大家好，这里是最佳拍档，我是大飞。2025年夏天，在GPT-5发布的前一夜，旧金山Mission Bay OpenAI的办公楼里一片躁动。就在那一晚，Every公司的创始人丹·希珀（Dan Shipper）坐在会议室里，心里冒出一个不太合时宜的念头：OpenAI也许要丢掉自己在AI编程领域的天命了。Every这家公司的业务，是用真实业务测试前沿模型，讲清楚它们能做什么、不能做什么。OpenAI提前大约一个月把GPT-5的访问权限给了他们，好让他们摸清模型的短板。
发布当天再同步推出深度评测。十个人的团队为此在纽约州北部闭关了一周，轮流测试那个期待已久的模型。他们最想测试写代码，因为这是AI进化最快的战场。结果有点尴尬：日常用着挺喜欢，可一放进Codex里，反响平平。那时候的Codex还没有今天的地位，它几个月前刚上线云端第一版。没找到PMF（产品市场契合点），团队正处在转型阵痛里，想把Agent搬到开发者自己的电脑上。
而在对面，竞品Anthropic的Claude Code正在一群把整项任务甩出去、然后起身走人的用户中间，迅速引爆。基兰·克拉森（Kieran Klaassen）带着一组人，把整项任务直接交给Opus 4然后走开。直到一个完整的功能、甚至一个完整的应用被交付回来。他们的专栏作者凯蒂·帕罗特（Katie Parrott）几乎没靠工程师帮忙，几天就搭好并部署了一套自己的AI内容管理系统。
用Shipper的话说，用Claude Code你只要让它放开手脚去狂飙就行了。而GPT-5感觉有些胆小，像被沙盒死死束缚住，害怕施展自己真正的力量。正是因为反馈了这些发现，Shipper坐进了OpenAI的会议室。对面是公关团队的林赛·麦卡勒姆（Lindsay McCallum），身旁是Codex团队的亚历山大·恩比里科斯（Alexander Embiricos）。
恩比里科斯一边交谈一边敲代码，赶着做完GPT-5发布版的一项新功能：让Agent在访问沙盒外文件或运行命令前，主动停下来请求人类授权。Shipper说了句后来被反复引用的话：“我们现在基本上都不怎么看代码了。”当着一个专造自主编程Agent的人谈任务委派，他自己也有点脸红。离开的那个夜里他还在怀疑：OpenAI是不是正在为一个即将消亡的工作流，打造一款完美的工具呢？
要理解这场绝地反击，我们得先回到一个闪现在屏幕上的词：Thinking。第一代大语言模型本质上是一个外置型的处理器，它们没有内部推理状态。思考的方式就是直接向你输出内容，既没法提前规划，也没机会事后修改。早期的聊天模型就像一个即兴的话剧演员，抓着观众丢来的一个提示词，就得现场把整场戏演完。
产出偶尔惊艳，偶尔也闹笑话。比如坚称strawberry里只有两个r，还挨个拼出来证明最后沾沾自喜地自我肯定。后来用户发现，如果要求模型在回答前一步一步写出推理过程，答案往往会好很多。这个小学数学老师都会教的办法叫思维链提示（Chain of Thought）。OpenAI索性把它训练进了模型本体，于是有了第二代的推理模型和屏幕上那个闪烁的Thinking。
作答之前，模型会在一张叫思考轨迹（scratchpad）的草稿纸上反复推演。碰壁就退回重走，直到确信答案才输出。第一款这样的模型叫o1，2024年9月放出预览版。此前AI的进步主要靠堆算力，o1让OpenAI发现：同一个模型只要在难题上给它更充足的思考时间，表现就能明显变好。
这场跃迁里编程获益最多，因为它天生自带闭环：模型可以改代码、运行它、几秒钟内知道改动有没有生效。能自己测试、自己修Bug，不需要人在旁边复核。理论上，只要思考时间足够长，推理模型就能独立完成任何编程任务。在OpenAI内部，“打造一位‘AI程序员’”的执念由来已久，Codex因此有过很多个起点。
