OpenAI Codex 产品负责人：代码不再由人类编写，但我们会有更多构建者

Alexander Embiricos 是 OpenAI Codex 的产品负责人。在加入 OpenAI 之前，他在 Dropbox 做过产品经理，后来创办了协作工具 Multi（前身为 Remotion），做了五年结对编程方向的创业，2024年被 OpenAI 收购。他亲历了 AI 编程工具从“辅助补全”到“全权委托”的转变。Codex 自2025年8月以来增长了20倍，刚在2026年2月的一周内密集发布了 macOS 独立应用、GPT-5.3模型、超级碗广告，并向免费用户开放。

这期访谈覆盖了几个核心话题：AI 编码的现状与工程师的未来、人类为什么是 AGI 的真正瓶颈、OpenAI 内部怎么用 Codex、开放标准与竞争策略，以及 SaaS 行业和 Agent 市场的终局。

来源：20VC with Harry Stebbings，2026年2月21日原始视频：

https://www.youtube.com/watch?v=S1rQngjpUdI

要点速览

• OpenAI 内部大多数人已不再打开 IDE，代码的绝大部分由 AI 编写，拐点发生在 GPT-5.2 Codex
• AI 应该每天帮助人类数万次，但当前即使是重度用户也只用几十次，瓶颈不在模型而在人机交互
• “所有 Agent 本质上都是编码 Agent”，因为代码是 Agent 操作计算机的最佳方式
• OpenAI 自认工作不是“Codex 的成功”而是 “智能的分发”，训练模型然后服务给竞争对手
• 通用 Agent 会打败垂直 Agent，未来可能只有少数几家 Agent 提供商捕获大部分价值

【1】编码不会消亡，但编码的含义会改变

马斯克说编码是最先被大规模自动化的职业之一。你身处前线，同意这个判断吗？

Embiricos 同意 LLM 在编码领域确实很强，但 “自动化”是个很重的说法。他举了几个历史类比：当我们从汇编语言转向高级语言时，没人说“编码被自动化了”，我们只是能写更多代码，结果是对代码的需求反而爆炸了，需要更多软件工程师。

他又提到了”computer”一词的起源。在 Bletchley Park（二战时期英国的密码破译中心），有大量人力负责打孔卡、做制表运算。最早的电子表格软件也脱胎于类似场景：一间办公室里，桌子按网格排列，每个人做一部分计算，然后把工作表传给下一个人。这些具体任务都被自动化了，但每次自动化之后，对产出的需求都出现爆炸式增长。

【注：Embiricos 对“computer”一词起源的描述不完全准确——“computer”作为人类职位的称呼早于 Bletchley Park，最早可追溯到17世纪，后来 NASA 的女性数学计算员也被称为 computers。】

• “You still need software engineers today. You still need designers. I'm a PM. Do you need PMs? I don't think you need them.”（你现在仍然需要软件工程师、设计师。我是 PM。你需要 PM 吗？我觉得不需要。）

五年后会有更多工程师还是更少？Embiricos 说会有更多“构建者”。但他观察到一个趋势：人才栈在压缩。几年前前端和后端还是两种人，现在至少在 Codex 团队内部，工程师越来越全栈化。

至于 PM 这个自嘲式的判断，他解释说 PM 的角色本质上是“显式未定义的”，目标是适应团队或业务的任何需要。但这些功能也可以由一个思考产品的工程负责人或设计师来承担。所以 PM 有用，但在团队很大之前，你可能不需要太多。

【2】AI 的瓶颈是人类打字速度，不是模型

你说过人类打字速度和验证工作是 AGI 的关键瓶颈，能展开说说吗？

Embiricos 没有直接回答，而是反问。他先问 Harry 每天用 AI 多少次，答案是30多次。然后问如果零成本使用，AI 每天能帮你多少次？答案是无限。

• “I think AI should be helping us tens of thousands of times per day.”（我认为 AI 应该每天帮助我们数万次。）

他说在 OpenAI 内部，工程师已经到了“Codex 一直开着，如果开会时它没在跑任务，就觉得浪费了时间”的状态。但管理这些 Agent、确保它们一直在干活，本身就是大量工作。

