Codex的subagents功能：开发者该升级还是观望？我们收集了全网真实观点_服务软件

1. Codex App 支持子代理（Subagents)，并行开发极大提升效率

2. 两天 800+ Star，这个仓库让 Codex 变身 136 人开发团队

3. Codex 多代理架构

4. OpenAI凌晨Codex子智能体炸场！一句话生成智能体军团，让AI自己带团队替你打工

5. Claude Code的Subagent

6. Claude Code扩展体系全解析，一张图讲透Skills、Subagents、Commands、Plugins

7. Claude Code Subagents 子代理全解析（新手也能马上用）

8. 关于 Claude Code 的 Sub-agents 你所需要知道的一切

9. 创建和使用claude subagent

10. Claude Code 的隐藏技能

11. Claude Code 进阶秘籍: Agent、Subagent、Agent Team 到底该怎么选？

12. 【保姆级教程】Claude进阶指南

13. Claude Code 进阶玩法之 Subagent，给自己配一个专属 AI 助手团队

14. Claude Code教程 #8 - Subagents 子代理

15. Claude Code 实战

16. Agent Skills vs Subagent

17. 到底选 Skills 还是 Subagents？一篇说透

18. 深度拆解 Claude Agent 架构

19. 为什么你的 Claude Code 越用越慢？揭秘 Skill、SubAgent、MCP 的记忆管理秘密

20. Subagent 崛起

21. Claude Code Agent Teams 完全指南

22. Claude Code 扩展原语完全指南

23. Skills 与 Prompts、MCP 以及 Subagents 之间的对比说明

24. Codex 里的 AGENTS.md 到底怎么生效？这篇给你讲明白

25. Cursor vs Antigravity vs Claude Code vs Codex vs Gemini CLI

26. Codex App Windows版发布了

27. Codex 增强版安装使用教程 Codex 增强版教程完全对标 claude code 让 codex 拥有了 agent teams 、hooks 、anthropic api 、 web ui 、remote control

28. OpenAI 开发者大会（DevDay 2025）主题内容

29. Codex 升级实测

30. OpenAI Codex 保姆级教程！10块轻松上手！

31. GitHub深夜引爆，最强Claude + Codex合体！全球1.8亿码农一夜解放

32. 只用一个大模型审代码已经过时。现在，开三个Cursor窗口，分别用Gemini 3.0 Pro、Claude Opus 4.5和Codex 5.1 High Pro，分别审查代码库并生成详尽的Markdown报告。然后让每个模型阅读另外两个的报告，最后用Opus 4.5进行步骤化的统一重构。流程结束，代码质量显著提升。为什么不用单一最强的Codex 5.1？即使是“王者”也需要智囊团。不同模型视角互补，避免盲点，提升审查深度。过往“凭感觉写代码”的时代一去不复返，AI协作正成为软件进化的核心动力。虽然有人担心多模型审查会带来冲突和额外复杂度，实际操作中可以根据目标选用最适合的模型： - Opus 4.5：通用且擅长理解新代码库 - Gemini 3.0：前端和UI表现卓越 - Codex 5.1：后端逻辑推理无敌批判性的多模型交叉验证，相当于三位资深工程师各抒己见，最终汇聚成最佳方案。人类设计流程和决策策略，才是发挥这些AI最大效能的关键。这不仅仅是工具升级，更是开发范式的变革。未来，单模型“孤军奋战”将被多模型“团队协作”取代，代码审查和重构将更加严谨、高效、可靠。我们不再是“单兵作战”，而是运营一个由智能体组成的开发团队。原文：x.com/vasuman/status/1996414648594161923思考：在AI驱动的开发生态中，如何设计有效的“模型协作机制”，成为人类开发者新的核心竞争力。技术的进步让我们重新定义“代码质量保障”的边界，也让软件工程进入了“智能共创”时代。

33. OpenAI 发布 Codex 最佳实践指南：AI 编程工作流首次曝光。最近看到 OpenAI 发布的《OpenAI Codex 最佳实践指南》，讲的是怎么更好地用 Codex 这个 AI 编程助手。虽然说的是代码工具，但读完之后发现，里面很多思路其实适用于所有 AI 工具。核心就一句话：别把 AI 当成一次性助手，要把它当成可以持续优化的队友。 1、给对的上下文，而不是完美的指令很多人觉得用 AI 工具得写特别精确的提示词才行。其实不是。Codex 已经足够聪明，你随便扔个问题给它，大概率也能得到还不错的结果。但如果你想要更稳定、更靠谱的输出，尤其是在复杂项目里，关键不在于指令写得多完美，而在于你给了它什么上下文。一个好的任务描述通常包含四个部分。第一是目标，你想做什么。第二是上下文，哪些文件、文档、错误信息跟这个任务有关。第三是约束条件，有什么规范、架构要求或者惯例必须遵守。第四是完成标准，什么情况下算是做完了，比如测试通过、bug 消失、功能正常运行。这个思路其实可以用到任何地方。你跟人沟通工作也是一样，说清楚要什么、背景是什么、有什么限制、怎么算完成。AI 只是把这个需求放大了，因为它没法像人一样自己去猜你的意图。 2、让 AI 先做计划，再动手如果任务比较复杂，或者你自己都说不太清楚想要什么，别急着让 AI 直接开干。让它先做计划。 Codex 有个计划模式，会先收集信息，问你一些问题，把思路理清楚了再开始写代码。你也可以直接让它反过来采访你，挑战你的假设，把模糊的想法变成具体的方案。这个习惯特别值得学。我们平时做事也是，很多时候不是执行出了问题，是一开始方向就没想清楚。花点时间在前面做规划，后面能省很多返工的时间。AI 能做的事越多，前期规划就越重要，因为它能快速把错误的方向也执行出来。 3、把重复的规则写下来，别每次都重新说如果你发现自己总是在跟 AI 强调同样的要求，比如代码风格、测试标准、项目结构，那就别每次都手动输入了。把这些规则写到一个文档里，让 AI 自动加载。 Codex 用的是一个叫 [AGENTS.md](http://t.cn/AXV8rzbX) 的文件，你可以理解为给 AI 看的项目说明书。里面写清楚项目怎么运行、怎么测试、有什么规范、什么事情不能做。这样每次 AI 工作的时候，这些规则就自动生效了。这个思路也很实用。如果你经常跟不同的人协作，或者经常做类似的项目，把那些反复要说的东西整理成文档，能大幅提高效率。不光是给 AI 看，给人看也一样有用。新人来了直接看文档，不用你每次都从头解释一遍。文档不用写得特别长，短而准确比长而模糊有用得多。先写最基本的，然后每次发现问题了再补充。如果 AI 犯了同样的错误两次，就让它做个复盘，然后把教训加到文档里。这样文档就是活的，是基于真实问题不断优化的。 4、配置好工具，别每次都临时调整很多人用 AI 工具遇到的问题，其实不是工具本身的问题，是配置没弄对。比如工作目录不对、权限没给够、默认设置不合适。 Codex 可以设置个人默认配置，也可以针对不同项目设置不同的规则。你可以控制 AI 什么时候需要征求你的同意，什么时候可以直接执行，能访问哪些文件，能运行哪些命令。刚开始用的时候，建议权限设置得严格一点。等你熟悉了，知道哪些操作是安全的，再慢慢放开。这跟我们平时用新工具的逻辑一样，先小心试探，确认没问题了再放心用。 5、不只是生成，还要验证和审查别让 AI 做完就完事了。让它自己检查结果，运行测试，确认功能正常，甚至让它审查自己写的代码有没有问题。 Codex 可以写完代码之后自己跑测试，检查格式和类型，确认最终效果符合要求，还能审查代码里有没有 bug 或者风险。但前提是你得告诉它什么叫好，这个标准可以写在提示里，也可以写在配置文档里。这个思路特别重要。AI 能做的事情越来越多，但它不知道什么叫好。你得建立标准，让它按照标准来检查。这样你就不用自己盯着每一步，只需要最后验收结果就行。 6、用外部工具补充上下文有时候 AI 需要的信息不在项目里，可能在数据库里，可能在其他系统里，可能在实时更新的数据源里。这时候就需要把外部工具连接进来。 Codex 支持一个叫 MCP 的协议，可以连接各种外部系统。但不要一上来就把所有工具都连上，先连那些真正能解决问题的。比如你发现自己总是要手动去某个系统查数据然后复制粘贴过来，那就把这个系统连上。这个原则也适用于其他场景。工具不是越多越好，关键是解决你的实际痛点。先找到那个最影响效率的环节，用工具把它自动化，然后再考虑下一个。 7、把重复的工作流变成技能如果你发现自己总是在做同样的事情，或者总是在纠正 AI 的同样错误，那就该把这个工作流固化下来了。 Codex 有个技能系统，可以把一套完整的指令、上下文和逻辑打包成一个可复用的技能。比如日志分析、发布说明撰写、代码审查、迁移规划，这些重复性的工作都可以做成技能。每个技能应该只做一件事，定义清楚输入是什么、输出是什么、什么时候用。不用一开始就考虑所有边界情况，先把一个典型场景做好，然后慢慢完善。判断标准很简单：如果你一直在重复同样的提示，或者一直在纠正同样的问题，那它就该变成一个技能。 8、稳定的流程可以自动化当一个工作流已经很稳定了，你可以让 AI 定期自动执行。比如每天总结最近的代码提交，扫描可能的 bug，生成发布说明，检查 CI 失败的原因。但要注意，只有那些已经很可靠的流程才适合自动化。如果一个任务还需要你经常干预和调整，先把它做成技能，等它稳定了再考虑自动化。技能定义方法，自动化定义时间表。这两个配合起来，才能真正把重复劳动变成自动化的生产力。 9、管理好对话线程跟 AI 的对话不只是聊天记录，它是一个工作线程，会积累上下文、决策和行动。管理好这些线程，对结果质量有很大影响。一个线程应该对应一个完整的工作单元。如果还是同一个问题，继续在同一个线程里往往更好，因为它保留了之前的思考过程。只有当工作真的分叉了，才需要创建新线程。如果线程变得太长，可以让 AI 压缩一下早期的上下文。如果有多个并行任务，可以用多个代理分别处理，主线程专注核心问题，子代理处理探索、测试或者分类工作。 10、几个常见的坑最后说几个新手容易踩的坑。第一是把应该写在配置文档里的规则都塞到提示里。这样每次都得重复，而且容易遗漏。第二是不让 AI 看到自己的工作结果。你得告诉它怎么运行、怎么测试，它才能验证自己做得对不对。第三是复杂任务不做规划就直接开干。多步骤的任务一定要先规划，否则很容易走偏。第四是一开始就给 AI 完全的权限。应该先从严格的权限开始，确认安全了再放开。第五是把重复任务自动化得太早。得先确保它手动执行的时候已经很可靠了，再考虑自动化。第六是把 AI 当成需要你一步步盯着的工具。其实你可以让它并行工作，你干你的事，它干它的事。第七是一个项目只用一个线程。这会导致上下文越来越臃肿，结果反而变差。应该一个任务一个线程。 11、写在最后这篇指南虽然是写给我们程序员的，但里面的很多思路其实是通用的。核心就是把 AI 当成可以配置和优化的队友，而不是一次性的工具。给它对的上下文，把重复的规则固化下来，让它学会自我验证，把稳定的流程自动化。这样它才能真正提高你的生产力，而不只是换一种方式让你累。工具会越来越强大，但真正决定效率的，是你怎么用它。 #科技先锋官# #How I AI#

