OpenAI合并ChatGPT与Codex：AI Agent时代的超级App来了

ChatGPT与Codex合并：面向10亿用户的战略整合

OpenAI将ChatGPT和Codex合并进同一个应用，并新增了一个专门用于「完成工作」的Work标签页。表面上看这只是产品层面的调整，但背后是一次清晰的用户教育战略。

值得注意的是，「Codex」这个品牌本身经历了一次重要的概念跃迁。Codex最初由OpenAI于2021年发布，是基于GPT-3微调的代码生成模型，也是GitHub Copilot的底层引擎，能将自然语言转化为代码，支持十余种编程语言。随着GPT-4及后续模型的演进，Codex的代码能力被逐步整合进主力模型，独立的Codex API也于2023年正式退役。如今OpenAI将「Codex」品牌重新启用，指向的是一个以agentic编程为核心的工作平台——不只是代码补全，而是能自主规划、执行、测试完整软件工程任务的智能体环境。这次与ChatGPT的合并，标志着OpenAI将「对话式AI」与「执行式AI」统一在同一产品入口下的战略转型。这一转型背后有更深的竞争逻辑：随着Anthropic的Claude Artifacts、Google的Project Mariner等「执行型」产品相继落地，纯粹的对话界面正在被市场重新定义为功能残缺的入口，OpenAI此举既是防御性的品牌重塑，也是对「AI智能体操作系统」赛道的主动卡位。

Ross Mike的观点很直接：新的Work标签「不是给我们这些重度用户准备的」。真正的目标是那些还没意识到ChatGPT完整能力的普通用户——OpenAI坐拥近10亿用户，但绝大多数人只把ChatGPT当作聊天和问答工具。

更深层的问题是品牌认知。越来越多人开始把Claude视为「能干活的agent平台」，而ChatGPT只是「发消息、问问题的地方」。Ross提到，甚至有人跟他说「ChatGPT挺酷，但用Claude我能真正做事」。这种认知偏差正是OpenAI要通过明确标注「用于完成工作」的下拉菜单来纠正的。对于已经在用Codex的用户，继续留在Codex标签即可；对海量普通用户而言，这是他们第一次接触Codex完整能力的入口。

GPT-5.6三款新模型：Sol、Terra与Luna

此次发布了三款新模型：GPT-5.6 Sol、Terra和Luna。其中Terra和Luna定位于Work标签，服务于约70%的常规任务，普通用户无需调用超大模型即可完成大部分工作。而真正引发开发者关注的是性能最强的Sol。

Token效率：评价AI模型的核心指标

Token是大语言模型处理信息的基本单位，大约对应3/4个英文单词或半个汉字——这一看似简单的定义背后，实则承载着整个大模型产业的计费逻辑与性能瓶颈。从技术层面看，Tokenization（词元化）是模型将原始文本切分为可处理的最小语义单元的过程，不同语言的token密度差异显著：同样的语义内容，中文通常比英文消耗更多token，代码则因重复结构而token利用率较高。Ross强调，评价一个模型不能只看价格，更要看token效率——这一指标衡量的是模型在完成任务时消耗的token数量与任务质量之间的比值。在agentic场景中，这一指标尤为关键：每次工具调用（如搜索、执行代码、读写文件）都会产生大量token消耗，低效的模型可能在一个任务中调用15-20次工具，而高效模型只需3-5次即可完成同等质量的输出。这直接影响两个核心指标：成本（API调用费用与token数量正相关）和延迟（更多工具调用意味着更长的等待时间）。在长时间运行的自动化任务中，token效率的差距会被指数级放大——一个需要运行100个子任务的复杂工作流，低效模型的总成本可能是高效模型的5到10倍。

他测试模型的第一步，就是观察它执行任务时调用了多少次工具。他以Gemini为反例：虽然Gemini在智能指数上得分很高，但一旦涉及agentic任务就会「陷入混乱」，动辄调用15到20个工具。

相比之下，GPT-5.5系列在token效率和工具调用上表现出色，5.6在此基础上更进一步。他特别提到5.5的一个痛点：它太「黏人」，执行完第一阶段就会停下来询问是否继续。而5.6更主动、更快、更省token，能真正胜任长时间运行的复杂任务。

5.6的定位：版本升级而非里程碑

你可能没注意到，Ross明确指出5.6并不是Fable 5的竞争对手——「GPT-6才是」。这是一次版本升级，而非里程碑式的跨越。他认为Fable属于「mythos级别」的怪兽模型，在处理极难任务时纯智能无可匹敌。

