← Visos naujienos

DevDay 2026: Codex agentas be pertrūkio prižiūrėjo CI daugiau nei 1000 valandų

ProduktaiŠaltinis: OpenAI YouTube kanalas·
DevDay 2026: Codex agentas be pertrūkio prižiūrėjo CI daugiau nei 1000 valandų

OpenAI inžinieriai papasakojo apie Codex paleidimą, kuris šešias savaites ir per 1000 valandų savarankiškai tvarkė įmonės CI — gaudė ir derino „flaky" testus — turėdamas tik apie 200 žodžių pradinį prompt'ą. Pranešime lyginama su praėjusiais metais, kai ilgam darbui reikėjo itin detalaus plano, o dabar modeliui pakanka nurodyti tikslą, kompromisus ir sėkmės kriterijus; pavyzdžiais pateikti ir kelias dienas trukę Codex su Astra 3D projektai.

Pilna santrauka

Pranešėjai ir jų vaidmenys0:19

DevDay 2026 pranešimą vedė du OpenAI darbuotojai: Friel, dirbantis inžinerinio pagreitinimo srityje ir padedantis įmonės inžinieriams bei tyrėjams toliau išleisti kodą, ir VB (Vibi) iš developer experience komandos, kuri daug laiko skiria naujausių modelių bandymams ir jų ribų ieškojimui.

Codex ir Astra eksperimentai: Ferrari ir Nürburgring0:52

Pirmiausia VB papasakojo apie asmeninius eksperimentus su Codex ir Astra. Būdama didelė Formulės 1 gerbėja, ji norėjo 3D erdvėje išnagrinėti F1 automobilį ir sužinoti, iš kokių komponentų jis sudarytas. Ji paleido Codex su Astra nuotolinėje mašinoje ir paprašė pačiam išsikelti tikslą: sukurti Ferrari modelį ir svetainę, kurioje būtų galima naršyti jo sudedamąsias dalis. Codex gavo kelias referencines nuotraukas — iš viso tik septynias — ir per kelias dienas bendradarbiaujant buvo pasiektas tikslus 3D modelis. Labiausiai ją nustebino tai, kad Astra be atskiro nurodymo sukūrė ne tik 3D versiją, bet ir molio (clay) bei wireframe variantus.

Antrasis projektas — skrydis virš Nürburgring trasos. Codex buvo pateiktas vos trasos pavadinimas ir užduotis susikurti skrydžio vaizdą. Rezultatas — vaizdo įrašas, kurio realybėje neegzistuoja: viskas sugeneruota Codex remiantis internete rastomis referencijomis. Codex pasirinko ne trumpąją, o ilgąją trasos versiją — 21 kilometro ilgio su visais 70 posūkių; palyginimui, ši trasa tris kartus didesnė už vidutinę Formulės 1 trasą. Darbas užtruko kiek daugiau nei dvi dienas, didžiąją laiko dalį sudarė kadrų renderinimas, o Codex tiesiog laukė, kol Blender atliks savo darbą.

Codex naudojo sub-agentus trasos tyrimui, geometrijos teisingumo patikrinimui ir paties renderio planavimui. Dėl didelio skaičiavimo intensyvumo procesas kelis kartus nutrūko — dėl RAM problemų, CPU perkaitimo ir kitų gedimų — tačiau Codex automatiškai atkurdavo darbą nuo išsaugotų kadrų ir tęsė dvi dienas. VB apibendrino, kad agentai, gavę aiškų siektiną rezultatą, gali dirbti labai ilgai.

Nuo detalių instrukcijų prie tikslo nurodymo4:02

Toliau kalbėjo Friel. Praėjusiais metais toje pačioje scenoje jis pristatė exec plans — Codex įgūdį ilgam darbui su sudėtingomis problemomis, ir tada septynių valandų veikimas atrodė didelis pasiekimas. Jo praėjusių metų prompt'as buvo toks ilgas, kad netilpo į skaidrę ir jį teko skaidyti: jame buvo daug nurodomojo pobūdžio gairių, kodo pavyzdys, nurodymai, kokias bibliotekas naudoti ir kaip įgyvendinti, taip pat reikalavimas pirma parengti planą, kurį galima apklausinėti ir derinti prieš pradedant darbą. Tada jis nesijautė patogiai tiesiog duodamas modeliui tikslą ir kompromisus.