34. 中门对狙！Claude Opus 4.6和GPT-5.3 Codex同时发布，这下真的AI春晚了。

35. GPT-5.4 到底变强了多少？三大核心能力+电脑操控Codex上手实测！

36. OpenAI最新推出的GPT-5.1-Codex-Max，以原生Windows适配能力成为编码新利器。这款模型不仅强化了Windows编码代理功能，更在效率与成本控制上实现双重突破。作为首个原生训练支持Windows环境的模型，它能精准理解PowerShell脚本、IIS配置逻辑，甚至轻松处理“C:\Program Files”这类Windows特有路径格式，彻底告别AI生成“Linux风格代码”后手动修改的麻烦。压缩技术让它可连贯处理数百万Token，项目级重构、多小时调试都能保持逻辑连贯。开发ASP.NET项目时，能一键生成适配的CI/CD流水线配置；调试桌面应用遇到注册表问题，可快速定位并给出修复方案。对企业团队，它思考Token减少30%的特性，能以更低成本完成前端设计等任务，兼顾质量与经济性。目前它已在Codex平台上线，支持VS Code等IDE插件、CLI工具及云端环境，ChatGPT Plus及企业版用户可直接使用。从独立开发者的小工具开发，到企业级Windows应用迭代，GPT-5.1-Codex-Max正让Windows编码从适配困难变为高效流畅。#科技先锋官##AI生活指南##AI创造营# 种斌Marco的微博视频

37. 比肩OpenAI Simple Codex，中国团队闯入Terminal-Bench全球第二！

38. 【Codex Subagents：136个AI专业分身让编程效率起飞】快速阅读：一个开源项目收录了136个针对Codex的专业化AI助手，覆盖从前端开发到安全审计的各个领域。每个Agent都有独立的上下文窗口和专门指令，能像真实团队成员一样处理特定任务。关键是这些Agent不会自动触发，需要明确指派。—AI编程助手的进化方向可能不是更强的单一模型，而是一群各司其职的专家。这个叫awesome-codex-subagents的GitHub仓库里，藏着136个经过精心调教的AI分身。前端有React专家，后端有Go并发高手，安全审计、性能优化、数据库调优，甚至Active Directory管理都有对应的Agent。每个Agent都是一个.toml配置文件，指定模型、沙盒权限和专业指令。比如security-auditor用gpt-5.4处理深度推理任务，search-specialist用更快的gpt-5.3-codex-spark做信息检索。审查类Agent设为只读权限，开发类Agent可以修改代码。这种设计既保证专业性，又控制权限范围。GitHub: github.com/VoltAgent/awesome-codex-subagents#AI创造营##人工智能#

39. 为了让交付更快、更稳，我通常会先和 AI 一起把需求的整体设计讨论清楚，包括前端交互设计、后端 MVC 结构、代码逻辑抽象、组件复用、开放模块设计、稳定性设计，以及架构和工程层面的优化。一轮讨论结束之后，AI 通常会生成 3～5 个文件，对应不同维度的项目变更设计文档。接下来，就会让 AI 根据项目复杂度选择合适的模型配置，同时开启多个进程跑 CLI，或者拉起多个子 Agent 一起干活。这个模式的效率确实很高，不过带来的最大问题只有一个：钱不够烧。我在 Codex 上买了两个账号轮着用，Github Copilot 也买了两个账号。用了一段时间之后发现，Codex 的 token 限额算是最亲民的，5 小时窗口 + 周限额窗口。周限额有时候看起来还挺随机，昨天还显示要等一周才能恢复，结果第二天一看，额度已经恢复到 100%。 Github Copilot 刚开始没有太注意，它其实是按照 Request 来限流的。有一次为了调一个细节，一晚上来回聊了很多次，直接把月额度干没了。后来慢慢摸索出一个用法：专门让 Copilot 处理大的需求，一个 Request 里塞进去好几个复杂任务，反而会觉得“真香”。 Google One 的 Family 方案其实也很香，用 Antigravity Tools 做反代就能跑。不过最近封号有点猛，现在基本不太敢用了。当所有账号都被干到限流之后，也试过用国内的一些模型，比如 Kimi-k2.5、GLM-5。做一些常规的小需求其实问题不大，一旦遇到复杂问题，就很容易陷入无限递归循环：排查 → 修复 → 没改好 → 继续排查。这个时候就会特别怀念 Codex-5.3-xhigh 和 Claude-Opus-4.6。另外，这几天刚出来的 Codex 5.4 表现更明显，之前需要排查好几轮才能解决的问题，它经常一把就能过。

40. 分享一下。截止到 2026 年 3 月 14 日。我现在的 AI 工具使用情况，基本涵盖了市面顶尖的工具和根据各个模型的情况分配不同的工作，应该对你们有些帮助：1、豆包，用来日常查一些柴米油盐的生活，做恶搞图片。2、即梦/Sora，用来做一些脑洞视频，效果不分伯仲。3、Codex，用来写代码。4、SunCodexClaw，配合 Codex 实现【用飞书写代码，我现在只用飞书写代码】，操作电脑，帮我做 PPT 等（网页链接）。4、Gemini，用来问一些哲学问题，3.1 Pro 很聪明。5、Kimi 和 NoteBookLM，用来做 PPT，后者图像好看，前者听得懂人话。6、ChatGPT，开车的时候喜欢和他打语音，够聪明，反应快。7、DeepSeek，不方便连网的时候让它查一些深度资料。8、Perplexity，三个 AI 一起并行研究一个问题，研究问题我的最 Max 解决办法，一般都用我朋友的会员帮我跑（网页链接）。9、Todoo，用来管理日程，我离不开它。10、土豆子 2 号机，主要用来测试功能，搞开发。#How I AI#

41. 盘点一周AI大事(11月23日)｜AI自己画CAD图纸 Google发布最强大模型Gemini 3、最强图像模型Nano Banana Pro OpenAI发布最强编码模型GPT-5.1-Codex-Max 马斯克升级Grok 4.1，情商最强字节开源最强空间重建模型Depth Anything 3 腾讯发布最强开源视频模型HunyuanVideo-1.5 Meta开源最强对象分割模型SAM 3，最强3D分割模型 SAM 3D Autodesk研发出最强CAD智能体VideoCAD AI2发布最强开源深度研究智能体Deep Research Tulu Google发布最强AI天气预报WeatherNext 2 Maxima推出AI会计智能体头号玩家套装问世 #AI新星计划 #人工智能 #AIGC #OpenAI #大模型

