的爆发式增长，我们终于拥有了实现这一愿景的工具。但这仅仅是第一步，随之而来的挑战是如何在赋予AI广泛权限的同时，建立起坚实的信任与安全机制。毕竟，用户购买的不仅是功能，更是对公司的信任。
安全架构基石：沙盒机制与跨平台一致性
为了构建用户信任，OpenAI在Codex产品中实施了严格的安全策略，其中沙盒机制（Sandboxing）是核心支柱。默认情况下，当用户启用自动审查模式时，模型会在一个受限的沙盒环境中执行命令，而非直接访问用户的整个操作系统或文件系统。这种设计确保了AI只能在有限的范围内操作，只有在确有必要时，才会向用户请求额外的权限。这种“默认最小权限”原则极大地降低了误操作风险，让用户始终掌握控制权。
在跨平台支持方面，OpenAI在Windows版本上的延迟发布并非技术瓶颈，而是出于对安全原语的严谨考量。尽管Mac OS基于Linux，拥有丰富且成熟的安全沙盒原语，但Windows操作系统缺乏同等核心的底层支持。因此，团队花费了额外数周时间，专门重构了Windows端的沙盒架构，以确保其具备与Mac端相同的安全属性。
| 平台 | 沙盒实现难度 | 核心原因 | 发布策略 |
|---|---|---|---|
| Mac OS | 较低 | 基于Linux，拥有成熟的沙盒原语 | 优先发布，代码复用 |
| Windows | 极高 | 缺乏核心安全原语，架构复杂 | 延迟发布，确保安全性 |
这种对安全的极致追求，旨在避免“用户安装应用后硬盘数据被清空”的灾难性体验。通过内置的安全护栏，OpenAI试图在赋予AI强大能力的同时，消除用户对数据丢失的恐惧，从而建立长期的产品信任。
Computer Use：突破API限制的自动化新范式
随着Computer Use功能的即将在欧洲推出，AI的应用边界进一步扩展。这一功能的核心价值在于解决那些没有现成API或插件的任务场景。在许多日常工作中，存在大量繁琐的复制粘贴操作，涉及多个不同的应用程序。Computer Use允许AI代理直接控制用户的桌面应用，如iOS模拟器，从而执行诸如跨屏幕尺寸测试、截图验证等QA任务。
"What if you would like your agent to complete a task for you and there's no like application for it and there's no API for it... hundreds of copy and paste around different applications."
在这种模式下，AI不再局限于代码生成或数据查询，而是能够像人类一样与图形界面交互。用户只需授权，AI即可在受控环境中自主完成复杂的测试流程。这种人机协作的新范式，使得AI能够处理那些因缺乏标准化接口而被传统自动化工具忽略的“脏活累活”。通过在每个步骤中提供明确的权限确认，用户可以在享受自动化便利的同时，保持对AI行为的完全掌控。这种细粒度的权限管理是Computer Use得以大规模落地的关键，它平衡了效率提升与安全风险，为未来的智能体工作流奠定了坚实基础。
Codex 用户增长与全球市场表现
OpenAI 内部数据显示，自今年年初以来，Codex 的用户规模实现了八倍增长，展现出强劲的市场扩张势头。德国市场表现尤为突出，已成为全球 Codex 增长最快的前五大市场之一，其用户活跃度（momentum）实现了 10 倍的增长。这种爆发式增长不仅体现在用户数量的增加，更体现在用户粘性的提升上。以德国知名电商平台 Auto Scout 24 为例，该公司在近期将 Codex 部署至公司多个部门，目前已有 超过 1000 名员工 在使用，并取得了显著的成果。
"I'm currently pushing the company a lot into heavy users and see that more and more of the people using it a lot use codex."