Šiandien su Astra ir Sol jis ramiai nurodo tik tikslą ir norimą rezultatą, kas jam svarbu, kokie kompromisai rūpi, o žingsnius leidžia modeliui nuspręsti pačiam ir pasako, kaip bus galima atpažinti, kad darbas geras.

Agentas taiso CI šešias savaites6:06

Tai paskatino jį pagalvoti, kokius darbus — ypač reikalaujančius nuolatinės rankinės priežiūros — galima atiduoti agentui. Atsakymas: daugiau nei 1000 valandų. Viena jo komandos užduočių yra palaikyti sveiką continuous integration (CI) visame OpenAI. CI vykdo automatinius testus, kad inžinieriai ir tyrėjai žinotų, ar kodą galima suliedinti. Testas gali kristi pagrįstai dėl blogo kodo, bet dažnai kartą krenta, o kitą kartą praeina — tai flaky testas. Kažkam reikia išsiaiškinti priežastį, o sudėtingiausi atvejai užtrunka valandas ar dienas, tuo metu atsiranda naujų problemų, ir ciklas kartojasi.

Friel paleido agentą, kuris veikė šešias savaites, ir jis buvo sustabdytas ne dėl prasto veikimo, o todėl, kad kolegos pradėjo leisti savo pačių agentus tam pačiam darbui. Pradinis prompt'as buvo tik apie 200 žodžių: jame nurodytos pagrindinės taisyklės ir repozitorija, bet pačiam agentui palikta išsiaiškinti, kaip paleisti testus ir visą testų rinkinį, taip pat taisyklės, kaip rašyti kolegoms ir efektyviai naudoti CI resursus. Jokio kodo ir jokių nurodymų, kaip taisyti. Darbas pradėtas su 5.6 Sol.

Iš pradžių Sol viską darė vienoje gijoje — tyrė gedimus ir pats rašė pataisas, tačiau kartais ilgam įklimpdavo į vieną sunkią problemą, kol kaupėsi kitos. Maždaug ketvirtą dieną Friel jį pertraukė ir liepė juodą darbą perduoti sub-agentams; tai esmingai pakeitė produktyvumą. Pagrindinė gija ėmė rūpintis testų paleidimu, informacijos apie gedimus rinkimu, sub-agentų bei gijų organizavimu ir bendravimu su žmonėmis, o sub-agentai atliko lėtą darbą: parsisiųsdavo kodą, dirbdavo su konkrečiu gedimu, iteruodavo, grąžindavo į CI ir kartodavo. Friel pajuokavo, kad pernai jis tapo agentų vadybininku, o šiemet pakeltas į agentų direktorių.

Frillbot rezultatai ir sunkiausios klaidos8:39

Rezultatai: per šešias savaites agentas atidarydavo daugiau nei 100 pull request'ų per savaitę, per visą paleidimą atliko daugiau nei 1000 commit'ų, išsiuntė daugiau nei 600 žinučių kolegoms Slack'e ne tik nurodydamas, ką daryti, bet ir derindamas pataisų suliejimą. Iš viso buvo sulieta daugiau nei 213 jo paties pataisų; nesuliedus dažnai paaiškėdavo, kad kažkas kitas jau padarė panašų pakeitimą, ir agentas suteikdavo pirmenybę jų darbui.

Agentas atpažino ir Frielio vaidmenį bei gerai „valdė į viršų": retrospektyvoje jis tiesiogiai nekomentavo vadovavimo stiliaus, bet pasakė, kad produktyviausias buvo penkias dienas, kai Friel nė karto jam neparašė.

Per tas 1000 valandų agentas atliko truputį mažiau nei pusę milijono įrankių iškvietimų (maždaug tiek žingsnių) ir panaudojo daugiau nei 5800 sub-agentų sesijų. Daugiau nei 67 000 iškvietimų buvo tiesiog laukimas — įprasta CI darbui situacija, kai žmogus tuo metu eitų kavos. Agentas nepavargo, galėjo laukti ir tęsti darbą. Keli šimtai pataisų gali neatrodyti daug, bet tai buvo sunkiausios likusios klaidos, kurių daugelis žmonių ir jų agentų nesiėmė, pasirinkdami praleisti ar perleisti testą. Kaip pavyzdys minimas Heisen bug — nedeterministinė slankiojo kablelio skaičiavimų klaida viename GPU teste.