42. 一个视频带你快速盘点2025年GitHub热点项目

43. 实测 GPT-5.3-Codex，OpenAI 史上第一个高危模型，连 API 都还不敢给我们

44. Codex不打算让Claude Code好过

45. Claude Opus 4.6 vs GPT-5.3-Codex，到底谁更强？

46. “我们真的变成巫师了”：OpenAI API 负责人谈 AI 如何重塑软件工程完整图文版：网页链接Sherwin Wu 是 OpenAI API 和开发者平台的工程负责人。他最近在 Lenny's Podcast 上做了一次深度对话，从 OpenAI 内部的 AI 编码实践谈到工程管理哲学，从“一人十亿美元公司”的连锁效应谈到 AI 部署为什么经常失败。以下是这次访谈的完整整理。【1】“95% 的工程师在用 Codex，100% 的 PR 由 Codex 审查”Lenny 开门见山：你还写代码吗？你团队有多少代码是 AI 写的？Sherwin 说，他自己作为管理者，所有代码现在都是 Codex 写的。对管理者来说，用 AI 工具写代码反而比手写更容易了。但团队层面的数据更能说明问题：> 95% 的工程师在日常使用 Codex。100% 的 PR 都由 Codex 审查，任何合入生产环境的代码，Codex 都会过目并提出改进建议。而且这个趋势还在加速。Sherwin 分享了一个内部跟踪的数据：重度使用 Codex 的工程师，比用得少的工程师多提交了 70% 的 PR，而且差距在持续扩大。他认为这是一种“复利效应”，用得越多的人越能掌握工具的最佳实践，效率增益不断累积。这是 AI 编程能力的起点，不是终点。【2】巫师、咒语和魔法师的学徒Lenny 问：未来一两年，软件工程师这份工作到底会变成什么样？Sherwin 先描述了当下的变化：IC（个人贡献者）工程师正在变成 tech lead，管理着成群结队的 agent。他团队里很多工程师同时拉着 10-20 个 Codex 线程，不是同时运行，但并行推进。他们的工作已经从“亲手写代码”转变为“检查 agent 在做什么，给它反馈，引导它的方向”。然后他引用了 MIT 经典教材 SICP（"巫师书"）的比喻——这本 1980 年代的书把编程比作巫术：程序员是巫师，编程语言是咒语。他认为这个比喻在 AI 时代变得格外贴切：> 现在的咒语真的变成了自然语言。你告诉 Codex 或 Cursor 你想做什么，然后它就出去替你做了。这感觉真的像在施法，我们真的变成巫师了。但他紧接着补充了另一个比喻，迪士尼《幻想曲》里的“魔法师的学徒”。米奇找到了巫师的帽子，开始疯狂施法让扫帚替他干活，结果水漫金山。> 这是 vibe coding（只描述想法、不看代码的编程方式）的终极版本。米奇给扫帚下了一个任务，然后自己去睡觉了。Sherwin 说，当他看到工程师们同时开着 20 个 Codex 线程时，确实需要相当的经验和判断力来确保模型不跑偏。你绝对不能像米奇那样完全放手不管。但对于真正熟练的工程师来说，这种杠杆效应是空前的，一个人能做的事情比以前多了太多。【3】移除逃生舱：100% Codex 代码库实验Lenny 提到一个越来越多人在讨论的问题：当你的 agent 不工作的时候，那种焦虑感。你派出一堆 Codex agent，然后发现有一个卡住了，时间在浪费...Sherwin 说他们内部也天天遇到这种情况。然后他分享了一个内部实验：> 有一个团队正在 OpenAI 内部做一个实验，他们维护一个 100% 由 Codex 编写的代码库。不是说“AI 写了初稿然后人来改”，而是完完全全由 Codex 生成、全盘接受。这个团队遇到了完全可以预料的问题：想让 agent 实现某个功能，但 agent 就是做不对。通常在这种情况下，你会有一个“逃生舱”，撸起袖子自己写，或者切换到 tab 补全和 Cursor 这样的辅助工具。但这个实验团队刻意不给自己留这条退路。Sherwin 说他们计划发布一篇关于这个实验的博客文章，因为从中产生了不少发现。其中一个关键发现是：> 当 coding agent 不按你想的做时，问题往往不在模型的能力，而在于上下文。你要么描述得不够清楚，要么代码库里缺乏足够的信息来引导 agent。解决方案？把你脑子里的“部落知识”编码到代码库中，通过代码注释、代码结构、Markdown 文件、skills 文件等各种形式，让模型能获取到做任务所需的背景信息。移除逃生舱让他们不得不直面一个核心问题：如果我们真的要全面依赖 agent，到底需要解决什么？这个极端实验成了一个很好的“压力测试”。【4】AI 代码审查：从 10 分钟缩短到 2-3 分钟PR 产量暴增自然带来代码审查的压力。Sherwin 分享了他们的解法。他先用一个个人故事铺垫：他在第一份工作 Quora 时负责信息流的代码，每天早上登录就看到 20-30 个等待审查的 PR，拖延一下就变成 50 个。代码审查一直是他最讨厌的环节。现在 Codex 审查所有 PR。他提到 5.2 版本的模型在代码审查上表现极好，尤其是当你给它一些引导方向的时候。> 代码审查从原来的 10-15 分钟变成了 2-3 分钟，因为大部分建议已经提前准备好了。对于小的 PR，有时候甚至不需要人来审查，Codex 就是一双相当聪明的“第二双眼睛”。Lenny 追问：Codex 写代码，Codex 审查自己的代码，这不是“自审”吗？Sherwin 承认确实有循环性的问题，回到了魔法师学徒的比喻，你不能让扫帚完全失控。大多数工程师仍然会看 PR，只是注意力从 100% 降到了 30% 左右，这就够用了。他们也会用模型的不同内部变体来获取不同视角。在代码审查之外，CI（持续集成）流程、lint 错误修复、部署前的各种琐碎工作也已经大量通过 Codex 自动化了。目标是把工程师在“写完代码到上线”之间的摩擦压缩到最小。【5】管理者的角色变化：外科手术团队Lenny 把话题转向管理者：工作怎么变了？第一个趋势是 AI 放大了个人能力差距。Codex 尤其放大了高绩效员工的产出，他们本来就能力强，再加上 AI 杠杆，差距急剧拉大。这也是他一直坚持的管理哲学：> 我一直把超过 50% 的时间花在排名前 10% 的员工身上，确保他们不被阻塞，确保他们开心，确保他们觉得自己有生产力并且被倾听。Marc Andreessen 最近在 Lenny 的播客里说过一句类似的话：“AI 让好的人变得更好，让优秀的人变得卓越。”Sherwin 完全认同。然后他展开了另一个比喻，来自 Frederick Brooks 的《人月神话》。这本 1970 年代的书预测软件工程会变成像外科手术一样：手术室里有一个人主刀，其他所有人都在支持这个人。> 我不认为软件工程完全变成了这样，它更协作。但我把这个比喻用在了自己的管理方式上：让我团队里的人觉得自己是主刀医生，而我作为管理者就是那个“外科手术团队”，替他们提前准备好手术刀，替他们看到拐角后面的障碍。他举了一个具体例子：当工程师们以飞快的速度产出 PR 时，真正的瓶颈往往是组织层面和流程层面的阻塞。如果管理者能提前看到这些阻塞并清除掉，效果就像主刀医生还没开口说“手术刀”，护士就已经递过来了。他预测管理者未来能管理更大的团队，超过目前普遍认为的 6-8 人上限。【6】一人十亿美元公司：你没“定价”进去的连锁效应Lenny 问：人们对 AI 的影响，有什么还没充分意识到的？Sherwin 从“一人十亿美元公司”这个概念切入。他认为这是 AI 浪潮中最引人注目的想法之一，可能最早由 Sam Altman 提出。但他更感兴趣的是大家还没想到的二阶和三阶效应。二阶效应：如果一个人能创建十亿美元的公司，那创建一般的公司就更容易了。他预测会出现一波巨大的创业潮，尤其是垂直化的 AI 软件公司。为了支撑一个“一人十亿美元公司”的运转，可能需要上百个小型公司提供定制化的配套软件。> 可能会有一个一人十亿美元的公司，但也会有一百个一亿美元的公司，上万个一千万美元的公司。对个人来说，一千万美元的生意已经足够让你一生无忧了。他认为这可能是 B2B SaaS 的黄金时代，因为软件构建的成本正在坍塌。三阶效应：如果大量公司是“微型公司”，VC 生态可能会改变。这些一千万到五千万美元的公司对创始人来说很好，但不适合风险投资追求的 100 倍回报。市场可能会分化成少数大平台加上海量小公司的格局。Lenny 补充了他自己想到的“第四阶效应”：当选择如此之多时，分发能力变得越来越重要，有受众和平台的人会变得更有价值。对于“一个人怎么处理客服”的质疑，Sherwin 说：你不需要亲自用 AI 解决客服问题。会有别的小型创业公司专门为你这类业务打造极度定制化的客服工具，比如“播客和 newsletter 专用客服软件”。因为构建软件的成本大幅下降，“自建还是外包”的平衡点会大幅偏向外包。【7】为什么这么多 AI 部署在亏钱他首先强调了一个被反复低估的事实：> 我们在硅谷生活在泡沫里。X 是泡沫。软件工程是泡沫。世界上大多数人不是软件工程师，不是 AI 狂热者，不关注每个模型发布。当他跟这些企业的实际员工交流时发现，他们对 AI 的使用极其基础，问最简单的问题，远远没有推到极限。他认为 AI 部署成功需要两个条件同时满足：1. 自上而下的买入：高管层的支持、预算、工具采购2. 自下而上的传播：真正做事的员工对技术感到兴奋，愿意学习和分享反模式是纯粹的自上而下：高管下令“我们要成为 AI 优先的公司”，甚至在绩效评估中加入 AI 使用指标，但员工不理解技术，周围也没人在用，结果就是一大群困惑的人不知道该做什么。他的建议：> 找到或专门组建一个“老虎队”，一个内部的全职团队，去探索 AI 能力在具体工作流中的极限，然后做知识分享，在内部点燃兴奋感。Lenny 问这个老虎队应该由什么人组成。Sherwin 说：> 往往不是软件工程师，因为很多公司根本没有软件工程师。通常是“技术相邻”的人，比如运营团队里那个不会写代码但是 Excel 奇才、对新技术特别有热情的人。这类人我见到过的反应最强烈。【8】“模型会在早餐前吞掉你的脚手架”Sherwin 谈到了他在 AI 领域的一个观察。他引用了 FinTool 创始人 Nicholas 在 X 上的一句话：> “模型会在早餐前吞掉你的脚手架。”回看过去三年：2022 年 ChatGPT 刚发布时，模型还比较“生”，于是整个开发者生态建了大量的脚手架，agent 框架、向量数据库、各种试图驯服模型的工具。当时向量数据库是最热门的话题。然后模型迅速进步，大量脚手架变得多余了。向量数据库不再是唯一的上下文管理方式，你可以直接把文件放在文件系统里，用 skills 文件和 agents.md 来引导模型。Sherwin 甚至预测，当前流行的 skills 文件和基于文件的上下文管理方式也可能被未来的模型吞掉，因为模型可能学会自己管理这些。他承认 OpenAI API 团队自己也在这个问题上犯过错：> 我们也走了一些不该走的弯路。但模型变得更好了，我们都在日复一日地学习“苦涩的教训”（The Bitter Lesson）。他给创业者的建议：> 确保你是在为模型将去的方向构建，而非它们今天的能力。他见过的最成功的初创公司，构建的产品可能在当下只有 80% 的模型能力支撑，看起来“差一点”。但当新模型出来，o3、5.1、5.2，突然就“点击到位”了，产品变得惊艳。> 你可能需要等一等，但模型进步如此之快，通常不需要等太久。【9】未来 12-18 个月：多小时任务和被低估的音频Lenny 问：API 和模型接下来会往哪里发展？Sherwin 提了两个方向。第一个是任务持续时间的延长。他引用了 Meter Benchmark 的数据，这个基准测试追踪模型能在多长的软件工程任务上保持连贯。目前前沿模型能在多小时任务上达到约 50% 的成功率，在接近 1 小时的任务上达到约 80%。他认为 12-18 个月内，模型可能能够连贯地执行 6 小时甚至一整天的任务。围绕它构建的产品形态会完全不同，你不再是分钟级地交互，而是“派出一个 agent，让它自己工作半天”。第二个是音频和语音 AI。这个领域他认为被严重低估了：> 所有人都在谈编码，都是文本。但我们现在就在用音频对话。全球大量的商业活动是通过对话完成的。大量的服务和运营是通过语音进行的。他预测在原生多模态模型方面会有显著进步，尤其是在企业和商业场景中。【10】"不要把这个时代当作理所当然"访谈最后聊到了对当下的感受。他 2014 年入行，觉得头几年挺好，但接下来有五六年科技行业没什么特别令人兴奋的事情。然后过去三年成了他职业生涯中最疯狂、最激动人心的时期。> 接下来两到三年还会继续这样。我鼓励大家不要把这当作理所当然。总有一天这波浪潮会趋于平缓，变得更渐进。但在那之前，我们有机会探索很多很酷的东西，发明新事物，改变世界。对于“怎么才能不错过”，他的建议很实际：不一定要是工程师，不一定要创业，但要动手用这些工具。安装 Codex CLI 玩一玩。把 ChatGPT 连接到你的 Notion、Slack、GitHub 上看看它能做什么。理解它现在的能力边界，这样当模型进步时，你能敏锐地捕捉到新的可能。对于“信息过载”的焦虑：> 大量信息其实是噪音。你不需要掌握 110% 的资讯。老老实实用好一两个工具、从小处开始，就已经足够了。