但关键在于性价比：5.6与5.5价格相同，却提供了介于Opus 4.8与5.5之间更高的能力档次。Ross反复提醒一个容易被忽视的现实——「补贴总有一天会结束」。因此聪明的做法是按任务分配模型：改个落地页颜色这类简单任务，没必要动用Fable 5 Max。

四大实战工作流：让Codex真正干活

对谈中最有价值的部分，是Ross分享的四个实战工作流。这些方法论不仅适用于开发者，同样适用于营销人员和创业者。

一、Computer Use：AI直接操作电脑

Computer Use是一种让AI模型直接感知和操控计算机图形界面的技术能力。其核心原理是：模型通过截图「看到」当前屏幕状态，然后输出具体的鼠标移动坐标、点击指令和键盘输入，形成「感知-推理-执行」的闭环。这一技术路线的本质是将视觉理解能力（Vision）与动作规划能力（Action Planning）深度融合：模型需要识别屏幕上的按钮、输入框和文本内容，理解当前任务状态，规划下一步操作序列，并容错处理意外的界面变化。Anthropic于2024年10月率先发布了面向开发者的Claude Computer Use功能，其局限在于会独占用户的鼠标和屏幕控制权。而Codex的实现方式有所不同——它在沙箱化的虚拟环境中运行，与用户的本地操作互不干扰，因此支持后台并行执行。这种「隔离运行」架构不仅提升了安全性，也使得多agent并行成为可能，是工业级自动化落地的重要技术前提。从更宏观的视角看，Computer Use代表着AI从「语言工具」向「数字劳动力」的关键跃迁——任何有图形界面的软件，无论是否提供API，都可以被AI agent直接操控，这从根本上打破了自动化只能依赖结构化接口的传统限制。

Ross对Computer Use的评价极高——好到他专门买了一台迷你PC远程接入，专供AI操作。最典型的用途是自动化测试应用：开发完功能后，agent会自己反复测试、寻找边界情况，无需主动指令。

Codex的Computer Use有一个关键优势：可以在后台运行。Anthropic的Computer Use会接管你的鼠标和屏幕，你必须等它工作完；Codex则允许你切换到其他标签继续工作，它在后台默默执行。这也是为什么Ross说这让他想拥有「一百台电脑，每台上面都有agent在干活」。

对于非开发者，还有一个新功能叫Record and Replay：录制屏幕操作（最长30分钟），系统自动将其转化为一个skill供agent日后复用。Riley认为这才是知识工作自动化的未来——不是写完美的prompt或SOP，而是直接录屏，把重复繁琐的任务交给agent。

二、Loops：让AI自我评审并循环优化

Loop（循环）的本质由三部分组成：一个明确的prompt、一个反馈引擎、一个清晰的成功标准。这一结构在学术上对应强化学习（Reinforcement Learning）的核心范式——智能体在环境中执行动作、获得奖励信号、更新策略，不断迭代直到达到目标。在实践层面，Loop的价值在于将人类判断的「批量化」和「异步化」：传统工作流中，人类需要逐条审核AI输出；Loop架构则用一个自动评分模型替代人类的即时反馈，让优化过程可以在无人值守的情况下持续运行。Ross举例：每次推送代码变更后，让GPT-5.6 Sol在新线程中对代码打分（1到5分），然后告诉agent「持续修复直到给自己打5分」。有趣的是，写代码的agent往往会相当严厉地评审自己——这背后是「评审者」与「执行者」视角分离带来的认知清晰度。当同一模型在不同线程中分别扮演「创作者」和「批评者」时，它能更客观地识别输出中的缺陷，而不受生成过程中「确认偏误」的干扰。

Riley则展示了loop在营销领域的应用。他借助Foreplay广告抓取API，拉取竞品投放时间最长（通常意味着转化最好）的广告作为高质量样本，然后让Codex写20条广告脚本，逐条与样本对比打分，循环优化直到达标。YouTube缩略图同理——给Codex 20张你喜欢的缩略图，它就能理解你的审美偏好并持续迭代。

他还提到一个被严重低估的能力：Codex可以调用Gemini的视频摄取功能。Gemini是目前唯一能真正「观看」上传视频、提取字幕和逐帧分析的模型，这让Codex能分析UGC创作者提交的视频，并对标高质量样本进行评判。

