百万行代码无人手敲！OpenAI 工程师揭秘：用 AI 提炼经验，让智能体成为“最佳队友”

近日，OpenAI工程师 Ryan Lopopolo 在长文 《Harness engineering》 中详述了团队深度使用Codex的实战方法。这次尝试不仅诞生了名为 Symphony 的“幽灵库”，也带来了一种全新的工程协作范式。

核心实验：给自己套上“零人工写码”的枷锁

Ryan 刚开始就立下一个看似极端的规则：绝不亲手写任何代码。

从受挫到提速： 起步阶段，由于模型处理复杂逻辑的能力有限，开发效率只有人工的十分之一。

逼出工具升级： 为了让 Agent 能独立完成任务，团队打造出一套极为精细的Harness（开发台）体系。

效率曲线跃迁： 随着GPT-5.4等推理模型的迭代，这套系统的产出速度最终远超任何单个工程师团队。

关键战术：把构建时间牢牢压在“一分钟”

在OpenAI内部，Agent 的高效运作依赖于快速、稳定的反馈。

内部循环（Inner Loop）： 团队不断重构构建系统（从 Makefile 到 Bazel，再到 Nx），把一次构建严格控制在 1 分钟 内。

自动拆解逻辑： 一旦构建变慢，Agent 会自动把构建图拆得更细，直到复杂度回到阈值以下，以保证 Agent 的“专注力”不被打断。

范式转移：人类成了 PR Review 的瓶颈

当代码可以高度并行生成时，真正稀缺的就变成了“人的注意力”。

合并后评审： 团队不再把大量人工 Review 堆在合并前，而是尽量自动化，人工 Review 主要在合并后进行，用来抽检质量、沉淀经验。

可观测性驱动： 工程师的重心不再是手动修 Bug，而是为 Agent 提供Traces（追踪）与可观测性工具，让 Agent 具备“自愈”能力。

经验“蒸馏”： 把资深工程师脑海里的“隐性经验”写进 Skill 文档和测试，用作系统的上下文与约束。

行业前景：“幽灵库”与依赖内部化

Ryan 提出一个颇具冲击力的判断：随着 Token 成本接近于零，软件依赖可能会逐步淡化。

Ghost Libraries（幽灵库）： 开发者只需给出高保真 Spec（规格），由 Agent 在本地自动拼装实现。

依赖内部化： 对于中低复杂度的第三方库，Agent 可以直接重写并内联到仓库，剔除冗余代码，构建完全可控的技术栈。

结语：从“副驾驶”到“独立队友”

在 OpenAI Frontier 团队 的视角中，未来的软件开发不再围绕人的习惯做优化，而是围绕 Agent 的可读性 重塑整个代码库。当 Agent 能自主承担从写码、CI 部署到生产监控的全链路工作，人类工程师将更多转向系统架构与策略的“牧羊人”。