而且即使是他自己这种天天做这个的人，也“太懒”去想出 AI 能帮忙的所有方式，最后每天的使用次数跟普通人差不多。当他用 AI 做了什么新鲜事（比如准备这次播客），还会觉得“挺自豪的”。

那理想的未来是什么？不需要学会怎么 prompt，不需要自己发现 AI 能帮你的场景，AI 自动连接你的上下文，在合适的时机介入。

Harry 追问：那 productize（产品化）这些 prompt 和人类动作来移除瓶颈，是你们的工作吗？

Embiricos 认为是，但不是马上就做到。他给出了一个三阶段路线图：

第一阶段，让 Agent 在软件工程和编码领域先做好，因为 LLM 恰好擅长这个。

第二阶段，意识到 Agent 要更广泛地有用，就需要能操作计算机，而代码恰恰是 Agent 操作计算机的最佳方式。

• “All agents are actually coding agents because coding is just the best way for an agent to use a computer.”（所有 Agent 本质上都是编码 Agent，因为代码是 Agent 操作计算机的最佳方式。）

第三阶段，观察什么有效后，做高度产品化的功能。他说“我们会在接下来几个月内快速跑完这三个阶段”。

他特别提到 Claude Code 最初推出时做对了一件事：**给你一个终端里的超简单工具，让用户自己去探索各种使用场景。**他认为 OpenAI 也应该优先做这种开放式工具，而不是只为特定行业做定制化产品。

Harry 指出了矛盾：如果你做开放工具而不是垂直产品，不就是把责任推回给用户了吗？这正好回到了“人类是瓶颈”的原点。Embiricos 承认这确实是瓶颈，所以三个阶段的设计就是渐进式地降低门槛。

【注：Claude Code 是 Anthropic 于2025年2月推出的命令行 AI 编程工具，在开发者群体中迅速走红。他也提到 Claude 的产品化做得好，比如 Claude for Legal、Claude in Excel，这些是 Anthropic 推出的垂直场景应用，让特定行业用户可以不写 prompt 就使用 AI。】

【3】先给人工具，再谈自动化——企业 AI 部署的路径之争

企业 AI 部署的数据安全、权限配置问题很难，不需要实施工程师吗？

Embiricos 承认如果要从零到一部署一个完整的 workflow 自动化系统，确实需要实施工程师来打通安全合规和各种数据系统。但他的核心观点是：自上而下部署的结果往往是“严重低估了 AI 在这家公司的潜力”。

他打了个比方：想象你是客服人员，AI 正在自动化你的大部分工作，但你自己从来没用过 ChatGPT。在这种情况下你对 AI 完全没有直觉，面对自动化只会感到无力。但如果你同时在用 ChatGPT 处理日常工作，你会对 AI 的能力有理解，也更有掌控感。

那数据安全问题怎么办？他指出，每个工具、每个 workflow 最终都落到某个员工的浏览器或本地文件系统上。这就是为什么 OpenAI 在建 Atlas 浏览器。

【注：ChatGPT Atlas 是 OpenAI 于2025年10月推出的浏览器，基于 Chromium 构建，内置 ChatGPT 功能。它可以理解用户正在浏览的网页内容，并支持 Agent 模式在浏览器中直接执行任务。】

通过自建浏览器并端到端控制，OpenAI 可以为企业构建安全的 Agent 浏览体验，让 Agent 访问那些尚未被实施工程师打通的系统。

• “For me the most exciting future with AI is one where everyone just feels like a superhuman, just like empowered by AI.”（对我来说，AI 最令人兴奋的未来是每个人都觉得自己像个超人，被 AI 赋予了力量。）

【4】从配对编程到委托——OpenAI 内部的工作方式变革

OpenAI 内部有多少代码是由 Codex 生成的？

Embiricos 没给具体百分比，但说大多数他认识的人已经不再打开编辑器。

• “The code itself is not being written by humans anymore.”（代码本身已经不再由人类来写了。）
• “The vast majority of code is written by AI and I would say that now probably most people are not even opening IDEs.”（代码的绝大部分由 AI 编写，而且我认为现在大多数人甚至不打开 IDE 了。）