最早的一个就是它的名字：2021年发布的第一代Codex是基于GPT-3在公开代码上微调的模型，也是初代GitHub Copilot的底层引擎。三年后，当o1的预览版让人看到推理模型的潜力，管理层一声号召，内部好几支团队又从不同方向追起了这个梦。其中一个起点是恩比里科斯在2024年底开启的。
他形容自己第一次真正感受到AGI（通用人工智能），是看到有人把推理模型接进终端，亲眼看着它自己读文件、运行命令、自行解决报错。他是在2024年早些时候加入OpenAI的，公司收购了他联合创立的程序员多人屏幕共享协作工具Multi。他先想在ChatGPT桌面应用和AI浏览器Atlas上实现人机无缝协作，但当时的模型读屏幕又慢又笨，根本落不了地。
可是在终端里，模型不需要看屏幕，直接穿梭在纯文本和代码的世界里。这让他相信：这足以撑起一款真正的编程产品。在他看来，产品要成立，用户必须每隔30秒、最多1分钟就能看到模型在做什么。速度依然是拦路虎：当时大多数AI编程产品都围着VS Code搭建，靠的是极短的反馈回路。
不敢让模型长时间独立作业，因为底层的模型扛不住；而OpenAI早期的推理模型恰恰相反：慢条斯理，你越催它越拉垮。于是恩比里科斯反过来想：能不能把这个缺陷（也就是得出答案所需的延迟）变成一种优势呢？与此同时，在OpenAI的另一角，蒂博·索蒂奥（Thibault Sottiaux）大家习惯叫他Tibo，正把推理模型的力量掉转头来对准自己。
用模型帮研究员加速开发下一代的模型。他在2024年12月左右介入编程Agent，目标是帮团队更快地写基础设施代码、更快地做科研实验。Tibo的职业生涯大部分时间都在给AI研究员搭基础设施，先在DeepMind，后加入OpenAI。所谓科研基础设施是研究员运行、评估、复现和部署实验时依赖的公共代码库。
听起来跟领军Codex有点不搭，但是在AI领域尤其是科研基建恰恰是许多重大突破诞生的主战场。因为把一次实验的时间缩短，就能跑更多实验，也就能更早训练出更强的新模型。Shipper问他：是在哪个节点决定独立拆分出模型线的？他原本脑补的是Brockman或Altman在闭门会上高瞻远瞩的拍板。
而Tibo却回答得特别平淡：根本没有拆分模型线这么个决策节点。最初这纯粹是一次科研探索，目的是优化自己的研发的迭代速度。他的小组没有去为大众用户训练模型，而是在OpenAI内部的单一代码仓库上，训练了一个内部专用的编程Agent。让它们写研究员要用的Python基础设施代码：因为研究员每天都在用，所以带来了极短的高频反馈回路。
编程能力突飞猛进。他们用的训练方式跟当时大团队为公众训练模型的方式很不一样，很长一段时间里甚至很难兼容。结果很清楚：模型反哺了催生自己的科研过程。工程师管这叫自举（Bootstrapping）：先做出一个擅长帮研究员跑实验的模型，研究员借它做出更强的模型；更强的模型跑到更优质的实验，再带来更聪明的模型。循环往复。
这场努力给了Codex一半的灵魂：一套能自我迭代、改进底层科研基建的Agent。要变成全公司能用、并最终走出OpenAI围墙的产品，它还需要另一半的灵魂：也就是恩比里科斯关于人类究竟该怎么和这类Agent协同工作的产品构想。大规模探索之后，必然迎来合流：2024年底到2025年初，编程被确立为OpenAI的顶层战略目标。
包括Tibo和恩比里科斯在内的多支团队，正从不同切角攻克同一个命题。Greg Brockman说当时悬而未决的核心是找到正确的产品形态：Agent到底该待在开发者执行命令的CLI里，还是在写代码的IDE里？还是住在云端拥有自己独立的虚拟机？当时没人知道哪条是死胡同。Sam Altman 2025年接受本·汤普森（Ben Thompson）采访时说：某种程度上OpenAI就像在内部同时下注了一连串的初创团队。