这种增长趋势在 OpenAI 内部被视为一种强烈的直觉信号，表明重型用户（heavy users）正在大规模迁移至 Codex。与此同时，全球顶级工程师和开源开发者也迅速加入，包括 OpenClaw 的 Peter Steinberger、Ashi Corp 的 Michel Hashimoto 以及 Ghosty 等知名人物，他们利用 Codex 或 GPT-5.5 处理极其复杂的工程任务。这种来自顶尖技术社区的认可，进一步加速了产品的普及。
模型采用速度与用户基数对比
在模型采用速度方面，GPT-5.5 创造了 OpenAI 历史上最快采用速度的记录。数据显示，在发布的第一周内，GPT-5.5 的使用量是过往任何模型发布首周使用量的 3 倍。这一数据直观地反映了新模型在性能和应用场景上的巨大吸引力。结合 Codex 应用端的用户数据，我们可以看到一个清晰的增长曲线：Codex 仅用两周时间，用户数就从 300 万跃升至 400 万，目前周活跃用户数已稳定在 400 万 以上。
| 指标/模型 | 数据表现 | 对比基准/备注 |
|---|---|---|
| Codex 年初至今增长 | 8 倍 | 自今年年初起 |
| 德国市场 Codex 活跃度 | 10 倍增长 | 全球前五大市场之一 |
| GPT-5.5 首周使用量 | 过往模型首周的 3 倍 | 最快采用速度的模型 |
| Codex 用户增长周期 | 2 周增加 100 万用户 | 从 300 万增至 400 万 |
| Codex 周活跃用户 | 400 万+ | 当前状态 |
这种双引擎驱动（Codex 应用 + GPT-5.5 模型）不仅带来了用户数量的激增，更带来了实质性的价值交付。工程师们不再仅仅将 AI 视为辅助工具，而是开始完全依赖 Codex 来委托复杂的完整任务。这种从"辅助"到"委托"的转变，标志着工作流的重构。
非编码场景适配与界面重构
随着用户群体的扩大，Codex 的应用场景已从单纯的代码编写扩展到文档、电子表格和演示文稿等非编码任务。为了适应这一变化，OpenAI 对 Codex 的入门引导（onboarding）进行了彻底重构。针对不熟悉 Git diff 或 Pull Request 等术语的非技术人员，产品引入了"纯芯片"般的简洁界面，允许用户通过切换开关隐藏代码视图，专注于内容创作。
"We've completely reimagined and the onboarding so that you have a very elegant interface toggle and say don't show me the code."
Codex 的核心优势在于其"形态可变性"（morphing）。应用界面会根据用户当前的任务目标自动调整。例如，当用户需要为播客生成新图片时，界面侧重于视觉设计；当用户确认设计后，系统会自动将其转化为编码任务以实施该设计；当用户需要分析播客观众统计数据时，界面则瞬间切换为图表生成模式。这种"万能应用"（universal app）的设计理念，旨在让 Codex 成为每个人电脑上的通用工作伙伴，而不仅仅是开发者的工具。
产品战略：ChatGPT 与 Codex 的协同路径
OpenAI 目前拥有两条核心产品线：一是拥有 9 亿活跃用户 的 ChatGPT，它已成为大众心中 AI 助手的代名词，主要连接在线服务；二是拥有 400 万周活跃用户 的 Codex，侧重于任务委托和代理（Agent）控制。尽管 ChatGPT 中已支持团队共享的 Agent，但 Codex 目前主要仍是单人模式，用户虽可创建子代理，但团队共享机制尚不完善。
"Codex is like my teammate doing my work. I can like control all of these agents in one place."
OpenAI 的战略意图是逐步将 Codex 的强大能力渗透至 ChatGPT 庞大的用户基础中。目前，这一过程已在幕后通过若干步骤悄然启动。公司计划通过更清晰的路径，让 ChatGPT 用户也能受益于 Codex 的任务委托能力。这种策略类似于博世（Bosch）的产品线划分：既有适合家庭使用的轻量级绿色产品，也有适合专业携带的蓝色高性能产品。OpenAI 希望最终实现"一个界面，两种体验"的融合，既保留 ChatGPT 的易用性和品牌认知，又赋予其 Codex 级别的深度工作能力。
安全红队与防御能力的演进
OpenAI 内部构建了专门用于安全测试的产品体系，其中包含名为 "GP 5.5 cyber" 的工具，允许受信任的参与者对自家产品进行红队测试（Red Teaming）。这种机制并非因为模型底层能力有巨大差异，而是基于信任机制放宽了部分安全限制，允许用户尝试绕过防护以发现漏洞。例如，用户可以利用该工具模拟攻击自己的金融系统，从而在受控环境中验证安全性。此外，OpenAI 近期推出的 "Daybreak" 项目作为安全产品系列的总称，整合了这些工具。Romain Huet 指出，随着模型智能程度的提升，其思维链（Chain of Thought）和推理能力显著增强，这使得通过提示词注入（Prompt Injection）诱导模型产生错误结果的难度大幅增加。当企业充分利用这些安全特性时，能够更有效地保护产品、功能、用户数据及数据库，构建起极具鲁棒性的安全防线。
"It's not so much that the capabilities are vastly different... It's more about like the refusals and what can it let you go to bypass some safeguards because we trusted you as a safe actor."
