Codex 用在日常工作：寫程式以外的 AI Agents（第 1/4 段） ☕ Buy me a coffee

🧑‍🏫 這支是 OpenAI 公開講座的第一段。Codex 負責人 Thibault 說明 Codex 怎麼從幫工程師寫程式的工具，變成很多人拿來處理日常工作的助手。如果你想知道 AI 除了聊天還能幫你做哪些事，這段能讓你看到 OpenAI 內部實際怎麼用它。

• 00:11 主持人 Chris Nicholson 來自 OpenAI 的 Global Affairs 團隊。本場 OpenAI forum 的主題是 Codex，以及它在軟體工程以外的價值
  ↳ 主持人 Chris Nicholson 來自 OpenAI 的 Global Affairs 團隊。這場 OpenAI forum（OpenAI 辦的公開講座）主角是 Codex，一個最早用來寫程式的 AI 工具，要談它在寫程式以外能做什麼。
• 00:11 越來越多人把 Codex 用在知識工作和個人事務上，用來減少摩擦、處理繁瑣的任務
  ↳ 越來越多人不只拿 Codex 寫程式，也拿它處理工作和生活裡那些卡卡的、重複又瑣碎的事，讓事情少一點阻礙。
• 00:41 Codex 也能幫人理解問題、整理資訊、規劃可以分享的文件。因此它適合研究人員、教育者、產業營運人員、小型企業老闆、主管和各類知識工作者
  ↳ 知識工作（knowledge work）是靠理解、整理資訊來產出成果的工作。Codex 能幫你搞懂問題、整理資料、擬成可分享的文件，所以老師、研究者、老闆、主管都用得上。
• 00:41 來賓 Thibault 是 OpenAI 的 Codex 負責人（head of Codex）
  ↳ 來賓 Thibault 是 OpenAI 裡負責 Codex 這個產品的人，後面講的都是這個產品背後的想法和演變。
• 01:11 Codex 最初是給開發者用的工具。OpenAI 一直想打造有用的模型，再用模型加速自身的開發
  ↳ Codex 一開始是做給寫程式的人用的。OpenAI 的想法是先做出好用的模型，再用這個模型加快自己的開發速度。
• 01:42 寫程式一直是一大挑戰（grand challenge），目標是達到高產量軟體工程師的水準。團隊大約 2 年前開始朝這個方向投入
  ↳ 團隊把「讓 AI 寫程式寫得像產量很高的工程師」當成一個大挑戰，大約兩年前開始往這個方向投入。
• 01:42 第一個公開版本現在稱為 Codex web：在雲端執行，透過網頁介面使用
  ↳ Codex web 是第一個公開版本。它在 OpenAI 的伺服器上跑（也就是雲端），你打開網頁就能用，不用在自己電腦上安裝。
• 02:12 Codex web 的流程：使用者輸入任務，它讀取程式碼 repository，找出該做的修改，最後在 GitHub 開一個 pull request。整個流程完全隔離、打包好，大約一年前推出
  ↳ repository 是放專案程式碼的地方；GitHub 是存放程式碼的網站；pull request 是「我改好了，請審核」的修改提案。Codex web 讀完程式碼、改好後提出提案，全程在雲端獨立完成。
• 02:44 Codex web 的問題是摩擦太高：設定太困難，開發者還得把自己電腦上的環境在雲端重建一次
  ↳ friction（摩擦）指用起來門檻高、不順手。開發者在自己電腦上設定好的環境，得在雲端再弄一套，光是準備就很麻煩。
• 02:44 當時模型也還不夠成熟，無法每次都做對，所以很難和模型反覆迭代
  ↳ 那時模型常常做錯。做錯就得來回修正，但模型不夠穩，很難跟它一來一回地邊改邊調整。
• 03:15 團隊因此轉向，讓 Codex 在每個人自己的電腦上（本地）執行。原因是模型還無法可靠地完成長時間的任務，要大家在雲端設定太困難
  ↳ 所以團隊改成讓 Codex 在每個人自己的電腦上跑。原因是模型還沒辦法可靠地獨自做完長時間的工作，而要大家在雲端重新設定又太難。