这个变化是阶跃式的。拐点发生在2025年12月的 GPT-5.2 Codex：模型在长时间运行、端到端处理任务、管理上下文和遵循指令方面有了巨大提升。

【注：GPT-5.2 Codex 于2025年12月发布。2026年2月5日，OpenAI 又发布了 GPT-5.3 Codex，号称是“迄今为止最强的 Agent 编码模型”，比前代快25%，也是第一个被用来参与自身训练和部署的模型。】

在 GPT-5.2之前，AI 编码辅助主要是 tab 补全或配对编程，你得坐在电脑前，手放在键盘上。GPT-5.2之后，工作方式变成了：跟 Agent 讨论一个计划，确认 spec（规格），然后“let it cook”（放手让它干）。

这也是为什么他们做了 Codex App，一个专门为“委托而非配对”设计的界面。App 有管理多个 Agent 的工具、审查变更的功能、突出的 Skills（开放标准的 Agent 能力扩展），但有意没有文本编辑功能。

【注：Codex App 于2026年2月2日发布 macOS 版，支持多 Agent 并行工作。同一周 OpenAI 还在超级碗投放了广告（标语：“You can just build things”），并临时向免费和 Go 用户开放 Codex 功能。】

谈到代码审查，Embiricos 说计划审查（plan review）变得比以往更重要。

Codex 有一个 Plan Mode：Agent 先以只读方式研究代码库，提出一个详细方案，问你是否同意再开始执行。这就像新员工在动手前先给团队提 RFC（Request for Comments，征求意见稿）。

至于代码本身的审查，他说 OpenAI 几乎所有代码在推送到 repo 时都会被 Codex 自动审查。Codex 被专门训练为低误报率的审查者，它给出的批评大多有价值，所以你可以信任它的反馈。他还提到：有人让 Codex 审查其他模型生成的代码，然后意识到“我可能应该直接用 Codex 来写代码”。

【5】开放标准——“除了 Claude，所有家都采用了agents.md ”

用户在不同编码工具间切换很容易，你怎么看粘性？

Embiricos 说他们反而刻意让用户更容易切换。Codex 的核心 harness（运行框架）是开源的。去年 Codex 首发时，他们建立了agents.md 这个约定，一个任何 Agent 都能读取的配置文件，故意没叫 codex.md 。上周他们又推动把 Skills（Agent 的能力扩展脚本）存放在名为 agents/ 的中性文件夹里，而不是 codex/ 之类的。

“所有人都跟进了——除了那家。”他没点名，但显然在说 Anthropic 的 Claude Code，它使用自己的 格式。

【注： agents.md 是一个跨工具的 AI Agent 配置标准。OpenAI 推出了 agents.md （复数），Amp/Sourcegraph 推出了 agents.md （单数），后来 Quinn Slack 在社交媒体上提出统一命名，促成了行业标准化。到2025年底已有超过6万个开源项目采用，GitHub Copilot 也宣布支持。该标准已由 Linux 基金会旗下的 Agentic AI Foundation 管理。Claude Code 则使用自有的 CLAUDE.md 格式。】

但他也指出，这种容易切换的状态是暂时的。当前的编码任务是“单集式”（episodic）的：你有一个通用的 agents 文件，任何 Agent 都能读；Agent 写代码，产出一个 patch（补丁），进入 git。任务的两端都是厂商中性的。

一旦 Agent 开始对接外部系统，比如跟 Sentry（错误监控服务）对话或操作 Google Docs，粘性就会大幅增加。让企业信任一个 Agent 有权访问这些系统、同时确保有安全的沙箱和控制措施，这是一个不想重复做的决定。

Embiricos 说他们正是基于这个预判来构建 Codex 的。Codex 采用了最保守的沙箱机制，用 OS 级别的控制来限定 Agent 能做什么。

【6】“我们的工作不是 Codex 的成功，而是智能的分发”

怎么确保用户留在 Codex 而不是跑去 Cursor 或 Claude Code？

Harry 用 Hamilton Helmer《七种力量》的框架追问如何建立竞争壁垒。Embiricos 说 OpenAI 的使命是“确保安全地将 AGI 的好处带给全人类”，Codex 团队的工作本质上不是 Codex 的成功，而是 “智能的分发”。

• “We put all this effort into training these models and then we serve these models to our competitors.”（我们投入巨大精力训练这些模型，然后把模型提供给我们的竞争对手。）

Harry 直接说：“这对我作为风险投资人来说太难理解了。”

