[控场AI]
· 5 分钟阅读· 2,997 字

Mitchell Hashimoto亲述:Codex如何改变我的工作方式

Mitchell Hashimoto亲述:Codex如何改变我的工作方式

Hashimoto分享用Codex派发代理任务,工时减至三分之一但产出更多。

HashiCorp联合创始人Mitchell Hashimoto在访谈中讲述了他使用Codex的工作方式转变:每天提前半小时结束工作,集中向AI代理派发第二天的任务,让代理在非工作时间继续执行。他把任务分为研究型(行业格局、竞品、工具对比)和原型型(规格模糊但先看产物)两类交给代理。他坦言在工位上的时间只有20多岁时的三分之一,但感觉完成的事情更多。核心变化是工作时间被异步化和并行化,工程师角色从执行者向调度者偏移。文章提炼了固定派活环节、区分任务类型、接受不完整原型、保留人的判断等可操作启示。

Mitchell Hashimoto亲述:Codex如何改变我的工作方式

HashiCorp联合创始人Mitchell Hashimoto最近在YouTube分享了他使用Codex的体验,这段简短的访谈透露出的信息量却相当大:一个曾经以「写代码」为核心身份的技术人,正在把越来越多的工作交给AI代理去完成。他的原话很直白——「我在工位上的时间只有20多岁时的三分之一,但我感觉完成的事情更多了。Codex让这一切成为可能。」

这不是一篇产品评测,而是一位资深工程师工作方式转变的一手记录。

从「自己写」到「派发任务」

Hashimoto描述的工作流有一个关键变化:他每天会提前半小时结束工作,用这段时间去「派发代理」(dispatching agents)。也就是说,一天的最后半小时不是收尾,而是给AI安排第二天的任务。

It's hard to talk about myself in any sort of way.

他提到的场景大致分两类。一类是研究型任务:他需要了解某个领域的格局、竞争对手情况,以及不同工具的优缺点。这类工作过去可能要花大量时间阅读和比较,现在可以交给代理并行处理。

另一类是原型型任务。他的态度很有意思:「我不认为这些功能已经被定义得足够清楚,但我就是想先看到原型。」换句话说,他把Codex当作一种快速把模糊想法变成可触摸产物的手段——先跑起来,再谈细化。

I don't think they're specified enough, but I just want to see prototypes.

这背后其实是一种优先级判断:在需求尚不明朗的阶段,与其花时间写完美规格文档,不如让代理先做出几个可运行的原型,用实际产物来推动讨论。这种「先原型后规格」的做法,在传统开发流程里代价很高,但代理工具把成本压下来了。

「派发代理」(dispatching agents)指的是把一整块任务以自然语言描述的形式交给 AI 代理,由代理自主规划步骤、调用工具并执行,人类只在任务开始前和结果产出后介入。这与传统的「AI 补全」有本质区别:补全模型等待你在光标处触发,而代理是异步、长时运行、多步推理的。当前主流实现通常基于工具调用(tool use)机制——模型可以读写文件、运行命令、浏览网页,并在多轮循环中根据中间结果调整策略。正因为代理能独立跑完一个闭环,才使得「下班前派活、整晚执行」这种工作模式成立。

「提前派活」背后的时间哲学

Hashimoto那句「工位时间只有三分之一,产出却更多」值得拆开看。

I kind of end my day 30 minutes early, and I'm dispatching agents.

表面上是效率提升,实质上是工作节奏的重构。传统开发中,人的时间是线性绑定的——你在工位上敲代码,产出才发生。而代理模式把一部分工作时间「异步化」了:任务派发出去之后,代理可以在他离开工位后继续跑。他省下的不是写代码的时间,而是等待和串行执行的时间。

这也解释了他为什么强调「提前半小时派活」。这半小时的投入,换来的是整晚的并行执行。对独立开发者或小团队来说,这种杠杆效应尤其明显——你没有更多人头,但你可以有更多「同时进行的事」。

并行执行与串行执行的区别值得展开。传统开发中,一个工程师同一时刻只能推进一件事;即使多开窗口,注意力仍是串行的。代理模式改变的是并发度:你可以同时派出五个代理研究五个方向,每个代理内部又是多步串行。这里的「并行」不是指你同时思考五件事,而是指五条任务线在你离开后同时推进。代价是结果需要回收和筛选——并发度越高,产出越多,判断和整合的工作量也随之上升。所以异步化的真正收益不在于「省时间」,而在于把人的时间从执行环节转移到定义和审阅环节。

研究类任务:代理补的是信息广度

Hashimoto提到的研究场景很具体:了解行业格局、竞品、工具优缺点。

I need to know the landscape, the competition and pros and cons of different tools.

这类任务的特点是「广度优先、深度未必」。人做这类调研,瓶颈往往不是分析能力,而是信息收集的体力消耗——要翻多少页面、对比多少选项。代理恰好擅长这种可并行、可批量化的信息处理。

补充一点,访谈中并没有展开他如何验证代理调研结果的准确性。对于技术选型这类决策,代理给出的结论仍然需要人来把关,尤其是在工具优缺点这种容易受训练数据时效性影响的判断上。这一点原文没有涉及,但从工程实践角度看值得使用者自己留意。

代理调研的准确性风险主要来自两点:训练数据的时效性和检索结果的可靠性。模型知识有截止日期,若代理不联网检索,给出的「最新工具对比」可能已经过时;即便联网,抓取的页面质量参差不齐,模型也可能对来源做过度归纳。因此对技术选型这类高 stakes 决策,实践中的做法通常是:让代理产出候选清单和初步对比,再由人抽查关键结论的原始来源。这与人类助理做的调研没有本质区别——助理整理材料,决策者核实关键事实。

「新的交互领域」意味着什么

Hashimoto在结尾说了一句判断性的话:「我们正在进入一个与计算机交互的新领域,这真的很疯狂也很酷。」

这句话放在他整个叙述里并不突兀。他描述的已经不是「用AI辅助写代码」,而是「用自然语言派发一整天的工作」。交互的粒度从「函数」「文件」上升到了「任务」「目标」。工程师的角色随之从执行者向调度者偏移——你要做的是定义问题、拆分任务、判断产物质量,而不是亲手写完每一行。

对习惯了事必躬亲的资深工程师来说,这种转变未必舒服。Hashimoto自己也说「用某种方式谈论自己很难」,这种表达上的犹豫,某种程度上也反映了身份认同的调整期:当你的产出不再等于你敲下的代码行数,你如何衡量自己的价值?

对开发者的实际启示

从这段访谈里能提炼出几条可操作的做法:

  • 把「派发任务」变成一天的固定环节,而不是临时起意。Hashimoto选择在收工前半小时集中派活,让代理在非工作时间继续跑。
  • 区分任务类型。研究类和原型类任务最适合优先交给代理,它们的共同点是「广度大、规格模糊、需要快速产出」。
  • 接受「规格不完整」的原型。先看产物再迭代,比先写完整规格更符合代理工具的成本结构。
  • 保留人的判断环节。调研结论、原型方向这类决策,代理可以提供输入,但不应该替代最终判断。

Codex在这里扮演的角色,与其说是「更快的编辑器」,不如说是一个可以并行接活的执行层。Hashimoto的体验未必适用于所有人,但它至少说明了一件事:当工具能承接整块任务时,工程师的时间分配方式需要重新设计——不是把省下来的时间用来写更多代码,而是用来定义更多值得做的事。

#Codex#Mitchell Hashimoto#AI代理#AI编程#开发效率#工作流转变#原型开发
分享:

相关推荐