在一些内部人士看来，这显得混乱又浪费；但是在技术前沿飞速漂移的时代，这种做法几乎是必须的。底层模型的持续突破会不断让全新的应用形态变成可能，同时无情的颠覆上一代的应用：一个只能补全单行代码的模型最适合做代码补全工具；一个能想30秒的模型适合做侧边栏问答助手。
而一个能连续自主工作1小时的模型则在呼唤一种截然不同的新形态：围着上一代模型做出成功的产品，不代表你就能看清下一代的方向。2025年初合并的契机出现了：Tibo说他们最终决定跟另一个叫“科学助理”的项目合并力量，正是这次合流让他和恩比里科斯走到一起。Brockman回忆：内部几个编程团队先合并了其中两个，随后又合并了另外两个。
合并后的新团队是一支跨学科小分队：有恩比里科斯这样技术敏锐的产品人，有Tibo这样的工程基建大牛。还有阿米莉亚·格莱斯（Amelia Glaese）这样的顶尖研究员，也有人叫她米娅。阿米莉亚从DeepMind跳槽过来，之前在Gemini和模型对齐上做过研究；在OpenAI她负责模型训练和对齐所需的数据体系。
她自称是冷峻的经验主义者，采访里毫不避讳量化倾向：说在科研里单凭直觉起不了什么大作用。可一聊到训练模型，又会笑着承认这有多像一场未知的冒险：每次训练新模型都像踏上一场奇幻大冒险，大家心里都在想：“老天，这回到底该怎么搞定它？”就在他们合流的同时Anthropic那边一条更有希望的路径率先爆发了。
2025年2月24日Anthropic发布Claude 3.7 Sonnet，同步推出了Claude Code的研究预览版。跟Cursor不同，Claude Code没有内置编辑器直接跑在终端里可以操作你电脑本地的文件。你只要告诉它想要什么，它就会自己去读代码、做修改、运行验证。因为它运行在你自己的电脑上产出直接落在你原有的文件目录里，用你现成的工具链继承你此前的全部上下文。
你可以随时打断它也可以把上次的经验带到下一次，让整套系统随着时间推移产生复利。这些恰恰是依托瞬态云虚拟机的初代Codex做不到的：开发者倒戈的速度很快。在Every内部，埃德马尔·费雷拉（Edmar Ferreira）在2025年3月的评测里写道：Claude Code比他在Agent领域用过的任何东西都要出色。
可是在2025年春天，刚合流不久的Codex团队把筹码押在了另一个愿景上：Codex Cloud。他们设想一个跑在云端、拥有独立沙盒虚拟机的Agent，主打异步离线协作：让你在电脑甚至手机上随手下发任务。只给了自己大约七周的时间研发和发布，它想让用户在ChatGPT侧边栏点开它输入需求点Code任务进入后台排队。
然后Codex就能把代码库拉进隔离的云端容器改文件、跑测试，最后返回摘要和改动对比以及一个能直接提交PR的按钮。2025年5月16日Codex Cloud正式上线：Tibo说它在OpenAI内部极其成功，可是在公司外部上线后虽然吸引了眼球却几乎没有持久的留存。为了跑通它外部开发者得在云端完完整整重建自己本地的环境、凭证和配置。
这个过程往往长达几个小时：一旦配好，面对定义极其明确的任务它确实能够交付；但是你没办法中途打断和纠正方向。甚至每追加一条追问，后台都会重新拉起一台全新的云虚拟机。Shipper在当天的评测里写得很直白：“如果你要在既有的大型代码库上添加功能或者修复明确的Bug，你会很乐意用它；但是如果你是想凭直觉敲代码、从零搓出一个单人运营的十亿美元SaaS公司，还是另请高明吧。”
问题出在OpenAI内部有高度统一的标准化环境可以让配置完全自动化，团队自己得天独厚的研发环境却蒙蔽了双眼让他们低估了外部普通用户要付出的巨大代价。恩比里科斯坦言当时做这个太超前了：模型本身还没那么聪明；阿米莉亚则说他们抱着一种过度超前的未来眼光，没做到去用户所在的地方找用户。