三、Tools：为AI Agent选对工具栈

第三个核心是工具选择。Ross指出，过去工程师以「自己造轮子」为荣，但现在速度至上，用对工具比什么都重要。想做3D就用Blender（有MCP），想做视频分析就用Gemini，做应用就用Convex。

这里有必要深入理解MCP（Model Context Protocol，模型上下文协议）这一关键基础设施。MCP是Anthropic于2024年底开源的标准化协议，旨在解决AI模型与外部工具、数据源之间的「连接碎片化」问题。在MCP出现之前，每个工具都需要开发者单独编写集成代码，维护成本高且不具备可移植性；更深层的问题是，不同工具的调用方式、错误处理逻辑和返回格式各异，AI模型难以形成统一的工具调用「心智模型」。MCP定义了一套统一的接口规范，让任何支持MCP的工具都能被任何支持MCP的AI模型直接调用——就像USB接口统一了外设连接标准一样。MCP的架构分为三层：MCP Server（工具提供方，如Blender、GitHub）、MCP Client（AI模型端）和传输层（支持本地进程通信和远程HTTP连接）。目前Blender、GitHub、Slack、Figma、PostgreSQL等主流工具均已推出MCP服务端，「Blender有MCP」意味着AI agent可以直接调用Blender的所有功能来生成和渲染3D场景，无需任何中间层代码。更重要的是，MCP的开源生态正在形成强大的网络效应——每一个新加入的MCP工具，都同时提升了所有支持MCP的AI模型的能力边界。

这背后是Vercel的Guillermo Rauch常提的「building block经济」：agent不需要从零构建一切，大量公司正在打造供agent直接调用的乐高式积木。Riley的Replit克隆案例很典型——Codex用Convex做数据库、Vercel的AI SDK做代码生成agent、Daytona做沙箱，整个过程就是把预制积木拼接起来。

Ross还点出一个精妙细节：像Vercel的Eve框架，其文件名和文件夹名本身就是功能描述（agent.ts、skills、tools、sandbox），因为agent能访问所有文件，这种命名方式让修改和复现变得极其简单。

四、多线程并行：让多个Agent同时工作

第四个方法有些反直觉——主动使用多个线程。理解这一策略，需要先深入了解Context Window（上下文窗口）的技术局限。上下文窗口是AI模型在单次会话中能处理的最大token数量——目前主流模型的上下文窗口在128K到1M token之间。研究表明，当上下文接近上限时，模型对早期信息的「注意力」会显著下降，出现「中间遗忘」（Lost in the Middle）现象；这一问题源于Transformer架构中注意力机制的计算特性：模型对序列首尾位置的信息保留更稳定，而中间段内容的影响力随位置衰减。更重要的是，超长上下文会导致推理速度变慢（注意力计算的时间复杂度与序列长度的平方成正比）、成本升高，并引入更多潜在的「认知噪声」——早期对话中已被否定的方向、冗余的中间结果、失效的工具调用记录，都会持续占用模型的「注意力带宽」。因此，多线程并行策略在利用「新鲜上下文」的优势——一个从零开始的agent，其注意力100%集中在当前任务上，远比一个背负120K token历史对话的agent更高效、更准确。这也解释了为何专业AI工作流中普遍推荐「短会话、多任务」的操作习惯。

多线程带来两个好处：一是逼你学会拆分互不影响的任务并行处理；二是新线程意味着全新的上下文，一个「干净」的agent永远优于一个已经占用了120k token上下文的agent。

Codex的独特之处在于，你可以从单个线程spin up多个线程。Ross分享了一个案例：在一个线程里构建完整个系统后，直接告诉agent「有多少功能就开多少线程，每个用Computer Use测试，全部通过后告诉我」，结果生成了10个线程同时工作，他则去休息。此外还能让Codex汇总当天所有线程，生成带链接的一页纸总结。

Sites与超级App：AI操作系统的早期雏形

这次更新还将Sites功能向所有用户开放。此前它只对团队用户可用，现在任何人都能通过一句prompt生成并托管网站——本质上把Codex变成了一个完整的vibe coding平台。