47. Codex App 晚上体验了2个小时，谈谈体会：1. 2小时完成了8次迭代（见图2），效率很高2. 效率高源自 GPT 5.2 Codex 能力强、输出快，以及 Codex SDK 的 Agent 能力3. 最爽的是额度量大管饱，我是 ChatGPT Plus，2小时 7d limit 用了 7%，模型是 GPT 5.2 Codex High，我基本只有晚上有时间写个2小时代码，对我来说是基本用不完的4. GLM 4.7 Coding Plan max 有点尴尬了，没有时间使用，实在用不到就养小螃蟹电子宠物好了……还是期待 GLM55. 同时也期待 Claude6. 同时还期待 DeepSeek，大升级小升级都期待7. 睡觉！

48. Vibe Coding 指南：终极 AI 结对编程流程，帮开发者规划驱动开发，模块化拆解任务，一步步把想法变成可维护代码流水线。它强调以“规划就是一切”为核心理念，采用递归自我优化的元方法论，规范 AI 生成的提示词和技能，防止项目陷入混乱。配合 VSCode 插件和终端 CLI，支持 Claude Opus 4.5 与 gpt-5.1-codex 等顶级模型，能实现从需求设计、技术选型、开发规划到代码实现的完整闭环。主要功能： - 详细的实施计划生成，分步指导开发与测试，保证质量； - 系统提示词库和编码提示词库，约束 AI 行为边界； - 模块化项目结构管理，防止代码膨胀和混乱； - 支持多模型和工具集成，如 Codex CLI、Claude Code、LazyVim、Warp 终端等； - 结合记忆库和上下文，提升 AI 代码生成准确度和连续性。项目已开源，拥有丰富文档和实用工具，适合软件开发者想用 AI 高效编码、持续迭代和复盘。 GitHub：github.com/2025Emma/vibe-coding-cn #AI创造营##人工智能#

49. Claude code + GPT5-codex 双管齐发的效果是否更好，还是单用好，怎样体验最好？

50. OpenAI 发布 GPT-5.1-Codex-Max 编程模型，有什么值得关注的提升？

51. 个人觉得 Openclaw 目前缺乏的东西：1、打断和引导。2、多线程。3、稳定运行。4、费 Token（完全没必要）5、干活看不到过程，干完了才腹泻式输出。根本做不了生产力。真正干活还是用 Codex 靠谱一些。所以我现在用 Codex 写了个自己的龙虾，更稳定，更聪明，Token 更少。飞书那边建了几个机器人的群。可以同时多线程运行东西（算是一种弥补），需要远程操作或者让同事操作东西，就在飞书调用。自己写代码就直接开 Codex 了，不搞虚的。龙虾现在有点像电子宠物了，陪伴和氛围感更多一些，大家花在搭建上的时间最多，弄完了很多人都不干正经活，当然它也干不了。现状就是很多人在研究一百种设备跑了 Openclaw，通过十种聊天软件接入，费了一个亿的 token，问了一堆豆包回答的更好的问题，点两下鼠标就能解决的问题，目的就是发个朋友圈说：“终于搞完了”。感觉是一种虚假繁荣。