Embiricos 解释说这是长期博弈。竞争对手变好，OpenAI 也能学习。即使竞争对手是闭源的（暗指 Anthropic），也能从竞品的产品设计和创意中获得灵感。他举例说自己当天早上还在推特上转发了 Warp（一款终端工具）的新功能，里面有关于“Agent 同时在云端和本地工作”的好想法。整个行业“都在不可避免地达到相同的结论”。

那 Codex 的真正优势是什么？他列了几个：ChatGPT 的巨大分发优势、自研模型在自家 harness 中的能力优势（没人能提前拿到他们的新模型），以及模型和产品的协同优化。

从公司层面看，最重要的是计算优势和最好的模型，为此需要建商业来产生收入，而且有趣的是，Codex 这种产品团队反过来也在加速模型改进。从产品层面看，最重要的是做出个人用户喜欢的产品。

他也承认了企业侧的教训：不能只是“我们来了，随便用吧”，需要大量教育、配置支持、跟开发者体验负责人对接。

【7】速度、指标与产品起伏

推理速度对开发者有多重要？

Embiricos 说“非常重要”。他们跟 Cerebras 合作正是为了解决延迟问题。他暗示合作方面很快会有新消息。

【注：2026年2月12日，OpenAI 发布了 GPT-5.3-Codex-Spark，这是与 Cerebras 合作的首个成果。Spark 是 GPT-5.3 Codex 的轻量版，运行在 Cerebras 的 Wafer Scale Engine 3芯片上，推理速度超过1000 tokens/秒，目标是实现近乎即时的编码交互。】

不过他不认为推理会形成垄断，竞争压力会催生多种方案。GPT-5.3 Codex 本身就比前代模型高效得多。他们还在 API 层面做了优化，模型推理速度快了40%，Codex 用户端快了25%。

Harry 转述了 Jason Lemkin（SaaStr 创始人）的一个判断：”AI 算力是新的销售和营销”。这句话的意思是：过去企业花钱雇销售团队、投广告来获客；未来企业花钱买 AI 算力（inference，即运行模型的计算成本），让用户上手就能体验到产品价值，自己就转化了——本质上是 PLG（Product-Led Growth，产品驱动增长）的 AI 版本，销售团队可能不再需要。

Embiricos 不太认同。他说在一个人人都能构建产品的世界里，市场上的选择只会更多，跟客户保持良好关系、真正理解他们需要什么，反而比以前更难了。销售和营销解决的正是这个问题，不会被取代。

你们的核心指标是什么？

主要是周活跃用户（WAU），不是收入。Harry 追问：如果 Codex 真的在替代 IDE，不应该看日活吗？Embiricos 当场认可了这个批评：“你说得对，我们可能应该转向日活。”

他说目标是让用户的第一反应变成 “有任何事都先问 Agent”，就像 Google 搜索对信息的作用、ChatGPT 对知识的作用一样，下一阶段应该是“任何任务都先找 Agent”。

去年首发的云端 Agent 想法很好，给 Agent 自己的云端电脑、可以并行处理多个任务，但“说实话效果不如后来发布的版本”。2025年8月 GPT-5之后他们转向交互式编码，进入了竞争最激烈的市场，增长了20倍。2025年12月 GPT-5.2 Codex 上线成为又一个转折点，“12月到现在又翻了一倍”。

然后是2026年2月的集中爆发：GPT-5.3 Codex 巩固了模型智能的领先；Codex App 发布（首周超百万下载）解决了用户体验的短板；超级碗广告做了品牌宣传；向免费用户开放扩大了覆盖。

• “Even our biggest critics are converted.”（连我们最大的批评者都转变了。）

他还不忘调侃竞争对手：有个模型比我们早发布了大约20分钟——“说这话可能有点毒舌，但它只当了20分钟的 SOTA（state of the art，最先进水平）。”

【注：2026年2月5日 GPT-5.3 Codex 发布时，Anthropic 几乎同时发布了 Claude Opus 4.6。2月8日超级碗期间，OpenAI 和 Anthropic 各自播出了广告，OpenAI 的口号是“You Can Just Build Things”，Anthropic 则讽刺 OpenAI 在 ChatGPT 中植入广告。两家公司在社交媒体上公开交锋。】

