驾驭工程：OpenAI Ryan Lopopolo 讲述如何构建人类引导、智能体执行的软件
总结：
Ryan Lopopolo 在本次演讲中讨论了“驾驭工程”，即人类引导、智能体执行的软件开发模式，并分享了九个月来只使用智能体构建软件的经验：
- 软件开发范式转变：强调软件构建方式已改变，代码代理（coding agents）日益普及，代码生成不再是稀缺资源。
- 工程师角色的演变：工程师的重心从编写代码转向系统思维、设计和授权，主要任务是消除团队（包括人类和智能体）的障碍。
- 模型能力提升：GPT 5.2 等模型已足够强大，可以胜任完整的软件工程师工作，能够以高可靠性执行复杂操作。
- 代码的自由性：代码现在可以免费生产、重构和删除，模型的耐心和并行处理能力极大地提高了效率。
- 稀缺资源的识别：真正稀缺的资源是人类时间、人类与模型的注意力，以及模型上下文窗口。
- 高质量工作的定义：做好工作意味着理解未明确的非功能性需求，并以智能体可理解的方式进行规范，通过构建护栏减少错误。
- 如何引导智能体：通过编写清晰的
agents.md文件、持续刷新上下文、利用审查智能体提供反馈、优化错误消息以及“提示一切”的理念来提高智能体表现。 - 未来的愿景：鼓励工程师们勇于构建，将自己从重复性劳动中解放出来，让智能体完成大部分工作，实现更高效的开发流程。
引言：驾驭工程的挑战与机遇 [0:45]
演讲者介绍
- Ryan Lopopolo，OpenAI 技术人员。
- 他在过去九个月中，仅使用智能体进行软件开发。
- 他认为，未来的目标是让每个人都成为“token billionaire”，即利用大模型完成全部的软件开发工作。
演讲主题
- 本次演讲围绕“驾驭工程：当人类引导、智能体执行时，如何构建软件”展开。
- 核心思想是利用大模型作为完整的软件工程师，改变传统开发模式。
软件开发模式的根本性转变 [1:38]
代码生产方式的变革 [1:38]
- 软件构建方式已发生转变。
- 编码智能体正在逐渐接管世界。
- 软件实现不再是稀缺资源，代码是免费的。
资源与技能的重心转移 [2:27]
- 招募工程师现在主要受限于 GPU 容量和 Token 预算。
- 技能组合正从传统的代码编写转向系统思维、系统设计和授权。
- 工程师的角色是有效地部署这些资源，将其应用于代码和团队，充分利用新的能力。
三大驱动因素 [3:13]
稀缺资源与高杠杆活动 [5:08]
真正稀缺的资源 [5:10]
- 人类时间。
- 人类和模型的注意力。
- 模型上下文窗口。
优化资源利用 [5:27]
- 工程师应思考如何有效分配人类时间，通过自动化将其转移到更高杠杆的活动中。
- 当代码免费且无限时，所有优先级较低的任务（P3）都可以立即并行执行。
- 最佳的软件工程实践应始终可用，并融入到每一个产品中。
高质量工作的定义 [8:26]
如何引导智能体完成高质量工作 [11:04]
增强智能体表现的策略 [11:04]
- 编写高质量的
agents.md文件。 - 持续刷新智能体的上下文，确保其拥有最新信息。
- 编写高质量的
利用审查智能体 [12:03]
- 审查智能体可以基于成功标准（如安全性、可靠性）检查代码。
- 它们能识别出网络代码中缺失的超时或重试机制，以及不安全或难以使用的接口。
- 错误消息应提供清晰的补救步骤，指引模型和人类如何继续。
“提示一切”的理念 [15:07]
- 各种形式的指令（如指令、规则文件、技能、Lint 错误信息、审查智能体评论）本质上都是提示。
- 可以通过智能体来编写提示，提高效率。
- 当需要编写提示时，可以使用智能体来生成这些提示，形成自我强化的循环。
构建可操作的系统 [18:20]
- 工程师应该构建系统、软件和结构，使团队能够成功。
- 这包括使代码库对智能体可读，并尊重稀缺的上下文。
- 关键是确保智能体拥有完成工作所需的工具和 Token。
问答环节 [18:34]
您的工作设置是怎样的？ [19:30]
- 从 Jira 任务开始，将任务分配给智能体，并提供操作应用程序所需的技能。
- Codex 作为开发入口，而不是需要围绕其构建环境。
- 开发流程是“由外而内”的：Codex 是入口，它会调用各种本地开发工具。
- 代码库中包含许多小型工具链（harness），方便插入额外的防护栏（guardrails）。
- 比如，有一个自定义的 ESLint 规则包，会自动集成到工作区的所有 PNPM 包中。
- 另一个本地开发工具链允许添加更高层级的测试，以验证代码的结构而非语法或行为。
- 设置的目的是让智能体完成大部分工作，同时人类无需关注代码库中频繁变化的细节。
如何避免过度工程和定制工具？ [23:53]
- 这个问题指向了避免陷入不必要复杂性的“痛苦教训”。
- 策略是执行最小限度的上下文管理，以提供智能体完成任务所需的必要信息。
- 上下文不会过时，因此投资于其清晰度和可理解性是值得的。
- 推迟或即时呈现指令是关键，避免一次性加载过多信息。
- 好的工具链应该专注于在适当的时候向模型提供正确的文本，从而让模型关注它最擅长的事情。
一个好的工具链的例子是什么？ [26:21]
- OpenAI 实验室不仅训练模型，还在模型主要部署的工具链（harness）环境中进行后训练。
- 这意味着对第一方工具链的依赖性可以带来杠杆效应。
- 工程师应专注于驱动期望的行为，而不是深入理解工具链的内部机制。
人类与智能体协作工具 [28:20]
- 协作主要通过代码库中的 Markdown 文件和 GitHub 完成。
- 将 GitHub Pull Request 视为人类和智能体共同协作的“广播域”。
- 优化吞吐量，不阻碍任何贡献；审查智能体（Review Agent）可以根据预定义标准对代码进行评估。
- 实施智能体（Implementation Agent）可以接受、推迟或拒绝任何反馈。
如何开始使用编码智能体？ [30:10]
- 增强对现有代码的信心：使用编码智能体编写更多测试，验证代码行为，减少对手动审查的依赖。
- 逐步自动化重复任务：识别工作中耗时且重复的部分，让智能体逐步接管。
- 高杠杆的工作是定义需要完成的工作、确定优先级、安排任务，并有效赋能团队。
- 在路上使用智能体（Using Agents on the Go） [32:31]：
- 可以在离开办公室前启动一个任务，然后将笔记本电脑通过手机热点连接，让智能体在通勤途中继续运行。
- 如果智能体无法完成任务，则说明工具链在提供足够上下文方面存在缺陷。
IB Token 使用分解 [33:49]
- Token 的使用大致分为三个部分：规划/任务管理、文档/票据管理、代码实现和 CI 运行。
- 最佳实践是确保代码结构尽可能保持一致和本地化。
- 代码库中的代码，本质上也是给编码智能体的提示。
- 尽量标准化代码结构，让模型在不同部分的代码中进行推断时，能更轻松地进行知识迁移。
构建未来展望 [33:34]
- 最终目标是：给机器一个 Token 预算和一套重要的成功指标，让它们持续工作并推动产品向前发展，而无需人类频繁干预。
- 这需要我们定义好工作、优先级、调度，并赋能团队。
- 工程师的思维应从生产代码转向思考如何构建能自我构建的系统。