52. Codex 终于有图形界面了。Codex 是 OpenAI 的 AI 编程助手，之前只有命令行版本。今天 OpenAI 发布了 Codex Desktop App，一款 macOS 桌面应用。我测试了一下，感觉不错。前些天还在吐槽 Codex CLI 难用，现在暂时收回这句话。有了 GUI，操作方便多了，新增的 Skills 和定时任务功能也很实用。Codex 桌面版是什么Codex 桌面版是一个图形化界面的 Coding Agent（可以理解为帮你写代码的 AI 助手），但它不止于此，还支持定时任务、Skills 管理和多个 AI 编程 Agent 并行运行。以前用命令行版，你只能盯着一个终端窗口看它干活。现在可以同时启动好几个 Agent，一个重构认证模块，一个写支付系统的单元测试，第三个处理代码格式问题，它们并行工作，你在一个界面里监控所有进度。每个 Agent 在独立的 Git 分支上工作，互不干扰。完成后你看 diff、审代码、决定要不要合并。有点像老板，手下有几个 24 小时不睡觉的 AI 初级程序员。侧边栏可以直接看代码变更记录，不需要专门打开 VSCode 去查看，但编辑还不支持。定时任务：给自己雇个夜班值班员定时任务叫 Automations，能让 AI 定期执行一套工程动作，然后把结果交给你审阅。能用它干什么？扫近期提交找潜在 bug、从合并的 PR 里写 release notes、总结昨天 git 活动给站会、汇总 CI 失败和 flaky tests。OpenAI 内部也拿它做 issue 分流、CI 故障总结、版本发布简报这些"值班活"。两个关键机制要注意：本地运行：App 必须开着定时器才会起作用，项目目录必须在本机。暂时不支持云端定时器，不过 OpenAI 说云端支持在路上。沙盒权限：只读模式下，改文件、联网的调用都会失败；开到 full access 就意味着它能在你电脑上为所欲为，不需要确认就能改东西、跑命令、联网。建议：先手工跑一遍，确认影响范围，再上定时。另外，定时任务默认用 Git worktree 隔离，不干扰你的主工作区；跑完有发现就进收件箱，没事就自动归档——像给自己雇了个值班同事，只有真的有事才来敲你。Skills：把团队套路变成可复用的操作卡片Skills 这词很多产品都用，但 Codex 这套接近"把团队惯例封装成可调用的操作卡片"。技术上，一个 skill 是一个文件夹，核心是一个带 YAML 元数据的 SKILL.md，再配上可选脚本、参考资料、模板资源。可以理解成：把"怎么做某件事"从聊天记录里抽出来，变成能版本控制、能共享、能复用的标准操作流程。OpenAI 官方提供了一批现成的 Skills：Figma 技能把设计稿转成代码，Linear 技能帮你管项目，还有 Cloudflare、Vercel、Netlify 这些部署平台的技能，以及读写 PDF、表格、docx 的办公技能。它还有个内置的 Skill Creator，你可以用它教 Codex 怎么用你们公司内部的 API。据说 OpenAI 内部已经做了几百个自定义技能，拿来跑评测、监控训练、自动写发布说明。触发方式有两种：显式调用（在提示词里点名 $skill-name）和隐式调用（Codex 根据任务自动判断该用哪个技能）。更关键的是，skills 和定时任务打通了，自动化任务里可以直接写 $skill-name，把"定时做事"变成"定时按标准流程做事"。和 Claude Code 的差别Claude Code 是 Anthropic 的 AI 编程产品，早几个月就有了桌面应用（后来改名叫 Cowork），也能跑 remote sessions，关掉 app 也能在云里继续跑。两者都能写代码、都有 GUI，但调度哲学不太一样。Claude Code 更强调开发者在旁边看着，一步步互动。Codex 则更想让你"撒手"，把任务扔给它，它自己跑完来找你汇报。几个具体差别：并行隔离：Codex 把 worktree 做成一等公民，创建线程时直接选 Worktree 模式，自动化任务也默认用后台 worktree 跑。Claude Code 也支持并行，但更像"你先会 Git worktree，然后在每个 worktree 里各跑一个 Claude Code"，是手动拼装的。自动化落点：Codex 是"桌面内建的定时调度 + 收件箱回报"，贴近个人工作站值班。Claude Code 更偏"事件驱动和 CI"，它有 hooks 可以在编辑、任务结束等节点自动跑 shell 命令，还有 GitHub Actions 集成，把"定时"更多交给 CI 平台。Skills：两边都基于 Agent Skills 开放标准，都能用"SKILL.md + YAML 元数据"沉淀团队套路。但 Claude Code 在"怎么控制模型何时触发技能、怎么让子代理隔离执行"这块讲得更体系化。市场层面，据报道 Claude Code 在企业客户里暂时领先，Netflix、Uber、Spotify 都在用。OpenAI 这次免费开放给所有用户试用（限时两个月），同时给付费用户翻倍配额，明显是想抢用户。OpenClaw：一个值得关注的参照说完官方产品，值得看一眼社区在做什么。OpenClaw（以前叫 ClawdBot）是个开源项目，做的事更激进：让 AI 不只写代码，还能帮你清邮件、订机票、管日程，像个住在电脑里的私人助理。有意思的是，OpenClaw 的作者 Peter Steinberger 说，他整个项目都是用 Codex 写的，生产力翻了一倍。但他同时推荐大家用 Claude 来跑 OpenClaw 的 Agent，因为 Claude Opus 4.5 更适合做通用任务。OpenClaw 说明一个趋势：大家对"能真正帮你干活的 AI"有强烈需求。Codex 加了 Skills 和定时任务，正是在往这个方向走。对你意味着什么如果你是开发者，这是个生产力工具。建议别从"写代码更快"来评估，而是从"把哪些重复劳动变成例行流程"来评估。比如：每天早上自动扫 CI 失败，归因并给出修复建议，结果进收件箱，你只做决策；每天自动生成 release 简报，把过去 24 小时的关键变更变成可读的文档；把团队最佳实践写成 skills，新人、外包、甚至另一个 agent，都按同一本操作手册来。如果你不是开发者，OpenAI 也想让你用上。GUI 比命令行友好，你可以用自然语言描述想要什么。Codex 这个名字听着像给程序员的，但 OpenAI 在公告里已经把它往更广的方向延伸，强调它正从"写代码"变成"用代码帮你把事办完"。普通人可能用得上的场景：你有一堆固定格式的文件要处理（发票、报告、统计表），让它定期整理成干净的表格或 PDF；你在做内容工作，每周把素材文件夹里的新内容归档、生成摘要，你只做最后审核。简单说，就是把你的重复性日常任务，让 Codex 写代码帮你完成。用量和定价这次发布配套的"放量"很明确：限时对 Free 和 Go 用户开放试用，Plus/Pro/Business/Enterprise 享受 2 倍用量限制。Sam Altman 说免费试用会持续两个月。建议趁免费期试试，尤其是多任务并行、定时任务和 Skills 功能，这三个才是这次更新的核心差异化。下载地址：openai.com/codex

53. 项目如何使用 AI 并行开发，其实是一个挺头疼的问题。比如让 Claude 和 Codex 同时改代码，经常会出现一种很荒诞的场景：Claude 不小心读到了 Codex 正在修改的代码，而那段代码刚好还没改完，里面还有一点小 bug。Claude 看不下去，直接把文件接手过来，一通修改。Codex 很快也意识到自己的代码被改了，于是又把代码修正回来。于是控制台上就会出现两个 AI 的拉锯战，你改一版，我改一版，来回循环，token 在疯狂消耗，事情却没有往前推进一步。Codex 客户端给出的一个解决方案，是利用 Git 的 worktree 机制。简单说就是把代码拆到多个目录里，每个 AI 在自己的目录里干活，互相隔离，最后再通过 merge 的方式合并代码，并手动处理冲突。这个方法在中小规模任务里还算有效，不过如果项目里有一个比较激进的规则，比如边改代码边做架构优化和工程优化，就会遇到新的问题。当多个 worktree 分支同时在做结构调整时，最后合并的冲突复杂度会非常高，有时候解决冲突的时间，甚至比 AI 写代码还要长。GitHub Copilot CLI 的思路稍微不一样，它更偏向任务隔离，而不是代码隔离。通常会通过一次 Request 定义一个比较完整的任务边界，让 AI 在一个任务上下文中完成修改，尽量避免多个会话同时在同一片代码区域频繁改动。简单理解就是减少并发编辑，增加任务粒度。不过说实话，这个问题目前看起来还没有特别完美的解决方案。我现在的做法主要是从流程上做一些约束，比如在编码之前就约定好规范，要求 AI 在 Coding 之前先评估影响面；项目目录尽量做隔离，让功能尽量收敛到单个目录中；提前做好抽象和组件复用，减少多个模块同时修改同一层代码的概率。同时也尽量避免多个 AI 同时编码，例如 Claude 写代码的时候，让 Codex 去写设计文档或者系统分析，把文档编程和代码编程拆开。现在的感觉是，AI 并行开发看起来很像多核 CPU，真正跑起来之后才会发现，很多问题其实来自锁竞争和资源争抢。不知道大家现在是怎么解决这个问题的。