• 03:15 有人把 Codex 用在寫程式以外的任務，是最近約六個月才出現的轉變。GPT-5 推出後，模型處理通用任務的通用性和可靠度有了跳躍式提升
  ↳ 拿 Codex 做寫程式以外的事，是最近約半年才明顯起來的。關鍵在 GPT-5（OpenAI 的一代模型）推出後，模型處理各種一般任務變得更靈活、更穩。
• 03:47 到了 5.2 左右，模型處理長時間任務（long horizon tasks）變得更可靠
  ↳ long horizon tasks 是要花很久、步驟很多的任務。到 5.2 左右的模型版本，比較能一路把這類任務做完。
• 03:47 即使是軟體工程師，一天大部分時間也不在寫程式，而是看 tickets、排優先順序、討論怎麼解決問題、決定架構
  ↳ tickets 是待處理事項的工作單。工程師大部分時間其實在看工作單、排優先順序、討論解法、決定系統怎麼設計，不是在打程式碼。
• 04:17 工程師其他的工作還包括：調查 bug reports、判斷是否真是問題或是使用者端的問題、處理服務中斷、on call、了解系統、蒐集資訊
  ↳ bug reports 是使用者回報的錯誤；on call 是輪值待命，出事時要馬上處理。工程師還要查回報是不是真的問題、處理服務中斷、了解系統、蒐集資料。
• 04:17 Thibault 估計軟體工程師真正寫程式的時間大約只佔 20、30%
  ↳ 他估計工程師真正動手寫程式的時間只佔兩三成，剩下七八成都是溝通、調查、判斷這類工作。
• 04:17 早期採用 Codex 的技術人員，本來就已經把它用在日常工作上
  ↳ 最早用 Codex 的技術人員，本來就會順手拿它處理日常工作，不只寫程式。
• 04:49 團隊意識到這項技術強大得多，希望它能大規模地對整個社會有用
  ↳ 團隊發現這項技術能做的事比原本想的多很多，希望它不只服務工程師，而是讓整個社會都用得上。
• 04:49 團隊內部 dogfooding，用自己的工具處理非寫程式的任務
  ↳ dogfooding 是團隊先拿自家產品來用。他們用 Codex 處理寫程式以外的事，自己實際體驗哪裡好用、哪裡還不行。
• 04:49 要讓 Codex 更會寫程式，就需要給它更多 context。例如讓它存取 Notion 裡的資訊和各種文件，agent 解決任務的能力就變強
  ↳ context 是 AI 做事時能參考的背景資料。Notion 是常見的筆記與文件工具。讓 Codex 看到越多相關文件，它越懂狀況，事情也做得越好。
• 05:19 團隊持續提升可靠度。到現在，Codex 裡執行的任務大多數其實是非寫程式的任務
  ↳ 模型越來越可靠之後，出現一個轉變：現在在 Codex 裡執行的工作，大多數已經不是寫程式了。
• 05:19 主持人整理：Codex 一開始是搜尋程式碼，後來發現它也很擅長搜尋大量文件、帶回資訊，這正是知識工作者都要做的事
  ↳ 找程式碼和找文件本質上很像，都是在大量資料裡找到對的東西，再整理回來。這正好是知識工作者每天在做的事。
• 05:49 讓團隊的目標轉向「給所有人用」的關鍵時刻：某次 Codex 發表期間，Codex 首席產品經理 Alexander Americus 用 Codex 追蹤所有待上線的修改狀態
  ↳ 轉捩點發生在一次產品發表期間。Codex 首席產品經理 Alexander Americus 用 Codex 追蹤所有準備上線的修改做到哪裡了。
• 06:21 Alexander 同時讓多個 Codex agents 代他工作：追人、更新文件，記下像是某功能還需要打磨、收到哪些使用者回饋等最新狀態
  ↳ agent 是能自己動手、代你做事的 AI 執行個體。Alexander 同時開好幾個 agent，讓它們去追人、更新文件、記下哪個功能還要修、使用者反應了什麼。
• 06:21 Codex 彙整使用者回饋和開發者的資訊，在 Alexander 和 Thibault 討論的同時，讓計畫保持整齊、即時更新
