AI Engineer onepage/ OpenAI Codex
Alexander Embiricos, Romain Huet, Peter Steinberger · 約 23 分鐘
這支影片在講：AI Engineering 進入黃金時代
OpenAI 團隊用 Codex 的一年變化說明：coding agent 不再只是舞台上祈禱成功的 demo，而正在變成可測試、可並行、可接進真實開發流程的工程系統。
Published: 2026-07-09Video ID: pMggiOb18tc
01 / 變化
Demo 從祈禱變成可驗證
Dev Day 2024 的 o1 preview 還不能自己執行或檢查程式；一年後，模型已能在 demo 中測試自己的工作，甚至控制攝影與燈光 rig。
02 / 平台
Codex 用同一套 primitives
影片強調 Codex app 建在 responses API、open-source harness 與 AGENTS.md 格式上，不是內部特權 demo。
03 / 瓶頸
人類注意力變成稀缺資源
Peter Steinberger 的段落把重點從「我怎麼操作 agent」推到「我如何管理多個 agent loop 與 review queue」。
Watch for this
影片最值得抓的四個訊號
Release cadence
15 mo → 6 wk
模型發布節奏從約 15 個月縮到約 6 週，產品與 workflow 都要跟著重新設計。
Token price
$1 / $6
輸入每百萬 token 約 1 美元、輸出約 6 美元，讓大量 agent loop 更接近可營運。
Inference speed
750 t/s
高速推理讓模型能在約 10 秒內產出真實 PR，互動節奏接近即時開發。
Workflow shift
Agent loops
工作從手動 orchestration 轉向設定目標、啟動多個 agent、審核與收斂結果。
Core story
這場 talk 的核心故事：Codex 為什麼突然變實用
1
模型開始能自己跑 build-and-test loop
從「生成程式後交給人類檢查」進到「模型能執行、觀察錯誤、再修正」，coding agent 才真正具備工程工作流的基本閉環。
2
產品體驗不再只是 chat box 加工具
Codex app 的設計重點是讓開發者描述目標、切分任務、等待 agent 產物，再把注意力用在 review、方向校準與整合決策。
3
OpenAI 把內部能力外化成開發者 primitive
Responses API、open-source harness、AGENTS.md 與 Apps Server / plugin 生態，代表 Codex 的價值不是單一產品，而是一組可被開發者重組的 building blocks。
4
成本與速度讓「多 agent 並行」開始合理
當 token 價格下降、推理速度上升，工程團隊可以把 agent 當成可平行調度的工作單元；瓶頸轉到人類如何挑任務、審核與合併。
Decision map
影片裡的產品與架構取捨
同一套 API，而不是內部特規能力把 Codex 建在 responses API 上，等於把產品經驗與開發者可用的 primitive 對齊，降低「demo 看得到、外部做不到」的落差。
Harness 與 AGENTS.md 是操作邊界Agent 要進 repo 工作，必須知道專案慣例、測試方式、限制與角色分工；這些規則需要變成可讀、可共享、可版本化的檔案。
Value maxing 不只看智慧影片把 frontier-level intelligence、token 價格與推理速度放在一起談，因為真實工作流的價值來自「成功結果 / 成本 / 等待時間」的總和。
Local / cloud 邊界會淡化未來的開發體驗會更像一個連續工作面：本機 context、雲端 compute、agent 任務與 review queue 混在同一個工作流裡。
Chapters
章節速記
0:00
從 World’s Fair 與 Dev Day demo 開場用 2024 demo 的不確定性對照現在模型能自己驗證工作的能力，建立「變化速度」這條主線。
2:14
模型迭代週期正在壓縮發布節奏從年級別變成週級別，AI 工程師要假設底層能力會持續快速重排。
5:30
Codex app 的目標產品體驗不只是把模型塞進 IDE，而是讓使用者把任務交給 agent，再回來看可審核的結果。
9:44
Open-source stack 與 API primitives解釋 responses API、harness、AGENTS.md 與 plugins 如何讓外部開發者也能組出類似能力。
14:20
成本、智慧與速度的 value maxing用 token 價格與 750 tokens/sec 速度說明，agent 工作流正在從昂貴實驗走向日常工程成本。
18:56
Peter Steinberger：從手動操作到管理 agents把問題推進到多 agent loop、開源 issue 解決與人類注意力分配。
Use this checklist
如果你正在做 AI coding / agent 工具，先檢查這五點
你的 agent 能不能自己跑測試並修正？只會產生 patch 還不夠；可靠性來自 build、test、observe、retry 的閉環。
專案慣例是否被寫成 agent 可讀的規則？把 setup、測試、review 標準與禁區寫進 repo，而不是藏在團隊腦中。
任務是否能被拆成多個可並行 loop？未來效率來自同時跑多條小任務，再用人類注意力做審核與合併。
你量的是 token 成本，還是成功任務成本？真正該追的是每個有效 PR、每個修好的 issue、每次可合併變更的總成本。
產品介面是否幫人管理注意力？當 agent 數量增加，使用者需要 queue、diff、status、風險排序與 review priority，而不是更多聊天視窗。
Source video