54. 【 vivo X300 Pro 影像评测：2 亿像素是不是噱头？】这款手机使用了一段时间，今年 vivo 把长焦镜头升级到 2 亿像素，除了巨大数字所带来的直观冲击，高像素日常使用的价值也是大家关注的重点。2 亿像素除了拍照清晰之外还有什么别的玩法？日常拍照用 2 亿像素行不行？这款手机除了 2 亿像素还有其他功能吗？一起来看视频。钟文泽的微博视频

55. 盘点一周AI大事(12月21日)｜谷歌手撕OpenAI OpenAI 上线最强图像模型GPT Image 1.5 OpenAI发布最强编码模型GPT-5.2-Codex Google发布 Gemini 3 Flash Google开源A2UI协议微软开源最强3D模型TRELLIS 2 阿里开源分层编辑图像模型Qwen-Image-Layered 阿里发布Veo 3平替Wan2.6 字节发布Veo 3平替Seedance 1.5 pro 腾讯开源首个实时交互世界模型WorldPlay 研究员开源照片重新对焦Genfocus Pipeline 研究员开源实时换脸视频模型PersonaLive Meta开源最强声音分割模型SAM Audio #抖音知识年终大赏 #AI新星计划 #OpenAI #AIGC #前沿科技趋势发布月

56. 刚看了 OpenAI 发的那篇《How we used Codex to build Sora for Android in 28 days》的凡尔赛文章，整个Sora 的安卓客户端 App大约85%的代码是AI写的。发布首日，用户24小时内生成了超过100万条视频，并且质量很稳定，无崩溃率99.9%。对于这样的结果肯定有人质疑、有人觉得程序员要完。说说我看完的感觉，如果打个比方，就是几个特种兵配上了最先进的武器，自然所向披靡。所以先不用神化这个结果，然后就算我们不是特种兵，一样可以从这个结果中去学习借鉴到有价值的结果。《人月神话》作者 Fred Brooks 说过一句软件工程中被反复验证的名言：“向一个延期的软件项目增加人力，只会让它延期得更厉害”。因为增加更多的工程师往往会因为增加了沟通成本、任务碎片化和整合成本，反而降低效率。那往团队中加 AI 呢？取决于团队成员驾驭 AI 的能力。我们有句古话叫：“韩信带兵多多益善”，如果团队成员是韩信，那么 AI Agents 越多越好。OpenAI 安卓团队显然是精锐，只有 4 个人，就像一队特种兵，每个人配备了各种机器人辅助。那么他们怎么做的呢？1. 架构先行：人先搭好架子，再让AI来填空。这个架子怎么搭？团队先自己定义了App的整体架构：模块化方案、依赖注入、导航结构、认证流程、基础网络层。然后手写了几个有代表性的功能，作为范本。关键一步：他们写了大量的AGENTS.md文件，相当于给AI写的新人手册。比如里面会写：每次提交前必须跑detektFix检查格式，CI会卡这个。这样一来，每次启动新的Codex session，它都能快速读到这些规范。就像给新员工发一本内部wiki，减少重复解释的成本。团队总结了一句话：我们不需要告诉Codex怎么写代码，我们需要告诉它在我们团队什么才算正确。这是微妙但重要的区别。2. 先规划再写代码一开始他们也试过偷懒，直接扔一句"这是功能需求，这是相关文件，你去实现"。结果代码能跑，但歪得厉害，完全不符合架构预期。后来他们改了流程。任何复杂功能，第一步不是让AI写代码，而是让AI先理解系统。比如让它读一组相关文件，总结数据是怎么从API流到Repository再到ViewModel最后到UI的。然后人来纠正它的理解。理解对了，再让AI出一份实现计划，像个迷你设计文档。哪些文件要改，要引入什么新状态，逻辑怎么流转。人确认计划没问题，AI才开始动手。这个规划环节看起来慢了，其实省了大量返工。更重要的是，当你知道AI的计划是什么，review它的代码就容易多了。你是在检查执行是否符合计划，而不是对着一堆diff发呆。他们还有一个小技巧：对于特别长的任务，让AI把计划保存到文件里。这样换一个session也能继续。当多个Codex 任务同时跑起来，整个开发体验发生了质变。感觉不像在用工具，更像在管理一个团队。一个任务在做播放器优化，另一个在写搜索功能，第三个在处理错误逻辑，第四个在补测试。它们各自推进，隔一段时间就来汇报：我这个模块规划好了，你看看行不行？或者直接甩过来一个大diff。工程师的工作从写代码变成了做决策和给反馈。瓶颈不再是敲代码多快，而是大脑审查验证代码的速度多快。再次应验了《人月神话》的话，你不仅不能无限增加人力，也不能无限增加 Agent。3. 最好的跨平台框架是 AI Agent还有一个有趣的实践：跨平台开发的新范式。Sora已经有iOS版本了。团队做Android时，直接把iOS代码库也挂进Codex的环境里。然后告诉Codex：参考 iOS 的代码实现，再看看我们Android的架构，你来生成相应的Kotlin代码。这就是为什么文章中开玩笑说：忘掉React Native和Flutter吧，未来的跨平台框架就是Codex。这句话半认真半玩笑。因为应用逻辑是可移植的。数据模型、网络请求、校验规则，用Swift写和用Kotlin写，本质是同一套东西。AI擅长的恰恰是这种翻译工作，给它足够的上下文，它就能在语言之间无损转换。所以回过头来看，为什么说不能过度神化呢？因为他们虽然只 4 个人，但每个人都是“韩信”那样善于带团队的角色，用起 Agent 来得心应手。但即使如此，也做不到“多多益善”，毕竟还是需要人去分配任务验证结果，人是平静。另外他们已经有了 iOS 代码，所以很多逻辑可以共用，只需要 AI 去“翻译”。但还是有很多可以学习的地方。先设计架构再去让 AI 填空，这样代码更容易维护，也更好的保证质量。先规划再写代码，让 AI 充分理解上下文再动手。很多人吐槽 Codex 太慢，但我有时候就怕 Agent 太快乱来，宁可多等会，让它多了解上下文，这样一次成功，否则返工起来时间成本更高。给 AI 好的参考，让它能照葫芦画瓢。开始的时候先花点时间把最佳实践沉淀下来，后续让 AI 去参考这些最佳实践，生成结果就会好很多。如果有其他语言的实现，让它去“翻译”也会事半功倍。能做好这些才能用好 AI 辅助开发。 AI辅助开发不是让开发的标准降低了，反而是提高了标准。Coding Agent 擅长完成一个小的具体任务，但软件工程不是一个小的任务，它是由无数动态变化的小任务组成的。需要人去分解去验证。所以未来软件工程师的核心能力，不是写代码快，而是两件事：对系统的深度理解，以及和AI长期协作的能力。代码在变得廉价，但品味在变得昂贵。那些能定义什么是正确、什么是优雅、什么是面向未来的人，会越来越稀缺。AI把搬砖的活儿接走了，但画图纸的活儿还是你的。《How we used Codex to build Sora for Android in 28 days》：网页链接

57. OpenAI最强代码模型GPT-5.2-Codex上线

58. 在线开发者和 AI 爱好者注意了！OpenAI 发布了超实用的开源项目「Skills Catalog for Codex」，它收集了大量可被 AI 代码代理（Codex）调用的技能包，帮助实现各种编程任务的自动化和智能化。这些「技能」本质上是任务指令、脚本和资源的合集，Codex 可以用它们来完成特定工作，实现写一次、处处用的高效复用。亮点功能：- 包含丰富的开发者工作流技能，支持自动化代码、测试、部署；- 覆盖多种语言及场景，比如 Python、JavaScript 甚至 Shell 脚本；- 支持官网推荐的“curated”和“experimental”技能安装，灵活拓展能力；- 易于创建和分享自定义技能，让你的 AI 助手更贴合实际需求。GitHub：github.com/openai/skills适合对 AI 代码自动化感兴趣的开发者和团队，提升工作效率的利器！#AI创造营##人工智能#

