
OpenAI Codex 工程负责人 Nicolas Bonamy:编码只是先倒下的多米诺,知识工作要靠连接器补上下文、靠人做验收;把 AI 当同事迭代,并警惕「实现变便宜后更要会选做什么」
一句话结论
Nicolas Bonamy 在 FirstMark Guilds 上说,软件工程之所以先被智能体改造,是因为代码在文件系统里、又能用测试验收;知识工作缺的是连接器/MCP 补齐邮件日历即时通讯等上下文,以及更依赖人的验收。他强调工具表面只有一个提示框,难的是克服「我能问这个吗」和把 AI 当计算器一次性要完美答案;应把 AI 当同事迭代。OpenAI 内部此刻 go-to-market 组织反而在推高 token 用量,团队互相分享自动化与技能;他提醒实现正变成商品,组织要会衡量业务价值,否则 token 只会制造 slop,并引用「培训了人却离职」的老笑话,说明过早卡死 token 额度会让对手学会而自己不会。
背景与理念
Bonamy 认为 ChatGPT/Codex 这类工具客观上很简单——几乎只有一个提示框——但很多人会被这个框吓住,最常问的是「我能问这个吗」。工具是什么取决于你怎么用,难的是创造性地改工作方式。
编码先变,是因为材料都在本地文件里、结果可用测试判定;写 go-to-market 策略却很难写一条「对了就算过」的测试。行业随后发现,为编码设计的 harness(模型、提示、工具)也能服务其他任务,前提是补上上下文入口,并把验收更多交还用户。
具体做法
为什么编码先倒下
他说两件事让软件工程对 LLM 友好:源码在文件系统、可用工具解析;以及相对可测。知识工作要用连接器、MCP 和 Codex 插件接到邮件、日历、即时通讯等数据源,并由人评价输出。
OpenAI 内部怎么用
他花大量时间待在 Codex 里,跑扫描邮件、Slack、日历的自动化,按项目汇总更新与该盯的点。当前 OpenAI 里推高 token 增长的是 go-to-market 组织而非工程;Altman 还提到「第一大 token 消费者不该是外部」,团队于是互相分享自动化和技能,把实现细节委派给智能体,人把注意力放到下一步与客户互动。
心态:同事而非魔杖
计算器给出对错不需质疑,AI 不是这样;应增量、迭代地共事,并借助改进后的记忆系统「训练」它。他用程序员例子:认真的工程师看三个月前自己的代码也会说差——人本来就天天写「坏代码」,却要求 AI 第一枪完美,并不公平。
品味、slop 与 token
写代码不再是帐篷里最长的杆子后,整条产品链都要变:需求、原型、验收一起被挤压。他在创业公司时曾对老板说,若有人写需求和 UX 稿,自己大概一周只干一天实现。现在「能不能做」变容易,「该不该做」变难;组织要会评估业务价值并闭环,否则 token 只产 slop。他理解不人人能像 Peter Steinberger 那样月烧百万美元 token,但学习曲线底部需要允许试错;过早限死额度,对手学会了你还不会。
关键数据/例子
OpenAI 内部此刻 go-to-market 组织是 token 用量增长的主要推手之一。
他个人大量自动化扫描邮件、Slack 与日历做项目简报。
引用业界常见的「70%–90% 代码由 AI 生成」说法,同时提醒严肃工程师仍会觉得三个月前自己的代码很差。
转型时间表:他预期比许多人想的更长;历史上重大创新在 GDP 曲线上往往看不出尖峰。
创新点
第一,把知识工作差距明确拆成「上下文入口」和「验收标准」两块,而不是笼统说「模型不够聪明」。
第二,用「人自己也写坏代码」解除对 AI 第一枪完美的执念。
第三,指出实现变便宜之后,压力会回到产品与业务人员「做对的事」上。
可否复用
- 给非工程岗位先接邮件、日历、聊天和文档连接器,再谈自动化,否则模型没有材料。
- 验收写不清的任务,默认安排人做评审节点,不要假装能一键测过。
- 推行「当同事迭代」的用法示范,避免一次性提示失败就弃用。
- token 预算留出学习期,同时开始度量业务结果,防止只堆 slop。