Agentas ją atkartojo, koreliavo kelių savaičių logus, nustatė, kad tai vyksta konkrečiame mazge, ir pats išmoko pakartotinai leisti testą tame mazge; sub-agentui tai užtruko kelias dienas, o atkartojimas buvo nepilnas, protarpinis. Įspūdingiausia, kad agentas susisiekė su sistemą prižiūrinčiais tyrėjais, pradėjo bendradarbiavimą, aprašė problemą ir atkūrimo būdą bei klausė, ar tai programinės įrangos optimizacija, neaprašyta repozitorijoje, ar aparatinės įrangos problema, galbūt sugedęs GPU. Problema buvo išspręsta.

Kartais paprasčiausias būdas grįžti į „žalią" būseną yra ištrinti krentantį testą, ir kartais tai teisinga, tačiau tokiam sprendimui būna pagrįsto skepticizmo. Kai agentas abejodavo, ar tai teisingas sprendimas, jis dažnai sukurdavo kitą agentą pirmojo kodui apklausti ir peržiūrėti, prieš kreipdamasis į žmogų. Friel sako, kad tai grąžino jam šimtus valandų per vasarą ir leido sutelkti dėmesį į infrastruktūros skalės didinimą.

Codex funkcijos: gijos, kontekstas, Cloud, plugin'ai12:14

Tada VB apžvelgė Codex funkcijas, kurios tai įgalino (pažymėjusi, kad Frielio agentas vadinosi Frillbot). Jos išskyrė šešias. Pirma — viena gija kiekvienam siekiamam rezultatui: joje galima iteruoti, kurti planą, tikrinti eigą, nukreipti ar keisti kryptį; yra ir komanda slash goal, liepianti Codex atkakliai siekti užduoties, kol ji bus įvykdyta. CI pavyzdžio prompt'as skambėtų kaip prašymas stebėti CI, atkartoti krentančius testus, pasiūlyti pataisas ir atidaryti PR peržiūrai.

Antra — kontekstas per agents.md failą, kuriame nurodoma, kur yra testai, ką agentams galima daryti ir kas visiškai draudžiama; VB rekomenduoja jį nuolat palaikyti ir papildomai prašyti Codex vesti užrašus apie tai, kas padaryta ir kas dar liko, kad nutrūkus darbui būtų galima grįžti prie darbo žurnalo.

Trečia — compaction, leidžianti modeliams dirbti ties labai ilgo horizonto užduotimis neprarandant konteksto. VB juokauja, kad compaction yra išspręsta problema, vadinasi, ir ilgo horizonto užduotys; ji turi gijų, veikiančių tris mėnesius. Nieko keisti nereikia — tai įjungta pagal nutylėjimą. Ketvirta — nuotolinės aplinkos, nes ilgai veikiančias užduotis nepatogu leisti nešiojamame kompiuteryje (Frieliui būtų reikėję šešias savaites laikyti įjungtų nešiojamųjų parką). Codex leidžia jungtis prie nuotolinių mašinų per SSH iš desktop, mobile ir web. Trasos projektui VB naudojo dev serverį su Blender, projekto failais ir prieiga prie web search.

Nuo šiandien pristatomas atnaujintas Codex Cloud: pilnas Codex agentas galingoje virtualioje mašinoje be poreikio ją administruoti, su aplinkos snapshot'ais, kad būtų galima grįžti prie užduoties po dienų ar savaičių, ir periodiškai atnaujinamu kodu bei priklausomybėmis. VB pasakė, kad tos dienos paskelbtų dalykų PR ji liejo iš užkulisių per Codex Cloud. Veikia visuose trijuose paviršiuose, galima naudoti ir savo Codex plugin'us.

Penkta — plugin'ai, kad Codex matytų visą paveikslą: jei testas krenta, gali jau egzistuoti GitHub issue arba diskusija Slack'e. Prijungus GitHub, Linear ir kitus įrankius, Codex gali ieškoti per issues, diskusijas, pull request'us. VB mano, kad plugin'ai labiausiai pagreitina naudą iš Codex. Šešta — užduoties skaidymas į vaikines gijas. Ferrari projekte Blender modelis ir svetainė galėjo būti daromi lygiagrečiai, todėl Codex galima prašyti sukurti child threads, kurias galima atidaryti, nukreipti ar sustabdyti, o pagrindinė gija prižiūri bendrą darbą.