59. 299真神！巨舒服！增高6cm！史上最大升级，0溢价！

60. WIRED 最新长篇报道揭示了 OpenAI 在 AI 编程工具赛道上追赶 Anthropic 的内幕。记者采访了超过 30 位知情人士，包括 Altman、Brockman 等高管，拼出了一幅少见的画面：OpenAI 这一次是追赶者。几个关键数字：Claude Code 年化收入超过 25 亿美元，贡献了 Anthropic 近五分之一的营收；Codex 截至今年 1 月底刚过 10 亿。去年 9 月 Codex 使用量只有 Claude Code 的 5%，到今年 1 月追到了 40%。差距在缩小，但远没追平。Altman 把 AI 编程称为"罕见的数万亿美元市场"，认为 Codex "很可能是通往 AGI 最可行的路径"。【1】起了个大早OpenAI 才是这件事的先行者。2021 年就推出了初代 Codex，后来授权微软做成了 GitHub Copilot。但 ChatGPT 在 2022 年底爆火后，编程团队被拆散，资源全部砸向消费级产品。内部觉得这个领域已经"被 GitHub Copilot 覆盖了"。Anthropic 走了不同的路。2024 年初用大量真实代码库训练 Claude Sonnet 3.5，6 月发布后编程能力惊艳开发者圈子，Cursor 接入后用量暴涨，Anthropic 随即开始内测 Claude Code。Brockman 自己承认，OpenAI 在用真实代码库训练这件事上"起步晚了"。【2】追赶的代价OpenAI 直到 2024 年底才认真搞编程智能体，几个分散的内部小组花了好几个月才合并成统一团队。Altman 还试图以 30 亿美元收购编程初创公司 Windsurf 来弯道超车，但微软横插一脚。微软一直靠 OpenAI 的模型驱动 GitHub Copilot，不希望 OpenAI 再出竞品。拉锯几个月后交易在去年 7 月告吹，Windsurf 创始人被 Google 挖走，团队被 Cognition 收购。【3】GPT-5.2 带来的转折真正让 Codex 追上来的是 GPT-5.2。Notion 联合创始人 Simon Last 说他和团队因此转投 Codex，理由是："Claude Code 会骗人，说自己在干活其实没干。"OpenAI 在今年超级碗投放的广告也是 Codex 而非 ChatGPT，押注力度可见一斑。Codex 的风格也有意思。研究员 Katy Shi 说虽然有人吐槽它像"干面包"，但很多工程师反而喜欢这种不拍马屁的调性，写代码需要直接的批评反馈。不过两家都在烧钱抢用户。有开发者反映 200 美元/月的套餐实际用出了超过 1000 美元的量，本质上是花钱让开发者养成习惯，再按用量收费。【4】更大的问题AI 编程智能体的影响已溢出硅谷。上个月 Claude Code 被认为间接引发了万亿美元级科技股抛售；Anthropic 宣布 Claude Code 能改造 COBOL 老系统后，IBM 股价创 25 年最大跌幅。思科总裁 Jeetu Patel 告诉员工：用这些工具不会丢饭碗，但不用一定会。安全方面，非营利组织 Midas Project 指责 OpenAI 在 GPT-5.3-Codex 的安全评估上偷工减料，OpenAI 对齐负责人 Amelia Glaese 否认了这一说法。Brockman 的感受可能代表了很多工程师的心态：这种工作方式"很解放"，但当你变成指挥成千上万个 AI 智能体的人时，"你不再深入了解具体问题是怎么解决的"，有时觉得自己"正在失去对问题的直觉"。OpenAI 内部许多工程师说自己已经几乎不手写代码，每天就是跟 Codex 对话。产品负责人 Fidji Simo 说，目标是让 Codex 最终驱动所有产品，不只写代码，而是帮人完成任务。AI 编程工具之争远没有结束，竞争焦点正在从"谁先做出来"转向"谁能让开发者真正信赖"。来源：www.wired.com/story/openai-codex-race-claude-code/

61. 分享一点 AI Coding/Codex 实践技巧：告诉 AI 如何验证这个方法其实我提到多次，只不过再随手贡献一个案例罢了。Coding Agent 能力挺强的，能自己写代码自己调用工具，但是它有时候并不知道该如何验证数据。如果说你只是告诉它哪里错了，它并不一定能通过阅读代码找出问题所在，但如果你告诉它如何验证，那么它就能在修改完后自行验证，验证时如果发现问题就会继续修复，直到完全修复为止。比如我在调试一个 API 发现返回结果不对，那么我就告诉它输入是什么，实际输出是什么，期望结果是什么（甚至于我没说它也猜得到），然后让它自行写测试代码验证。那么它就不仅阅读代码修改问题，还会写测试程序去验证，直到解决问题。

62. OpenAI 宣布收购 Astral，将后者旗下的开源 Python 工具整合进自家的 Codex 编程智能体生态。 Astral 是 Python 开发者圈子里的明星工具公司，旗下三款开源工具几乎已经成为现代 Python 开发的标配：uv 负责依赖管理和虚拟环境（类似于一个更快更好用的 pip + virtualenv），Ruff 是目前最快的代码检查和格式化工具，ty 则用于类型安全检查。这三样工具覆盖了 Python 开发流程中最高频的痛点，用户数以百万计。 OpenAI 的意图很明确：Codex 不想只做"帮你写代码"的工具，而是要深入到整个软件开发流程：规划变更、修改代码库、运行工具链、验证结果、长期维护。要做到这些，AI 智能体必须能直接操作开发者日常依赖的工具，而不是停留在生成代码片段的层面。收购 Astral 就是把这些工具链直接收入囊中。 Codex 目前的势头也不错：周活跃用户超过 200 万，年初至今用户量增长 3 倍，使用量增长 5 倍。交易尚需监管审批，完成后 Astral 团队将并入 Codex 团队。Astral 创始人 Charlie Marsh 表示将继续推进开源工具的演进。OpenAI 也承诺交易完成后会继续支持 Astral 的开源项目。值得留意的是，OpenAI 近期收购动作频繁，同期还官宣了收购 Promptfoo（一个 LLM 评测工具）。再加上之前收购 Windsurf（未遂），OpenAI 正在通过密集收购快速补齐 Codex 在开发者工具链上的拼图，把编程智能体从"能写代码"推向"能参与整个开发流程"。

63. 《OpenAI 应用 CTO 和 Codex 负责人：AI 正在重塑构建软件的方式》一文 OpenAI 应用 CTO 和 Codex 负责人：AI 正在重塑构建软件的方式中提到的“基础永远不会过时”，这里的基础指的是哪些能力呢？如果结合访谈内容，里面说的基础主要是几个层面：1. 扎实的 CS 专业基础> “他拉了一条 25 年的时间线，从汇编到 C++ 到 JavaScript 再到 AI，每一层抽象提升时都有人质疑‘这不是真工程师’，但底层原理的理解始终有价值。”既然 AGI 还没到，那就还需要人去给 AI 兜底，去分拆任务，去帮 AI 兜底，就要懂一点编程语言、系统设计这些 CS 专业知识2. 产品直觉和系统思维> 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”。文章结尾也总结了：> 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。现在人人都能 Vibe Coding，但真正做出有价值产品还是很少，因为瓶颈从代码生成转移到了用户需求理解。3. 代码架构和工程判断力Tibo 在回应新人基础够不够时强调：> 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。4. 调试和诊断能力VJ 预测未来工程师会更像医生，靠症状定位问题。当系统复杂到人类无法逐行阅读代码时，理解系统行为、快速定位异常的能力就变成了核心基础。“基础”不是指具体会写哪种语言的代码，而是理解底层原理、具备产品判断力、能设计好的系统架构、以及在抽象层之间自如切换的能力。

64. 锐评 iPhone 17 的 20 个升级：谁拉完了？

65. 鸿蒙智行喊你快来升级

66. 用好 Coding Agent 两个秘籍： 1. 给好的代码给它参考 2. 告诉它如何自己验证用好了事半功倍好的代码参考在 GitHub 上通常你能找到合适的。验证可能需要提供工具和方法，比如 - 让它把代码编译一下，有编译错误 - 把网站启动起来用 Chrome Dev Tool MCP 或者 Playwright MCP 打开看看有没有网页错误或者错误日志 - 跑一下自动化测试代码 - 连上真实 API，比如我昨天分享的一个 http://t.cn/AXqmK0Pt ： > 比如昨天我让 Codex 实现发布草稿到微信公众号的功能，直接配好 API Key，给它一个文档，让它写完后自己用这个 Key 和文档去发布验证。过一会儿去看，已经实现好了，完全不需要我反复测试。