/go 命令：目标导向的自主代理
在讨论未来一年代理（Agents）发展的盲点时，Romain Huet 特别提到了 Codex 中引入的 /go 命令，认为这是实现 AGI 愿景的关键一步。该命令的核心逻辑是赋予模型一个明确的终极目标（Goal），而非具体的执行步骤。例如，面对一个拥有 1000 万行代码、五年未维护且存在潜在安全漏洞的大型遗留系统，用户只需设定目标，GPT 5.5 便会 relentless（不知疲倦地）追求该目标，期间不受中断，可能持续运行数天，最终返回已完成且经过测试的结果。这一功能最初通过 CLI 的 /experimental 开关启用，现已整合进 UI，允许用户直接在 Codex 应用中设定目标。这种设计将人类设定目标的心理机制与智能体的执行能力结合，模型会自行判断目标是否达成，若未达标则调用工具重试，直到工作完全正确为止。
"The idea is to give codeex with this command goal a goal... GPT 5.5 would relentlessly pursue that goal until it's complete and would not be like interrupted along the way."
自动化积压任务与心理信任突破
/go 命令的实际应用场景极具颠覆性，特别是处理长期积压的 Bug 列表。假设企业有 50 个标记为 "UI polish" 的 Bug 因优先级低而被搁置，用户可通过连接 Jira 等工具，在睡前发送指令让 Codex 处理这些任务。模型会收集上下文，多次遍历代码库，检查自身工作并调用工具，最终交付一个几乎无 Bug 的应用。Romain Huet 以苹果提醒事项应用为例，测试了让 Codex 处理 5 个待办事项，结果令人惊讶地成功制定了计划并执行。这一体验揭示了当前用户与 AI 互动中的一个普遍心理障碍：我们仍然对模型过于害羞（too shy），不敢充分利用其能力。通过设定雄心勃勃的目标并看到 Codex 和 GPT 5.5 出色完成复杂任务，用户可以建立更深的信任，从而将日常琐事、会议准备、客户对话研究等繁琐工作（toil）完全委托给模型，实现工作流的重构。
"We're still not using them to the maximum of their abilities... I can actually delegate now most of the toil in my day-to-day preparing for meetings, catching me up."
释放创造力：从执行者到问题解决者的角色转变
随着 AI 辅助编程工具的普及，开发者的工作重心正在发生深刻变化。Romain Huet 指出，这种技术变革不仅仅是效率的提升，更是工作性质的重塑。通过构建对 AI 工具的信任，开发者能够从繁琐的代码实现中解脱出来，从而将更多精力投入到创造性思维和客户痛点分析中。这种转变使得开发者能够思考“还能解决什么其他问题”，从而在业务层面创造更大价值。
"It frees up time for like okay, I want to be more creative. I want to think about like more problems my customer have. Well, like what else could I solve for them?"
这种信任建立的过程是核心驱动力。当开发者不再被底层代码细节束缚，他们便能更专注于侧边创新（side projects）和更广泛的业务场景探索。Romain 认为这种时间释放带来的创造性空间是非常具有吸引力的，它标志着开发者从单纯的代码编写者向问题解决者的角色进化。
快速迭代下的未来展望与跨国交流
鉴于技术变革的速度极快，Romain 建议未来的对话不应等待一年，而应缩短周期以跟上变化节奏。他认为在短短几个月内，行业状况就会变得非常令人兴奋，因此需要更频繁地对比进展。
在交流的最后，双方表达了继续对话的意愿。Romain 提到自己欠德国之行，并幽默地表示自己在学校练习的德语已经大部分丢失，但这并不妨碍未来的跨国交流。Kristoff 则感谢 Romain 分享见解并抽出时间接受采访，认为这是一次令人惊叹的对话。
"I would say that would be very interesting. Yeah, I'm sure it might have to be like sooner than a year at the pace of everything changing this fast, you know, like uh I'm sure things are going to get very exciting in a few months."
这种高频互动的提议反映了 AI 领域发展的紧迫性。双方约定在合适的时机再次会面，以比较当时的进展，这种持续的关注和对比对于理解技术演进至关重要。
演示环节过渡：从理论到实践
访谈结束后，节目组宣布将切换至 YouTube 平台，进行现场演示环节。这一部分旨在展示 Ram 本人如何实际使用 Codex 工具，将之前讨论的理论转化为具体操作案例。
"And for everyone now who's still excited and listening, we are now switching to a demo on YouTube and showing how Ram himself is using Codex."
这一过渡强调了实证观察的重要性。通过展示真实用户（Ram）的工作流，观众可以更直观地理解 Codex 在日常开发中的实际应用效果。这种从高层文化探讨到具体工具使用的转换，为观众提供了完整的认知闭环，既理解了背后的理念，也看到了落地的场景。