最想做不同的事情有两件。第一，重新回到云端产品。 之前从云端转到本地交互是因为时机不对，如果用户还没熟悉你的工具就直接做工作流自动化，等于搭了空中楼阁。但现在用户基础已经建立起来了，该把云端和本地产品紧密整合了。

第二，投入更多精力解决代码审查和质量控制这类“被低估的瓶颈”。代码生成已经“基本上变得不值一提了”，但怎么知道代码质量好不好、方向对不对，这才是难题。目标是让 Agent 拥有完整的迭代能力，包括收集用户反馈并自行改进，不再需要人类审查。

【8】聊天是万能入口，但需要搭配专业 GUI

聊天会是 AI 的持久界面吗？

Harry 引用了 a16z 合伙人 Anish Akarya 的反对观点：聊天界面是 Sam Altman 和 Elon Musk 这类高效人士设计的产物，但地球上大多数人其实更想要浏览器式的、可以点击发现的图形界面。

Embiricos 的回答是”是，但要分两层看”。他说科幻电影是很好的未来预测器——科幻里的 AI 通常很简单，就是一个你可以随便聊天的实体，不需要切换到”编码 AI”再切换到”销售 AI”。科幻之所以是好预测器，恰恰因为它是讲故事的，而简单的东西通常是对的。

所以第一层是：聊天或语音作为通用入口，你可以跟它聊任何事，也可以把它加到任何群聊里，让它自己发现怎么帮你。

但第二层同样重要：专业用户不想所有事都通过跟另一个”人”对话来完成。他打了个比方——想象你有个行政助理，但你只能通过跟他对话来工作，不能自己看文件、自己编辑。这太烦了，有时候你就是想直接打开文档自己改。

所以未来的模式是：聊天做通用入口，搭配针对特定领域的功能性 GUI。他自己用聊天做播客准备，但看代码还是要打开 Codex App 深入研究。营销人员用聊天问产品问题，但看广告数据要用专门的分析界面——他们不会为了问个产品问题去下载 Codex App。

他还提到一个有意思的发现：在构建 Codex 的过程中，他们发现对 Agent 最好用的界面，往往也是对人类最好用的界面。比如测试框架默认会输出所有测试结果，人类要在成千上万行里找到失败的那一个，很痛苦；AI 也一样痛苦。但如果你只输出失败的测试，对人和 Agent 都更好。这意味着 Agent 和人类之间的交接点可以共用同一套界面设计。

【9】Agent 市场终局——少数通用 Agent 会赢

这个市场最终是双头垄断还是三分天下？

Harry 用投资人的视角问了这个问题：Agent 市场的终局，是像 Uber 和 Lyft 那样两家瓜分（Codex 拿大头），还是像 AWS、Azure、Google Cloud 那样三分天下？

Embiricos 认为最终只有少数提供商会捕获大部分价值。他的逻辑链是这样的：

回看过去一年，去年很多人以为 Agent 会在多个领域找到 PMF（Product Market Fit，产品市场契合），但实际上只有编码 Agent 真正跑通了，客户支持等其他领域还很初期。不过这是暂时的，未来 Agent 能做任何事。

到了那个时候，你不会想在公司里配12个 Agent，让员工自己去找对的那个——因为他们不会对任何一个达到”熟练”状态。不熟练就不会主动把自动化拉入自己的工作流。 但如果只有一个 Agent，入职培训就是”有任何问题找它”，人们会形成肌肉记忆，它会成为工作的重心。团队之间会分享使用技巧、办黑客马拉松来探索新用法，整个组织围绕它运转。

这跟他在 Dropbox 看到的一模一样。Slack 崛起之前，Dropbox 的文档协作功能其实更高效——你可以在视频的精确时间戳上留言，在文档的特定段落上标注。但人们就是涌向 Slack。没人想去文档上写评论，大家只想在 Slack 里直接 @ 你。效率更低，但引力效应更强。 Agent 市场会重演同样的故事。

他认为 ChatGPT 做这件事有天然优势，它已经是很多人的通用 AI 入口。

【10】数据护城河在哪里：编程数据够了，知识工作数据才稀缺

编程数据护城河在谁手里？Anthropic 是不是已经拿到所有数据了？

这个问题来自 Harry 在 LinkedIn 上征集的读者提问。Harry 用”伏地魔”来形容提问者所在的公司——“'那个不能说名字的公司'的一位优秀投资人”，然后补了一句”我不想让 Sam 杀了我”。大概率是 Anthropic 的投资人在问：你们的编码数据护城河到底在不在？