67. 我如何用 Codex 在 5 天内"找回"丢失的源代码我早年写了一个 Electron 画图程序，源码丢了，只剩一个编译后的版本。我想过重写，但一想到要从零复现那些细节就头大。当时看了 OpenAI 那篇“28 天用 Codex 做出 Sora Android App”的博客 (http://t.cn/AX5vM1pu )，我突然有了个想法：既然编译后的代码还在，能不能让 Codex 帮我“逆向还原”出源代码？ 5 天后，我拿到了一份能正常运行的 TypeScript 源代码。从混淆代码里挖出模块结构 Electron 应用打包后，代码都压在 asar 文件里。第一步是让 Codex 从里面把 js 和 css 文件提取出来。提取出来的 js 是编译混淆过的，变量名全是 a、b、c，函数调用链乱成一团。人眼看着就晕，但对 Codex 来说，这只是另一段代码。我让 Codex 分析主要的 js 文件，把里面的模块列表整理出来。它真的做到了。虽然原始的模块名已经丢失，但从代码结构和功能逻辑，它还原出了一份相当完整的模块清单。有了这份清单，我让 Codex 制定还原计划：把每个模块从混淆后的 JavaScript 还原成可读的 TypeScript 代码。清单变成了一个 checklist，每完成一个模块就打个勾。第一个坑：Codex 太想"证明自己" 刚开始还原的时候，我遇到了一个问题。 Codex 有一种执念：它特别想验证生成的代码能跑。为了让代码能 build 通过，它会悄悄删减内容，跳过一些它觉得“暂时用不上”的部分。这对于写新代码是好习惯，但对于还原旧代码是灾难。我需要的是完整还原，不是能编译的最小子集。解决方法很简单，我在 AGENT.md 里加了一条强规则： “按照模块挨个还原即可，不需要保证编译通过。” 这一行字改变了一切。Codex 不再纠结于编译错误，开始老老实实地一个模块一个模块还原。第二个坑：上下文满了，记忆就没了 Codex 的上下文窗口是有限的。早期版本跑到一定程度就会停止，我得不停输入 continue。新开会话的话，又要重新介绍任务背景。我的解决方案是建立一套“外部记忆”系统： 1. 在 AGENT.md 里介绍当前任务的整体背景 2. 创建 PLAN.md 文件，记录还原计划和当前进度 3. 在 AGENT.md 里加一条规则：每次启动必须先读 PLAN.md，每轮任务结束后必须更新 PLAN.md 这样，每次新开会话只需要输入“continue”，Codex 就会自动读取进度，接着上次的位置继续干活。后来我连手动新开会话都懒得做了。让 Codex 帮我写了一个脚本，定时检测上下文是否接近上限，自动新开会话并输入 continue。于是我就看着它自己在那儿跑。过一会看看进度，又有几个模块完成了。把碎片拼成完整的应用几天后，所有模块都还原成了 TypeScript 文件。但这还只是一堆散落的零件。下一步是把它们组装成一个真正能跑的 Electron 应用。我让 Codex 用 Electron Forge 脚手架创建了一个新项目，然后把还原的代码放进去。这时候我重写了 AGENT.md 和 PLAN.md，告诉 Codex 如何编译和测试，然后用同样的套路：自动新开会话、continue、更新 PLAN。我看着 Codex 不停地修复编译错误。它会去原来编译后的代码里验证逻辑，用 npm start 运行应用检查效果，发现问题就修，修完继续下一个。等模块基本能编译通过后，我和 Codex 一起写了集成测试，覆盖几个主要的使用流程。写好测试后，又是同样的循环：让它自己生成代码、跑测试、修问题。五天后第五天结束的时候，我拿到了一个有完整源代码、能正常运行的 Electron 应用。说“完美还原”肯定是夸张了。运行时还有一些小 bug，有些边缘功能的行为和原来不太一样。但主要功能都在，整体结构清晰，最重要的是，我终于可以改代码了。我学到的东西很多人说 Codex 不需要外部循环机制。我觉得这是错的。对于长任务，Codex 需要一个类似 ralph-loop 的 plugin。否则你就得像我一样，自己写脚本去定时新开会话、输入 continue。这明明应该是内置功能。几点经验： 1. Plan 和 checklist 对长任务至关重要。每一轮任务完成后必须更新进度，否则上下文一断，前面的工作就白费了。 2. 为 Codex 提供验证方法同样重要。我能让它自动修 bug，是因为它能自己跑 npm start 看效果、跑测试看结果。没有验证手段，Codex 就只能盲写。 3. 有时候你得明确告诉 Codex 什么不用做，它才能专注于真正需要做的事。那条“不需要保证编译通过”的规则就是例子。 OpenAI 那篇博客讲的是用 Codex 在 28 天内从零构建一个生产级应用。我的故事正好相反：用 Codex 在 5 天内把一个丢失了源码的应用“逆向还原”成源代码。方向不同，核心方法论一样：把 Codex 当成一个能力很强但需要明确指令的队友，建立外部记忆系统保持连续性，提供验证手段让它能自我纠错。

68. OpenAI 发布了 GPT-5.3-Codex-Spark，专为实时编程设计的小模型，也是 OpenAI 和 Cerebras 合作后的第一个成果。跑在 Cerebras 晶圆级芯片上，推理速度超过每秒 1000 个 token。Codex 之前的强项是长时间自主运行，连续工作几小时甚至几天。但日常写代码更多是改个函数、调个接口、重构一段逻辑，等模型想十几分钟再出结果，体验很差。Codex-Spark 填的就是这个空缺：你可以一边看它输出一边打断、纠正、追问，像跟一个反应极快的搭档对话。SWE-Bench Pro 上，Codex-Spark 达到 51% 准确率只需 2.3 分钟，GPT-5.3-Codex 同等准确率要 3 分钟，冲到 57% 则需要 16 分钟。Terminal-Bench 2.0 上 Spark 得分 58.4%，比不上完整版 Codex 的 77.3%，但大幅超过上一代小模型的 46.1%。OpenAI 顺便把整条推理管线做了优化：引入持久化 WebSocket 连接，往返开销降 80%，每 token 额外开销降 30%，首 token 响应减半。Cerebras 晶圆级引擎负责极低延迟场景，GPU 仍是训练和推理主力，两者可混合使用。目前 128K 上下文、纯文本、仅 ChatGPT Pro 用户研究预览。后续规划是让实时交互和长线任务两种模式融合：Codex 在跟你实时对话的同时，把耗时任务分派给后台子智能体，用户不需要预先选模式。模型越强，交互速度越是瓶颈，Codex-Spark 是 OpenAI 在这条路上的第一步。宝玉xp的微博视频

69. Claude Code Agent Teams 运行机制深度分析

70. ClaudeCode 新特性，Agent Teams、insights 命令来了，推荐升级新版本。

71. 不再单打独斗！用 Agent Teams 让 7 个 Claude 同时帮你开发

72. 深入了解Claude Code CLI子代理Subagent

73. Codex Multi-Agent完全指南

74. The Rise of Subagents: SubAgent工作原理剖析

75. Subagents vs. Agent Teams：两种多智能体范式的区别

76. codex 正式发布 subagents OpenAI 已把 Codex 的 subagents 做成正式可用功能。核心变化不是多了几个聊天窗口，而是把读代码、跑验证、做修复拆给不同角色并行处理。更关键的是，它终于能接进你现有的多层调度 #codex #openai #chatgpt #subagent

77. 如何通过 Skills、MCP 和 Subagents 构建 AI Agent 能力操作系统？

78. langchain最新实践：如何使用DeepAgents构建Multi-Agent应用

79. 掌握Claude Code Subagents：从"努力工作"到"聪明工作"的跨越

80. GPT-5.4 Codex新功能碾压Claude Code? 🤖 OpenAI放大招！Codex升级Subagents功能 Sam Altman发图晒增长，直接叫板Claude Code～ 🔍 核心观点： Subagents = 多AI智能体并行协作不再是单一AI从头到尾，而是专业化分工各子代理处理特定任务，结果合并输出你无需管理，系统自动协调 OpenAI与Anthropic的AI编程工具正面交锋 💡 下一代AI编程：不是更大，是更聪明的协作！搬运自YouTube (Universe of AI) #GPT5 #Codex #Subagents #OpenAI #SamAltman #ClaudeCode #AI编程 #智能体 #程序员 #AIGC #科技竞争

81. Claude Code使用进阶 MCP、Agent

82. Agent设计模式-Subagents

83. Claudecode这款强大的功能，从“监工”到“总监”模式的范式转变

84. 10 分钟上手 Claude Code Subagent，让 AI 不再单兵作战，效率真·起飞

85. 【Claude code】Subagent 自进化：从使用中迭代出最契合场景的agent

86. Claude Code 的 Sub Agents：让 AI 编程助手真正听话的办法

87. GPT-5.2-Codex评测，千行代码写在一个文件

88. ClaudeCode中的subagent,skills,mcp,slashcommands,hooks,plugins等概念

89. Claude Code 的 Sub Agent，我真的用了，太强了

90. Claude Code篇（四）Subagents-子代理

91. Claude Code中英文系列教程：子代理subagent

92. Claude Code Agent Teams 深度解析｜真的比 Sub-Agent 强吗

93. 使用 Claude Code 的 Agent 帮助你更快编写更好的代码

94. Claude Code 插件系统详解：如何用 MCP、Sub Agents 和 Hooks 构建可复用 AI 工作流，告别重复配置！一键部署团队开发规范

95. 任务分解与协作：Subagent与Agent Teams的应用场景

96. 打造我的 AI 开发团队（一）：sub-agent 初探

97. Claude最被低估的功能，绝对是Subagent

Codex的subagents功能：开发者该升级还是观望？我们收集了全网真实观点

张大妈

张大妈

Codex的subagents功能：开发者该升级还是观望？我们收集了全网真实观点

精选参考来源

张大妈

张大妈