  ↳ 他和 Thibault 討論的同時，Codex 在背後把使用者意見和工程師那邊的資訊整合起來，讓計畫一直保持整齊、最新。
• 06:51 Thibault 說他從沒見過有人像 Alexander 當時那麼有生產力，並覺得他們改變的不只是軟體工程
  ↳ Thibault 說他沒看過有人這麼有生產力，也意識到他們改變的不只是寫程式，而是更廣的工作方式。
• 06:51 主持人整理：以前要自己翻 Slack 頻道、文件、GitHub PRs 做協調。現在這些耗時的工作交給工具，在開會時同步進行
  ↳ Slack 是公司常用的聊天工具。以前協調工作要自己翻聊天頻道、文件、程式修改紀錄來拼湊進度；現在交給工具，開會的同時它就在整理。
• 07:22 Thibault 表示他們的模型很擅長蒐集正確的 context 和做摘要，這是他們看到的強力使用情境
  ↳ 他認為模型的強項是找到對的背景資料，再濃縮成重點，這是他們看到最有力的使用方式。
• 07:22 Codex 連接了 Slack，agent 能主動傳訊息問人某件事的最新狀態，替 Alexander 追進度
  ↳ Codex 接上 Slack 之後，agent 可以主動傳訊息問負責的人某件事進度如何，替 Alexander 追進度。
• 07:52 帶來的連鎖效應：工程師大幅加速，開發速度前所未有地快。鄰近職位也在改變，例如設計師和產品經理的角色
  ↳ 工程師變快之後，周邊的人也受影響：開發速度前所未有地快，設計師和產品經理的工作內容也跟著改變。
• 08:23 產出暴增後，瓶頸轉移到溝通和行銷部門：要向外界說明成果，並讓整體敘事保持一致，變成一項挑戰
  ↳ 東西做得太快，卡關的地方就換了位置：難的不是做出來，而是來得及對外講清楚，並讓整體說法保持一致。
• 08:53 被問到沒有 Codex 的話 OpenAI 能否出貨這麼快，Thibault 回答「不行」，並說 Codex 現在對他們至關重要。對話中出現「with 10 times more engineers」一語
  ↳ 被問到沒有 Codex 能不能這麼快推出產品，他直接說不行，Codex 已經是他們不可或缺的工具。對話中也出現「多 10 倍工程師」這個說法。
• 08:53 Thibault 認為其他公司也能採用類似做法，因為技術已經發展到 agents 能做非常通用的工作
  ↳ 他認為這不是 OpenAI 才做得到的。agent 現在已經能做很一般的工作，其他公司也能用類似方式導入。
• 09:25 非寫程式的例子：準備簡報以對齊 stakeholders、蒐集大眾觀感的 context、做行銷研究、整理資料。OpenAI 財務部門也大量使用
  ↳ stakeholders 是跟某件事相關、需要被同步或說服的人。非程式的用途包括做簡報讓相關的人取得共識、了解外界看法、做行銷研究、整理資料，財務部門也大量使用。
• 09:25 Sarah Friar 常提到，她在 Codex 的協助下籌備了最新一輪募資，Codex 在那件事上大幅加速了進度
  ↳ OpenAI 財務長 Sarah Friar 常提到，她準備最新一輪募資時靠 Codex 協助，進度快了很多。
• 09:57 Codex 已演變成不只是產生程式碼，而是用來執行通用任務
  ↳ 總結來說，Codex 已經從「幫你寫程式的工具」變成「幫你執行各種工作的助手」。
• 09:57 角色上的改變：每個人都得面對事情變化更快的節奏，也要更快適應
  ↳ 對個人的影響是事情變化得更快，每個人都得調整節奏，更快適應新的做事方式。
• 10:29 過去要花好幾天的難題，現在可能只要幾小時。科學、工程領域都看得到，也包括深入的行銷研究、分析新功能的大眾觀感等工作（本段在此中斷）
  ↳ 以前要花好幾天的難題，現在可能幾小時就有結果。科學、工程領域都看得到這種變化，深入的行銷研究、分析外界對新功能的反應也是。

根據 Thibault 的估計，軟體工程師真正花在寫程式上的時間大約佔多少？