而用户真实待的地方就是他们的笔记本电脑：其实他们内部早就做过一个终端原型，试了一个月就放弃了转而全力押注云端版。Tibo解释当时优先考虑的是：如果愿意在环境配置上投入巨大心力，哪种形态收益上限最高。这话背后是OpenAI对Agent理想形态的执念：工作在云端、不会因为合上电脑就停止。
Brockman说过，放眼未来正确的产品形态应该是一个在云端拥有自己独立笔记本电脑的AI。所以他们真的把它造了出来，但是现实很残酷：云端产品没能找到PMF（产品市场契合点）。团队工程经理跳槽去了估值90亿美元的Cursor，OpenAI打算以30亿美元收购Windsurf的交易也告吹了。恩比里科斯说最艰难的时候是他们觉得自己不知道该做什么，或者明明知道该做什么却很难看到进展真的发生。
第一次Codex团队迷失在了荒野里：推理模型最强大的地方恰恰是它的回溯能力。如果它推断Bug藏在某个模块，重写完发现Bug还在，它通常不会一条道走到黑而是重新审视最初的假设、扩大寻找解法的范围。基于试错学到的信息转向一条更有希望的新路径：这种用错误自我纠偏的能力正是它能找出那些最初并不显而易见的解法的原因。
云端产品折戟之后，2025年的春夏之交Codex团队也做好了调头回溯的准备。在刚加入不久的设计师埃德·贝叶斯（Ed Bayes）看来，这个项目几乎处在OpenAI的“荒凉死角”。正是在这个被冷落的边陲Tibo接任了工程经理，对方向进行了大刀阔斧的调整：全面转向本地让Agent像Claude Code那样直接跑在开发者自己的电脑上。
他们翻出了此前被当作两人业余支线、被“英雄式”搓出来的Codex CLI。Tibo没有急着堆新功能，而是先彻底重写了底层的Agent引擎：CLI只是用户看得见的界面，他真正看重的是深埋其下的机制——那套负责读写文件、执行命令的核心Agent。他把它跟终端界面彻底解耦，让它未来能像积木一样插进任何地方：比如代码编辑器、桌面或移动应用、云端甚至ChatGPT本体。
团队用Rust彻底重构了引擎，兼顾极致性能与系统级安全。与此同时米歇尔·波克拉斯（Michelle Pokrass）正带队让GPT-5在真实的工业级编程场景中脱胎换骨。她负责后训练阶段打磨模型行为去适配现实世界的工程任务：用Brockman的比方，一个没打磨过的编程模型很像一个SAT考了满分、却一天班都没上过的书呆子。
即便竞赛成绩很亮眼，一进真实混乱的代码库就频频翻车：波克拉斯团队的办法是坐到真实程序员旁边看他们怎么编码，把每一次翻车现场转化成可以规模化重复训练的数据集。就这样OpenAI迎来了那个后来把Shipper带到Mission Bay会议室里的模型节点：放到团队经历的惊涛骇浪里看，他当晚感受到的那份谨慎就完全合情合理了。
经历云端挫折后团队优先做出了一个擅长跟人类程序员并肩协同、一步一印的结对助手。所以当Codex团队在8月下旬推出适配VS Code和Cursor的侧边栏插件时，开发者如潮水般涌入。到10月使用量暴涨10倍以上：经过几个月的艰难摸索，那套彻底重构的本地Agent引擎终于等来一款足以匹敌它潜能的模型。恩比里科斯回忆说那一刻他想的是：终于可以放手一战了。
插件火爆的同时也不是所有人都买账Ruby on Rails的创造者大卫·海涅迈尔·汉森（David Heinemeier Hansson）起初就不让AI驾驶自己的代码。可是到2026年1月他改口写道：AI Agent已经完全有能力对真实代码库做出生产级贡献。到了9月的Rails World他干脆宣布：在他的公司里手写代码的时代结束了。
随着CLI和插件爆炸式增长，最符合商业惯性的选择是继续向这两大成熟战场追加投资。可Codex团队偏偏做了个出乎所有人意料的抉择：Tibo说他们决定继续维持CLI的基本维护，但把接下来最重头的投资押在一款原生桌面应用上。身处OpenAI内部他比大多数人更早看清了趋势：模型能独立承接的任务时间正变得越来越长，很快还要融合多模态信息。
