GPT-6 Astra + Codex：用对话完成跨领域全栈研发

从「亲手操作」到「对话推进」的工作方式转变

B站UP主「马上开机」分享了一段深入使用 GPT-6 Astra 的实战体会：越用越有一种感觉——以后很多工作真的可以通过聊天把它推进到完成。这句话背后并不是简单的「让 AI 写写代码」，而是一种研发协作方式的根本改变。

值得一提的是，这位创作者的工作跨度相当大。他做的是自动化产品的全站研发，这里的「全站」不只是网站和软件的前后端，还包括嵌入式软件、电路硬件乃至机械设计。一个自动化产品，软件要让人能操作，电路要把设备连接起来，嵌入式程序要控制它，机械结构还得真的装得上、动得起来——这些部分最后必须协同工作。

过去，他需要在不同软件、资料和问题之间来回切换。现在，越来越多的执行工作被交给 agent：通过对话提出要求、补充条件，再检查它交回来的结果。他使用的工具是 Codex，目标很明确——通过对话完成自己的所有工作。

一次「有用的对话」到底长什么样

作者特别澄清了一个常见误解：所谓「聊天完成工作」并不是发一句「帮我做个产品」然后就撒手不管。在真实工作里，一次有用的对话往往从具体要求开始。

他把关键要素拆得很清楚：我要解决什么问题？现在有哪些文件、哪些条件不能改？做成什么样才算完成？只有把这些讲清楚，AI 才能在具体的工具和项目里真正往前推进。

这里也顺带解释了 agent 的概念——它是能够调用工具、执行任务，并根据结果继续处理的 AI 助手。模型提供理解和推理能力，工具让它能读文件、改代码、操作软件，而项目资料和规则则告诉它「这次到底要做什么」。这几样结合起来，对话才真正进入工作流。

Codex 是 OpenAI 推出的代码专向模型，也是 GitHub Copilot 的底层技术基础。在 agent 工作流中，Codex 不仅能生成代码片段，还能在获得文件系统访问权限后直接读取项目文件、执行终端命令、运行测试并根据报错信息迭代修改——这使它从一个「补全工具」变成了能在真实仓库里持续推进任务的自主执行者。文章中提到的「通过对话完成所有工作」，其技术基础正是 Codex 具备的这种工具调用与多步推理能力，而非仅仅生成静态的代码文本。

Astra 已经渗透进哪些研发环节

据这位创作者的自述，他已经尝试让 Astra 参与到自动化设备的多个工作流中，覆盖面相当广：

• 硬件电路：原理图绘制、限规则设计，以及电路板的摆位和布线
• 软件开发：从前后端到常规编程任务
• 官网建设：为公司制作官网，并把 SEO（搜索引擎优化）和 GEO（面向生成式搜索的优化）都纳入其中

这些尝试让他感受到 agent 开始进入不同领域的工作流程。以前需要在多个工具里亲手推进的事情，现在越来越多可以通过对话来组织和执行。

他也坦诚地指出，目前这些项目还不方便逐一展示，所以先聊实际感受，后续再结合适合公开的案例展开。这种克制反而让分享更可信——不是营销式的效果吹嘘，而是一线研发者的真实记录。

SEO（Search Engine Optimization，搜索引擎优化）是通过优化网页结构、内容和外链等手段，提升网站在 Google、百度等传统搜索引擎结果页中的排名。而 GEO（Generative Engine Optimization，生成式引擎优化）是近两年随着 ChatGPT、Perplexity 等 AI 搜索工具兴起而出现的新概念——它针对的不是传统搜索的蓝链结果，而是让内容更容易被 AI 在生成答案时引用和推荐。两者的优化逻辑有所不同：SEO 更关注关键词密度、反向链接和页面权重，GEO 则更强调内容的权威性、结构清晰度和可被 AI 直接摘引的表达方式。将两者同时纳入官网建设，反映出作者对流量入口正在从传统搜索向 AI 对话迁移这一趋势的判断。

