我用了数十亿个军团标记。这是我的设置和我学到的东西。

很多人严重低估了 Codex 的能力。即使是我的一些同事，也仍然没有充分利用 Codex，但一旦你展示了一些雄心勃勃的用例，他们就渴望尝试。因此，我想写下一些内容并更广泛地分享，希望能激励更多人。

在这篇文章中，我将分享我的简单配置，并讨论一些杀手级的使用场景，我经常分配数亿代币。整个月我花了 1 万美元购买 API 费用，这让我成为团队中最活跃的用户之一。绝对值得。

最后，我反思了我认为组织在不久的将来可能会显著提高效率。

持续笔记

我个人的配置非常简单：git 工作树，许多 shell 窗口，每个工作树有一个 VSCode 实例，方便浏览代码变更。你基本上可以在新的 Codex 应用里开箱即用。不要被过于复杂的工具诱导。

最大的突破是让 Codex 不断记录并改进自己的工作流程。这是我为个人设备完全整合起来的东西。Codex 在我用它做的任务上总是变得更好、更快，因为我有让它做笔记和改进的习惯。在工作时，Codex 会把笔记和助手提交到我 monorepo 的个人文件夹里。在与代码库新部分交互几次后，这些辅助工具通常会稳定下来。我其实从没真正读过这些笔记，它们对我来说的实用性纯粹是对 Codex 性能的影响。

现在我的设备能够跨会话叠加知识，我开始习惯扩展使用它们的任务规模。让我们来看看我最近花费数亿代币的两个任务。

规模化研究

研究进展迅速。实验成本高昂且容易配置错误，因此紧跟最新发现和陷阱至关重要。幸运的是，Codex 是一个非常棒的搜索引擎。

当我想快速在不熟悉的代码库部分实现一次性实验时，我会让 Codex 做大量尽职调查。Codex 会探索相关的 Slack 频道，阅读相关讨论，从这些讨论中提取实验分支，并为我的实验挑选有用的改动。所有这些内容都汇集成了大量笔记，并附有链接指向每条信息的来源。利用这些笔记，Codex 为实验串联起来，做出了许多超参数决策，而这些决策是我不可能在没有更多努力的情况下做出的。

寻求第二意见大大提升了我对发货产品的信心。在错误代价高昂的环境中，你需要一个极其勤勉、高召回率的搜索代理。Codex 经常满足我这个渴望。

编码代理也擅长数据分析，使得快速从数据中获得洞察变得非常容易。目前，真正的瓶颈是弄清楚 分析什么。

最近，我积极地用 Codex 扩展了我们的一些模型行为工作。我意识到我们的内部空间充满了讨论、报告和数据，这些都涉及不同类型的模型行为，我们可能需要更严格地测试这些行为。我用 Codex 查找并广泛爬取了相应的通道，并生成了可检验假设的描述。除了阅读 Slack，它还查看了人们分享的截图，拉取了与模型行为相关的文档，并浏览了电子表格。经过数小时的努力，这促成了 700 多个新假设，目前正在提升我们对模型行为和用户偏好的理解。

大部分工作是用 GPT-5.2 完成的，但我已经测试了新的 GPT-5.3-codex 模型几天了。我每天使用的代币数量在增加，我觉得这大致与我的生产力相关。

我发现 GPT-5.3-codex 特别擅长同时管理多个子代理。此外，最近对兵团堆栈的加速让整个子特工体验更加流畅。

我目前的工作流程正逐渐转向只和一个代理沟通，而这个代理又会协调一大批代理，负责 Slack 研究、代码研究、代码编写和数据科学。这大大减少了我需要通过代理进行上下文切换的次数。然而，当我需要完成关键任务时，我仍然选择直接与那个特定的分代理沟通。

对社会的影响

这些工作流程揭示了组织运作方式的根本性。在我的两个用例中，我都实现了全面的跨组织知识转移，无需人工协调。没有会议，没有邮件，没有打听周围的事。我只是把 #Codex 指向问题所在，它汇集了数十人的信息，他们甚至不知道自己在为我的事业做出贡献。

我忍不住想知道这会如何影响社会。传统上，组织会缴纳一定的人员税：增加人力，总产出增加，但每增加一个人的贡献就会减少，因为协调开销会增加。这是一个大问题。现代组织使用非结构化沟通渠道（Slack、Teams）、共享代码库和集中文档等工具来缓解这个问题，但仍然存在巨大的摩擦。为任何决策揭示合适的背景仍然需要大量人力努力。

凭借现有技术，我们现在可以穿越组织的整个信息环境，按需综合相关上下文。我们可以真正解决全球每个组织都面临的低效问题。

我相信我们的现代制度可以变得更加高效，事实证明，我们可能需要提出请求。 #GPT #GPT5