Appunti Continui
La mia configurazione personale è incredibilmente semplice: git worktrees, molte finestre di shell e un'istanza VSCode per ogni worktree per poter sfogliare le modifiche al codice. Praticamente ottieni questa configurazione già pronta nella nuova app di codex. Non farti ingannare da strumenti troppo elaborati.
La grande svolta è stata addestrare codex a documentare e migliorare continuamente i propri flussi di lavoro. È qualcosa che ho completamente assembrato per la mia configurazione personale. Codex diventa costantemente più bravo e veloce nei compiti per cui lo uso, semplicemente perché ho l'abitudine di chiedergli di prendere appunti e migliorare. Mentre lavora, codex salva appunti e strumenti nella mia cartella personale all'interno del nostro monorepo. Dopo alcune interazioni con una nuova parte del codice, questi strumenti tendono a stabilizzarsi. Non ho mai letto questi appunti, la loro utilità per me risiede puramente nell'effetto che hanno sulle prestazioni di codex.
Ora che la mia configurazione è in grado di accumulare conoscenze tra sessioni diverse, mi sono sentito a mio agio nell'aumentare la scala dei compiti per cui lo utilizzavo. Addentriamoci in due compiti su cui ho recentemente speso centinaia di milioni di token.
Ricerca su Larga Scala
La ricerca evolve rapidamente. Gli esperimenti sono costosi e facili da configurare male, quindi tenersi al passo con le scoperte e le insidie più recenti è fondamentale. Fortunatamente, codex è un motore di ricerca eccezionale.
Quando voglio implementare rapidamente un esperimento isolato in una parte del codice che non conosco, chiedo a codex di fare un'approfondita due diligence. Codex esplora i canali Slack pertinenti, legge discussioni correlate, recupera rami sperimentali da quelle discussioni e seleziona le modifiche utili per il mio esperimento. Tutto questo viene riassunto in una serie completa di note, con collegamenti alla fonte originale di ogni informazione. Basandosi su queste note, codex imposta l'esperimento e prende una serie di decisioni sugli iperparametri che non potrei assolutamente prendere con molto più impegno.
Chiedere un secondo parere aumenta notevolmente la mia fiducia in ciò che pubblico. In contesti in cui gli errori sono costosi, hai bisogno di un agente di ricerca incredibilmente diligente e con un alto tasso di recupero. Codex soddisfa regolarmente questa esigenza per me.
Gli agenti di programmazione sono anche ottimi per l'analisi dei dati e hanno reso molto facile ottenere rapidamente informazioni dai dati. Attualmente, il vero collo di bottiglia è capire cosa analizzare.
Di recente, ho ampliato in modo aggressivo alcuni dei nostri sforzi sul comportamento dei modelli usando codex. Mi sono reso conto che la nostra Slack interna è piena di discussioni, report e dati relativi a diversi tipi di comportamento dei modelli che potremmo voler testare più rigorosamente. Ho usato codex per localizzare ed esplorare estensivamente i canali appropriati e generare descrizioni di ipotesi verificabili. Oltre a leggere Slack, ha esaminato screenshot condivisi, ha recuperato documenti relativi al comportamento dei modelli e ha navigato fogli di calcolo. Nel corso di diverse ore, questo ha portato a oltre 700 nuove ipotesi che stanno attualmente migliorando la nostra comprensione del comportamento dei modelli e delle preferenze degli utenti.
La maggior parte di questo lavoro è stata fatta con GPT-5.2, ma da qualche giorno sto testando il nuovo modello GPT-5.3-codex. I miei token consumati al giorno stanno aumentando, il che secondo me è vagamente correlato alla mia produttività.
Trovo che GPT-5.3-codex sia particolarmente bravo a gestire più sotto-agenti contemporaneamente. Inoltre, i recenti aumenti di velocità nello stack di codex rendono l'intera esperienza con i sotto-agenti molto più reattiva.
Il mio flusso di lavoro si sta attualmente spostando verso il parlare con un solo agente, che a sua volta orchestra un battaglione di agenti per fare ricerche su Slack, ricerche sul codice, scrittura di codice e data science. Questo riduce drasticamente la quantità di cambio di contesto di cui ho bisogno per parallelizzare il mio lavoro attraverso gli agenti. Tuttavia, quando devo svolgere un compito cruciale, scelgo ancora di parlare direttamente con quel specifico sotto-agente.
Implicazioni per la Società
Questi flussi di lavoro rivelano qualcosa di fondamentale su come le organizzazioni possono operare. In entrambi i miei casi d'uso, ho ottenuto un trasferimento completo di conoscenze inter-organizzativo senza coordinamento manuale. Niente riunioni, niente email, niente giri di domande. Ho semplicemente puntato codex verso il problema e ha aggregato conoscenze da decine di persone, che nemmeno sapevano di contribuire alla mia causa.
Non posso fare a meno di chiedermi come questo influenzerà la società. Tradizionalmente, le organizzazioni pagano una sorta di "tassa per il personale": aggiungi più persone e la produzione totale aumenta, ma ogni persona aggiuntiva contribuisce meno perché i costi di coordinamento crescono. Questo è un problema enorme. Le organizzazioni moderne usano strumenti come canali di comunicazione non strutturati (Slack, Teams), codebase condivise e documentazione centralizzata per mitigare questo problema, ma c'è ancora un enorme attrito. Trovare il contesto giusto per qualsiasi decisione richiede ancora uno sforzo umano significativo.
Con la tecnologia disponibile oggi, possiamo ora attraversare l'intero panorama informativo di un'organizzazione e sintetizzare il contesto rilevante su richiesta. Possiamo fare un vero passo avanti contro le inefficienze di cui soffrono tutte le organizzazioni del pianeta.
Credo che le nostre istituzioni moderne possano diventare molto più efficienti, e si scopre che forse dobbiamo solo chiedere.
