我使用了 数十亿 的 codex token。下面是我的配置和我学到的东西。
很多人都严重低估了 codex 的能力。即使是我的部分同事，也仍然没有充分利用 codex，但只要你给他们展示一些有雄心的用例，他们就会迫不及待地去尝试。因此，我想把一些东西写下来，更广泛地分享，希望能激励更多人。
在这篇文章中，我会分享我简单的配置，并讨论一些杀手级用例——在这些用例中，我经常会分配数亿个 token。总的来说，我这个月在 API 上的花费是 10,000 美元，这让我成为团队中最活跃的用户之一。完全值得。
最后，我会反思我认为组织在不久的将来可能如何变得显著更高效。
持续笔记
我的个人配置非常简单：git worktrees、多个 shell 窗口，以及每个 worktree 一个 VSCode 实例，这样我就能浏览代码变更。你在新的 codex 应用里基本上开箱即得这种配置。别被那些过度花哨的工具带偏了。
最大的突破在于让 codex 持续记录并改进自己的工作流程。这完全是我为个人配置自己捣鼓出来的。codex 在我经常使用的任务上会变得越来越好、越来越快，仅仅因为我养成了让它做笔记和改进的习惯。在工作的过程中，codex 会将笔记和辅助工具提交到我们单体仓库中我的个人文件夹里。在与代码库的新部分进行几次交互之后，这些辅助工具往往会稳定下来。我从未真正读过这些笔记——它们对我而言的唯一价值就是提升 codex 的性能。
现在我的配置能够在会话之间累积知识，因此我可以放心地扩展我所使用任务的规模。我们来深入看看两个我最近花费了数亿 token 的任务。
规模化研究
研究进展很快。实验既昂贵又容易配置错误，所以掌握最新的发现和陷阱至关重要。幸运的是，codex 是一台惊人的搜索引擎。
当我想快速在代码库中不熟悉的部分实现一个一次性实验时，我会让 codex 做大量的尽职调查。codex 会探索相关的 Slack 频道、阅读相关讨论、从这些讨论中获取实验分支，并为我的实验挑选有用的变更。所有这些都会被总结成一份详尽的笔记，每条信息的来源都有链接。利用这些笔记，codex 会编排实验并做出许多超参数决策——这些决策如果让我自己来做，需要付出多得多的努力。
征求第二意见大大增加了我对所交付内容的信心。在错误代价高昂的环境中，你需要一个极其勤勉、高召回率的研究 Agent。Codex 总能满足我这个需求。
编码 Agent 也非常擅长数据分析，使得从数据中快速获取洞察变得非常容易。目前，真正的瓶颈在于弄清楚 要分析什么。
最近，我利用 codex 激进了地扩展了我们的一些模型行为工作。我意识到，我们内部的 Slack 里充满了各种讨论、报告和数据，都涉及不同类型的模型行为——我们可能想要更严格地测试这些行为。我让 codex 定位并深入爬取相关的频道，生成可测试假设的描述。除了阅读 Slack，它还查看了人们分享的截图、提取了与模型行为相关的文档、浏览了电子表格。经过几个小时的工作，这产生了超过 700 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。
这些工作大部分是用 GPT-5.2 完成的，但我最近几天一直在测试新的 GPT-5.3-codex 模型。我每天使用的 token 数量在上升，我认为这大致与我的生产力正相关。
我发现 GPT-5.3-codex 特别擅长同时管理多个子 Agent。此外，最近 codex 栈的速度提升让整个子 Agent 体验变得更加敏捷。
我的工作流程目前正转向只与一个 Agent 对话，而它会编排一群 Agent 来执行 Slack 研究、代码研究、代码编写和数据科学工作。这大大减少了我在通过 Agent 并行化工作时所需的上下文切换次数。不过，当需要完成关键任务时，我仍然会选择直接与那个特定的子 Agent 对话。
对社会的启示
这些工作流揭示了组织可以如何运作的一些根本性变化。在我的两个用例中，我实现了全面的跨组织知识传递，而无需手动协调。没有会议、没有邮件、没有四处询问。我仅仅是把问题指向 codex，它就聚合了来自几十个人的知识——这些人甚至都不知道他们正在为我的目标做贡献。
我不禁思考这将如何影响社会。传统上，组织要支付一定的“人头税”：增加更多人手，总产出会增加，但每个人的边际贡献会下降，因为协调成本在上升。这是一个巨大的问题。现代组织使用非结构化沟通渠道（Slack、Teams）、共享代码库和集中式文档等工具来缓解这一问题，但仍然存在巨大的摩擦。为任何决策找到合适的背景信息仍然需要大量的人力。
有了今天可用的技术，我们现在可以遍历组织的整个信息版图，并按需综合出相关的上下文。我们可以切实地减少地球上每个组织都面临的低效问题。
我相信我们现代机构可以变得高效得多，而事实证明，我们可能只需要开口去问。