变的是协作方式，不变的是「实际工作仍要完成」

作者对这种转变的描述非常清醒：以前大量精力花在亲手完成每一步操作，现在很多操作可以「交出去」，他更多地在明确目标、判断方案、检查结果。

但他明确提醒，设备要接线、零件要加工、产品要验证，这些实际工作仍然要完成。「通过聊天推进工作」说的是人和工具协作的方式变了，不是产品研发里所有事情都凭空消失了。

这一点对任何想把 AI 引入复杂研发流程的人都是重要提醒：AI 擅长执行和推理，但物理世界的验证、装配和测试环节依然离不开人和真实设备。

AI 会替代人吗？学习的重点正在转移

面对「会不会被替代」的焦虑，作者给出了颇有分量的思考。他承认今天有人完成的一些工作确实会交给 AI，他自己就在这么做。但他没有由此得出「人不用学了」的结论。

对于流行的那句「替代你的不是 AI，而是会使用 AI 的人」，他更愿意把它当作一个提醒，而不是对未来的保证。他强调，工作会变、岗位也可能变，而我们能主动做的，是学会把自己的经验、知识和 AI 的执行能力结合起来。

关于「还需不需要学习」，他的答案是明确的「需要」，但学习的重点会发生变化：

• 过去要学的「按钮在哪、命令怎么用、重复代码怎么写」，越来越多可以教给 AI
• 而「需求是什么、约束在哪里、为什么这样设计、结果如何验证」这些知识仍然要自己掌握

他举了很实际的例子：不理解电路，就很难判断一个连接有没有问题；不理解机械结构，可能看着模型挺漂亮却不知道它到底能不能装配；不理解软件的运行逻辑，也很难判断一次修改是否真的解决了问题。

EDA（Electronic Design Automation，电子设计自动化）是电路设计领域的专业软件工具链，涵盖原理图绘制、PCB 布线、仿真验证等环节，常见工具包括 Altium Designer、KiCad、Cadence 等。SolidWorks 则是机械领域广泛使用的三维 CAD 建模软件，用于设计零件结构、装配体和工程图纸。作者提到过去需要手把手教这些工具的操作细节，而现在 AI 可以承担大量具体操作步骤的执行，这意味着学习者不必再把大量时间花在记忆菜单位置和命令语法上，但理解电气规则、结构强度、公差配合等底层原理的必要性并未减少——因为这些原理正是判断 AI 输出结果是否可用的依据。

「AI 是杠杆，你需要有分量」

作者提出了一个很凝练的观点：人的上限决定 AI 的上限。更准确地说，是你的知识和判断会影响你能从 AI 那里拿到什么样的成果。

AI 当然可能知道你不知道的东西，甚至提出你没想到的办法。但面对一个具体任务，你得逐渐学会提出好问题、识别关键约束、检查它的答案。方案看起来完整，不代表它真的满足需求；软件能运行，也不代表实际使用时没有问题——在产品研发里，最后总要有人对这些判断负责。

对跨领域研发者来说，知识面要足够广，才能把不同部分连接起来；到了关键问题上，又要愿意往深处学。所以他把 AI 比作杠杆，而杠杆需要你本身有分量——这个分量是你对问题的理解，也是持续学习、做出判断和验证结果的能力。

他也给出了一条务实的学习路径：不必先成为所有领域的专家才能使用 AI，恰恰相反，你可以一边做一边让它解释自己不懂的地方，再通过资料和实际结果去验证。

新方向：用真实任务串起学习

这段实践也让创作者重新规划了内容方向。相比过去「手把手教 EDA、SolidWorks 和各种开发工具」的思路，他决定把主线换成：拿一个真实的生产开发任务，演示如何用 Astra（或以后出现的合适模型）一步步把它做出来。

具体包括怎么描述需求、怎么提供资料、怎么让模型使用工具、遇到问题怎么纠正、最后怎么判断结果合格与否。软件操作会在需要时讲，但主线围绕任务和结果展开；理论原理也会继续讲，因为不理解原理，就很难把 AI 给出的东西转化成真正能用的成果。

他最后的总结值得每一位 AI 时代的从业者记住：模型会更新、工具会换，但理解问题、组织任务和验证结果这些能力会一直用得上。用 AI 去完成真实任务，也在这个过程中把自己学得更扎实。