人们会倾向于在电脑上同时并发调度好几个Agent整天跟它们泡在一起。
如果你打算把一整天都花在它里面，它就必须是一个形态极度丰富的操作界面。在纯文本的终端黑框里管理五六个多模态 Agent，简直不可理喻。对恩比里科斯来说，本地桌面应用还指明了一条通往理想工作流的路径：用户先跟 Agent 近距离磨合，然后像给新员工入职一样，逐步摸清哪些大块任务可以放心甩手交给它。更深的意义在于，这个界面未来能把 Codex 带出狭窄的极客圈层，推向那些这辈子都不会主动打开命令行的普通知识工作者。
为了设计并落地 Tibo 招募了安德鲁·安布罗西诺（Andrew Ambrosino），一个集设计师、工程师和前创业公司创始人于一身的人。他们只明确了一点，要做一款桌面 App，至于最终长什么样一片空白。唯一确立的基准是必须做出一款连自己都愿意天天沉浸其中的产品。第一道死命令，就是让这款应用成为每个人日常工作的核心主力工具，一个能扛起全天高频使用、但比笨重 IDE 更轻巧灵动的承载面。
紧接着，最具争议的问题被抛上台面：当 Agent 写错代码时，用户到底能不能在里面亲手改代码呢？团队做出了一个极具颠覆性的决断：坚决不内置代码编辑器。你想改任何一行代码，唯一的途径就是张嘴向 Agent 提要求。安布罗西诺把理由讲得很透，他们打心底里希望它是一个截然不同的物种，而不是另一款平庸的编辑器。
一旦允许用户手动敲代码，大家就会自然期待专业编辑器的一切：撤销、搜索、快捷键，样样都得有。Codex 绝不可能靠做一个半吊子的烂编辑器赢得胜利。只有让 Agent 写代码的体验好到让大家彻底忘掉编辑器，才有赢的局面。唯一尴尬的现实是，他们当时正是开着 VS Code 在写这个试图干掉 VS Code 的替代品。
每天恩比里科斯走进办公室，都会环顾长桌发起灵魂拷问：“来，挨个汇报，你今天把它当主力工具了吗？”起初大家的回答清一色是没有。没有编辑器，哪怕一处微小的改动，都得大费周章地写一条提示词。安布罗西诺自己在 2025 年 11 月的内部信里也承认，砍掉文件的手动编辑功能，是整个上线规划中他最怀疑、最没底气的决定。
外部市场让这个决定显得更冒险。2025 年 11 月 Google 发布了 Antigravity，同样是基于 VS Code 构建、把 AI Agent 和完整编辑器捆在一起的编程工具。安布罗西诺回忆，他们只是互相看了一眼，心里都在打鼓：不 fork 一个 VS Code 是不是犯了个大错？团队内部甚至都没能达成一致。
更麻烦的是驱动模型 OpenAI 2025 年 9 月就推出了专属的 Codex 模型线，可到 11 月它还不够强，撑不起他们要做的桌面产品。即便功能做得再全，也根本发布不了。转折在接下来几周发生了：2025 年 11 月 19 日 OpenAI 发布 GPT-5.1 Codex Max，模型第一次能连续写好几个小时的代码。
GPT-5.2 Codex 紧随而至，大幅提升了在大型代码库上做修改的能力。阿米莉亚跟团队紧密协作，进一步压缩从开发者反馈到模型改进的反馈循环，盯着的是怎么让 Codex 对使用者更好用，而不只是让模型在榜单上刷更高的分。而且因为 Codex 模型线跟 ChatGPT 主干彻底独立，他们不用顾忌那 8 亿用户，可以跑得更快。
到了 12 月，团队内部的风向戏剧性地反转了。原本嚷着要编辑器的人逐渐习惯了通过划线批注让 Agent 自己去改代码。开发体验工程师多米尼克·昆德尔（Dominik Kundel）在 Slack 里写道，他原本渴望一个代码编辑器，现在大部分改动都直接用行内评论，快得很。阿米莉亚也说，5.2 是个转折点，她第一次觉得哇，她对它能为自己做的事非常兴奋。
