我使用了數十億個 codex token。以下是我的設定，以及我所學到的東西。
很多人嚴重低估了 codex 的能力。即使是我的一些同事，仍然沒有充分利用 codex，但一旦你向他們展示一些雄心勃勃的用例，他們就會急於嘗試。因此，我想把這些東西寫下來並更廣泛地分享，希望能啟發更多人。
在這篇文章中，我將分享我簡單的設定，並討論一些殺手級用例，這些用例我經常投入數億個 token。這個月，我在 API 費用上總共花了 10,000 美元，這讓我成為我們團隊中最活躍的使用者之一。完全值得。
最後，我將反思我認為組織在不久的將來如何能變得更加高效。
持續筆記
我的個人設定非常簡單：git worktrees、多個 shell 視窗，以及每個 worktree 一個 VSCode 實例，這樣我就可以瀏覽程式碼變更。在新的 codex 應用程式中，你基本上可以直接獲得這個設定。不要被過於花俏的工具所迷惑。
最大的突破是讓 codex 持續記錄並改進自己的工作流程。這是我完全為個人設定拼湊出來的。codex 在我使用它的任務上持續變得更快、更好，僅僅因為我有要求它做筆記和改進的習慣。在工作時，codex 會將筆記和輔助工具提交到我們單一儲存庫中的個人資料夾。在與程式碼庫的新部分互動幾次後，這些輔助工具通常會穩定下來。我從來沒有真正讀過這些筆記，它們對我的效用純粹在於提升 codex 的表現。
有了現在能夠跨 session 累積知識的設定，我開始放心地擴大用它處理的任務規模。讓我們來看看我最近投入數億個 token 的兩個任務。
擴展研究
研究進展很快。實驗成本高昂且容易配置錯誤，因此掌握最新的發現和潛在陷阱至關重要。幸運的是，codex 是一個出色的搜尋引擎。
當我想在我不熟悉的程式碼庫中快速實作一次性實驗時，我會讓 codex 進行廣泛的盡職調查。codex 會探索相關的 Slack 頻道、閱讀相關討論、從這些討論中獲取實驗分支，並為我的實驗挑選有用的變更。所有這些都會被總結成一份詳盡的筆記，並附上每項資訊來源的連結。利用這些筆記，codex 會連接實驗，並做出許多我如果沒有付出更多努力就不可能做出的超參數決策。
尋求第二意見大大增加了我在發佈內容時的信心。在錯誤成本高昂的環境中，你需要一個極其勤奮、高召回率的搜尋 agent。codex 總是能滿足我的這個需求。
程式碼 agent 也非常擅長資料分析，讓從資料中快速獲得洞察變得非常容易。目前，真正的瓶頸是弄清楚要分析什麼。
最近，我使用 codex 積極擴大了一些模型行為方面的工作。我意識到我們內部的 Slack 充滿了討論、報告和資料，這些都與我們可能想要更嚴格測試的不同類型的模型行為有關。我讓 codex 定位並廣泛爬取適當的頻道，然後生成可測試假設的描述。除了閱讀 Slack，它還查看了人們分享的截圖、提取了與模型行為相關的文件，並瀏覽了試算表。在幾個小時的過程中，這產生了超過 700 個新的假設，這些假設目前正在改善我們對模型行為和用戶偏好的理解。
這些工作大部分是使用 GPT-5.2 完成的，但我已經測試新的 GPT-5.3-codex 模型幾天了。我每天使用的 token 數正在增加，我認為這與我的生產力大致相關。
我發現 GPT-5.3-codex 特別擅長同時管理多個子 agent。此外，codex 堆疊最近的加速讓整個子 agent 體驗感覺更敏捷。
我的工作流程目前正在轉變，只與一個 agent 對話，而這個 agent 則會調度一組 agent 來進行 Slack 研究、程式碼研究、程式碼編寫和資料科學。這大大減少了我需要做的上下文切換次數，以便透過 agent 平行化我的工作。然而，當我需要執行關鍵任務時，我仍然會選擇直接與該特定子 agent 對話。
對社會的啟示
這些工作流程揭示了組織運作方式的根本性問題。在我的兩個用例中，我都在沒有手動協調的情況下實現了全面的跨組織知識轉移。沒有會議、沒有電子郵件、沒有到處詢問。我只是將 codex 指向問題，它就彙整了來自數十人的知識，而這些人甚至不知道他們正在為我的目標做出貢獻。
我不禁思考這將如何影響社會。傳統上，組織會付出某種「人頭稅」：增加人手，總產出會增加，但每增加一個人貢獻就會減少，因為協調成本會上升。這是一個巨大的問題。現代組織使用非結構化的溝通管道（Slack、Teams）、共享的程式碼庫和集中式文件來減輕這個問題，但仍然存在巨大的摩擦。為任何決策找出正確的背景資訊仍然需要大量的人力。
利用現今可用的技術，我們現在可以遍歷組織的整個資訊景觀，並按需綜合相關背景資訊。我們可以真正減少地球上每個組織所面臨的低效率問題。
我相信我們現代的機構可以變得更加高效，而事實證明，我們可能只需要開口問。