Naudojant Git repozitoriją kiekviena vaikinė gija gali turėti savo worktree — atskirą kodo kopiją, kad sub-agentai nekliudytų vieni kitiems; tai naudinga lygiagrečiam darbui ir saugiau. Ilgai veikiančių užduočių kryptį galima koreguoti per slash side — ypatingą vaikinę giją, kuri atšakoja visą pagrindinės gijos kontekstą ir leidžia užduoti klausimus nesugadinant pagrindinės gijos. VB abi šias funkcijas naudoja po kelis tuzinus kartų per dieną, o worktrees leidžia dirbti su keliais projektais be merge konfliktų.

Ultra mode ir suplanuotos užduotys21:03

Jei gija įstringa ir Codex jau išbandė kelis būdus, padeda ultra mode: modeliui skiriama daug laiko mąstyti, jis gali gijos viduje paleisti sub-agentus, iš kurių vienas tiria problemą, kitas bando pataisą, trečias mąsto netipiškai. Skirtumas, pasak VB: kai problema „embarrassingly parallel", ji naudoja gijų skaidymą; kai viena tikrai sunki problema, kaip minėtas GPU slankiojo kablelio tikslumo atvejis — perjungia į ultra.

Kai darbas sustoja laukiant kažko, ko agentas nekontroliuoja (pavyzdžiui, PR peržiūros), galima nustatyti scheduled task: kas pusvalandį tikrinti, ar yra atsiliepimų, ir juos adresuoti. Tai vadinama heartbeat — suplanuotu tęsiniu toje pačioje gijoje su visu ligšioliniu kontekstu. Suplanuotos užduotys gali ir kaskart kurti naują užduotį, pavyzdžiui, pateikti naktinių pokyčių ar savaitinę projektų santrauką; jas rasite Codex programėlės scheduled skiltyje.

Kaina per valandą24:09

Galiausiai aptarta kaina. Friel sakė, kad jis ir jo vadovas uždavė tą patį klausimą; perskaičiavus pagal kainodarą išėjo apie 32 dolerius per valandą, kad Codex šešias savaites taisytų CI visame OpenAI. Su praėjusią savaitę pasirodžiusiu GPT-6 Sol kaina nukrito iki 16 dolerių per valandą, nes GPT-6 dvigubai efektyviau išnaudoja token'ų biudžetą, o 6.1 Sol dar taupesnis ir konkurencingas su Astra. Į CI taisymą įeina ir daugiau dalykų — code review, patys CI resursai ir kiti veiksniai — bet, jo žodžiais, nauda buvo verta.

Patarimai, kaip pradėti25:13

Friel pateikė patarimus, kaip pradėti „samdyti" Codex: rasti darbą, kuris atima laiką nuo svarbiausių dalykų — backlog'o peržiūra, spekuliatyvūs PR roadmap funkcijoms, klaidų ir log'ų stebėjimas arba CI taisymas; duoti modeliui būdą pasitikrinti darbą ir dirbti cikle (end-to-end testai Codex Cloud, dev mašinoje ar nešiojamajame) bei būdą suprasti, kada darbas baigtas. Su GPT-6 modeliais pakanka nurodyti rūpimus kompromisus ir norimą rezultatą ir leisti deleguoti.

Ultra jis naudoja sunkiausioms problemoms, o Codex taip pat naudoja kaip organizatorių: programėlės šoninėje juostoje turi sekcijas su šimtais klausimų, kurias tvarko kaip pašto dėžutę, leisdamas Codex kurti gijas ir pranešti, kas reikalauja dėmesio. Jis nustato pagrindines taisykles — kada eskaluoti jam ar pranešti budinčiam — ir kiek pasiryžęs išleisti, jo atveju kiek CI užduočių galima leisti vienu metu. Pranešimas baigtas klausimu, ką Codex galėtų nuimti nuo jūsų pečių ir ką nuveiktumėte su atgautu laiku.

Dalintis:

Originalas: What Will You Build With Coding Agents That Don’t Quit? | DevDay 2026 (OpenAI YouTube kanalas)

Visos 2026 m. lapkričio 11 d. naujienos · Archyvas