整个行业在圣诞假期迎来了拐点，开发者们用 Opus 4.5 和 GPT-5.2 一行代码都不碰，就把整个应用从零到一、端到端的搭了出来。到了 2026 年 1 月 Codex 团队全员把它当主力工具。2 月，它席卷整个 OpenAI，诺姆·布朗（Noam Brown）和 Brockman 等人相继宣布彻底倒戈。
Brockman 是终端和 Emacs 编辑器的忠实用户，他后来说，回到旧的工作流感觉就像穿越回了过去。Altman 随后把它称作公司内部最受爱戴的产品。2026 年 2 月 2 日 Codex 的 macOS 桌面版正式向全球公众发布。它的界面与其说像代码编辑器，不如说更像一款现代聊天协作软件：左侧边栏整齐列着进行中和已归档的任务，点开任意一个就能清楚看到 Agent 刚刚做了哪些操作。
也可以随时追加下一轮指令，你可以派一个 Agent 去修 Bug，同时派另一个去开发新特性。在它们之间从容切换，解答疑问，或者逐行审查改动结果。每个 Agent 都在自己的代码分支副本上并行推进，互不干扰。你可以选择寸步不离地实时掌控航向，也可以一口气下发多个任务直接离开工位，等它们真正需要人类决断时再回来接管。
这类工作机制本身不算前所未有，Claude 桌面应用的几个月前就已经允许技术和非技术用户这么做了。但是 Claude 桌面端走的是修修补补的拼凑路线：最初只有对话，后来硬塞进代码，再后来打补丁一般的拼入协同。整个界面显得支离破碎，用户很难搞清哪类任务该切到哪个标签，也搞不清每个面板下到底开放了哪些系统权限。
而 Codex 桌面应用身上几乎没有这种妥协的疤痕。Shipper 第一次打开它时，配合几天后发布的专属驱动模型 GPT-5.3 Codex，感觉是凌厉、纯粹而且彻彻底底是 Agent 原生的。有一种只有当所有细节都服从于同一个终极愿景时，才会迸发的浑然一体。这种干净一部分来自晚来的优势：OpenAI 是在 Claude 桌面应用加完代码和协同标签之后才动手，等于看到了一条已经被验证过的轨迹。
GPT-5.3 Codex 也是 OpenAI 模型能力的一个转折点，按照阿米莉亚的说法这是他们第一次开始从专攻编程的训练里走出来。虽然它依然叫 Codex，她也没说它在所有事上都更强，但是团队已经开始追问：一个编程 Agent 还需要知道什么才能对各种知识工作都有用？对 Shipper 自己来说，改变是立刻发生的。他从几乎只用 Claude 切换到大块工作都用 Codex。
在自己做的一款文档编辑器上，看着 Codex 几乎不需要干预就自主修好了复杂的 Bug。很快他开始把难题交给它跑一整夜。2026 年 3 月初 GPT-5.4 到来，彻底把 Codex 钉成了他的日常主力。同样的变化也远远超出了每个人的预期：2026 年 3 月 19 日 Codex 的周活跃用户突破了 200 万，整体使用量自年初以来涨了 5 倍。
4 月，应用加上了内置浏览器：Agent 可以自己上网查东西、在活页面上核对结果，还能在别的 Mac 应用之间协同展示文档、幻灯片和表格的预览。哪怕一个从没写过代码的人，也能开口要一份演示文稿或预算报告，全程不用离开这个应用。到 2026 年 6 月 Codex 的周活跃用户超过 500 万，其中大约五分之一是知识工作者。
7 月 9 日 OpenAI 让 Codex 桌面应用正式成为新的 ChatGPT 桌面应用，对话被放了进去。有意思的是，新的 ChatGPT 在底层依然对 Mac 自称 com.openai.codex。这个名字曾经 Codex Cloud 只是 ChatGPT 里的一个标签，现在 ChatGPT 跑在了 Codex 上。贝叶斯记得合并公布的全员会散场时他走出来，想着团队这一路走了多远：最初只是角落里的一小撮人，如今成了 ChatGPT 的未来。