「Vibe Coding」这一概念由AI研究员Andrej Karpathy于2025年初提出，描述的是一种全新的编程范式：开发者不再逐行编写代码，而是用自然语言描述意图，让AI生成并迭代完整的功能模块，开发者只需「感受」结果是否符合预期并给出反馈。这与传统软件工程的严谨流程（需求分析→架构设计→编码→测试→部署）形成鲜明对比，不仅降低了编程的技术门槛，也从根本上改变了软件创作的认知模式——从「如何实现」转向「想要什么」。Karpathy本人将这一转变比作从「手工业」到「工业化生产」：程序员不再是逐个零件打造机器的工匠，而是描述机器用途、由AI工厂批量生产的设计师。OpenAI的Sites功能正是这一理念的产品化落地——将「需求表达到产品上线」的链路压缩到极致，也使Webflow、Bubble等传统no-code平台面临来自AI原生建站工具的直接挑战。值得关注的是，Vibe Coding的边界正在快速扩展：从最初的前端页面生成，延伸到后端逻辑、数据库设计，乃至整个产品的全栈自动化构建。

你甚至不需要专门去Sites标签，直接在Codex新建对话中描述需求，模型就会自动调用插件并托管站点。Ross借此印证了他的核心观点：最好的编程模型就是最好的一切模型——很多产品层面的酷炫更新，底层依然是同一个模型，只是Sol覆盖的能力面足够广。

内置浏览器也大幅升级，现在支持打开多个标签页。更重磅的是，OpenAI宣布停止独立的Atlas浏览器项目，将全部精力投入到Codex内置浏览器的打磨上。当海量ChatGPT用户使用时，AI不再打开外部Chrome，而是直接在应用内浏览器中操作。

Riley将整合后的Codex称为「超级App」或「AI操作系统」的早期雏形。他引入了「agent native app（agent原生应用）」的概念。类比移动互联网时代，2008年iPhone App Store诞生时，最初的应用大多是将桌面网页简单适配到手机屏幕；真正的移动原生应用则从底层重新设计了交互逻辑，充分利用GPS、摄像头、触控等手机独有能力，催生了Uber、Instagram等全新商业模式。Agent Native App与此同理——这类应用从设计之初就假设主要用户是AI agent：提供结构化API而非图形界面、用语义化命名替代视觉导航、支持批量异步调用而非单次同步交互。用户几乎不直接打开这类应用，而是通过agent调用。这一设计哲学带来的产品形态变革是深刻的：传统SaaS产品的核心竞争力在于「用户界面的易用性」，而Agent Native App的核心竞争力在于「被agent调用的准确性与可靠性」——评价维度从「人能不能用」转变为「机器能不能用好」。Riley和Ross的预判与a16z、YC等顶级机构的判断高度一致——下一个十年最大的软件创业机会，将属于那些为「agent作为用户」而设计的新一代基础设施。

他大胆预测：如果你买一台新电脑，开机就是这样一个界面，你只需和AI对话，界面按需加载，用完切换到下一个对话即可。

作为佐证，Ross提到他还构建过一个多人GTA罪恶都市游戏——fork了浏览器版罪恶都市，让agent花约4小时加入多人功能，最终成功实现双屏联机。他感慨：「作为一个带团队的人，你能想象这需要多少工程师、多少时间吗？」

真正的瓶颈是教育，而非工具

对谈最后，两人达成了一个颇具启发性的共识。Ross表示，5.6让他开始「想得更大」——那些曾因智力、时间或精力所限而搁置的梦想项目，现在都可以动手了。他正在刻意提升的，反而是模型不擅长的部分：设计感（typography、间距、灵感库）和写作表达能力，因为「越能清晰地解释需求，得到的输出就越好」。他还有一句值得记住的话：「如今大多数产品本质上就是markdown文件，别花时间造markdown文件，去造真正有用的东西。」

Riley则聚焦于营销和运营的agentic工作流——这是一片尚未被充分开发的领域。他一针见血地指出：当前最大的机会是教育，而非工具。工具进步太快，反而超出了人们的采纳速度；市场上充斥着大量低质教程。谁能成为理性的声音，教会人们正确使用这些工具，谁就能抓住巨大的价值空间。这一判断背后有一个重要的技术扩散规律：每一次重大技术范式转移（从PC到互联网，从互联网到移动端），「工具可用性」与「用户认知成熟度」之间都存在一个显著的时间差。在这个窗口期内，能够降低认知门槛、提供可复用心智模型的教育者，往往比工具本身的创造者获得更高的商业回报和行业影响力——因为他们解决的是扩散曲线上的关键瓶颈：从早期采用者到早期大众的跨越。

对于绝大多数人来说，AI能力早已足够，真正的门槛在于：如何把它概念化为一个操作系统，如何配置loop、automation，以及选对plugin和tool。这，才是「AI真正开始干活」时代最值得投入的方向。