他说，这就好像一段美国企业史一样。GPT-5 发布十个月后 Shipper 又一次坐到恩比里科斯对面，那是 2026 年 6 月初。距离红得发烫的 Codex 全面并入 ChatGPT 仅剩一个月，地点在 OpenAI 曼哈顿市中心的办公室。恩比里科斯的职务刚刚从 Codex Agent 的产品负责人升为 OpenAI 全球企业级产品负责人，身后立着一块巨大的白板。
Shipper 这次来是想问：这个团队究竟怎么从当年 Codex Cloud 的惨烈滑铁卢里爬出来，一路杀成 ChatGPT 核心底座的内容呢？又凭什么避开了他当初在 Mission Bay 最担心的那条传统结对编程的死胡同呢？绝大多数团队都会本能地躺在既有的甜头里吃老本，可 Codex 团队没有。恩比里科斯拿起黑色白板笔开始画 Codex 的历史增长轨迹：他先画了一条很短的上升折线，代表初代 Codex Cloud 短暂波峰后很快平缓触顶。
接着是一条陡峭得多的大曲线，代表搭载 GPT-5 之后的本地 CLI 终端；再一条更高，那是席卷市场的编辑器插件生态。最后一条是伴随 5.3 Codex 和原生桌面应用问世的增长曲线，这条巨浪般的垂直曲线瞬间让前面所有曲线相形见绌。初代 Codex Cloud 的痕迹在白板底部渺小得像一道划痕，这四重曲线活像从克莱顿·克里斯坦森（Clayton Christensen）那本《创新者的窘境》里撕下来的一页插图。
克里斯坦森剖析过硬盘和处理器的一次次突破是如何驱动计算产业从大型机、小型机、台式 PC、笔记本一路演进到智能手机的。每一次底层硬件的质变都会催生更简洁的产品形态，击穿并解锁一个门槛更低的大众市场，把上一代产品拍在沙滩上。这条规律在传统硬件时代横跨了半个世纪，而在 OpenAI 内部它只用了 10 个月在一支几个人的微型团队手里就走完了。
在克里斯坦森的书里，骑在上一条胜利曲线上赚得盆满钵满的团队几乎从来没能跳上下一条。既有产品的巨大成功往往会掐死代表未来的萌芽，Codex 团队之所以能逃开这个魔咒很大程度上是因为 OpenAI 的核心管理层本来就是在硅谷创业文化里泡大的，对这套增长陷阱了然于胸。公司架构被刻意设计成类似内部并行下注的风险投资组合，让 Codex 团队能在 ChatGPT 庞大的既有体量和包袱之外闭环迭代自己的产品线和模型线。
更关键的是，用 AI 来制造 AI 彻底改写了产品研发的物理定律。在传统科技公司里立项一款全新产品要经历数月跨部门扯皮去争取预算和编制，而在这种内耗拉锯中正处于现金牛地位的成熟产品几乎永远会大获全胜。但是在 OpenAI 团队是直接用 Codex 打造 Codex，区区几个人就能在几周内从零拉起一套全新的产品形态。Tibo 对此有过一句很实在的感叹：现在想要说服别人支持一个新的想法，需要的口舌和会议比以前少得太多了。
注视着白板恩比里科斯还有最后一条全新的曲线要画：既然全球已经有数百万开发者在本地电脑上对这个 Agent 建立了近乎不可动摇的信任，下一步就是重新杀回一年前折戟沉沙的那个宏大愿景：打造一个哪怕你起身离开、合上电脑依然在后台为你工作的自主 Agent。他说他们接下来的核心方向是全面走向异步，这意味着他们必须重新把战火烧回云端。
这一次 Shipper 忍不住注意到他放在会议桌上的那台笔记本电脑，屏幕上盖正严丝合缝地彻底闭合着。从云端失败退回本地用几百万人的真实信任把 Agent 的能力边界一寸寸摸清，再带着这份信任重新走回云端。从一个失败的产品到整个 ChatGPT 的底座，Codex 这条路只用了不到一年。
那么想留给大家的一个问题是：如果下一代的编程 Agent 真能在你离席之后继续独立工作，你愿意把哪些任务交出去？又有哪些，你依然想亲手盯着呢？欢迎在评论区留言讨论。感谢收看，我们下期再见