Embiricos 的回答很直接：编程数据已经够了。他们”有足够多的数据来构建非常好的编码模型”，这不是瓶颈。

真正有意思的数据缺口在知识工作领域。为什么？

因为编码有一个天然的数据宝库，GitHub 上海量的开源代码，代码怎么写、怎么改、怎么审查，全都有迹可循。但知识工作完全不同：没有人把自己怎么处理一封邮件、怎么准备一场会议、怎么做一个决策的完整过程记录下来放到网上。这类数据在互联网上几乎不存在，而且知识工作任务的分布比编码复杂得多，编码任务相对标准化，但知识工作千人千面。

获取这类数据的路径需要创新。Embiricos 提了两个思路：一是付钱请人模拟做任务，记录完整的操作轨迹作为训练数据；二是收购一些不再运营但积累了大量工作流数据的创业公司，他举的例子是”比如某个 Slack 类的产品”，这些产品里存着大量真实的团队协作、决策沟通的记录。

Harry 问到跟外部数据公司（Turing、Invisible 等）的合作会不会加大投入。Embiricos 说他们追求的是尽快推进，自建数据采集团队对小团队来说太耗时间，大规模数据采集通常会找外部公司合作。

【11】SaaS 不会死，但"中间商"公司有麻烦

有人说大型 SaaS 公司的收入可持续性为零，SaaS 已死。你怎么看？

Embiricos 说关键问题是：这家 SaaS 公司到底拥有什么？

他给出了两个判断标准：

1. 第一，它是否拥有跟人类的关系——用户离不开它，是因为习惯了跟它打交道。
2. 第二，它是否拥有重要的记录系统（system of record）——企业的核心数据存在它那里。

如果占了其中一样，它可能不会消亡，甚至这两样东西在 AI 时代比以往更重要。

但如果一家 SaaS 公司只是个 "glue layer"（胶水层），夹在用户和数据之间做连接和搬运，既不拥有客户关系也不拥有核心数据，那就比较危险了。这类公司本质上是"中间商"，而 AI Agent 天然擅长的就是打通系统、搬运数据，正好替代它们的核心功能。

Harry 做了更具体的推演：Salesforce、ServiceNow 股价大跌但被过度恐慌了；Dropbox 确实处境艰难； 这种给大量中小企业用的待办工具，用户理论上可以用 vibe coding（凭感觉编程）做一个，但考虑到定制和维护成本，大多数人还是会继续用。他认为客户支持类别最危险。

Embiricos 补充了一个关于创始人类型的判断：之前有一段时间，投资“会做好产品的人”就够了，因为做好产品太难了。但现在做产品变容易了，你应该回到投资 “懂分发、有行业经验、想清楚客户是谁”的创始人。

那什么领域不会被模型提供商侵占？

Embiricos 说“我不知道，这是个很难做投资的时期”。

Harry 给了自己的答案：有物理基础设施的（比如能源供应），以及有复杂金融关系的（比如跟东南亚银行建立的500个合作关系）。

Embiricos 同意：进入一个关系和行业知识决定一切的复杂市场，仍然是好投资。

【12】工程师的黄金时代——稀缺的是品味和主动性

给 CS 学生什么建议？

Harry 替即将进入职场的 CS 学生问了这个问题：怎么在 AI 时代保持自己的价值？

Embiricos 的回答出乎意料地乐观。他说从未有比现在更好的时机做工程师。AI 工具让你能做得更多，上手一个复杂代码库的速度前所未有，你可以直接问 AI 关于代码库的问题，让它规划本来要花你几天研究的变更。过去新人加入一个大型项目，光是理解现有代码结构可能就要花几周，现在这个过程被大幅压缩了。

但他话锋一转：对能力应该乐观，但真正的问题是怎么拿到那份工作。构建变容易后，稀缺的东西变了。

• “Because it's never been easier to build things, the thing that becomes scarcer is agency, taste, and quality.”（因为构建东西从未如此容易，变得稀缺的是主动性、品味和质量。）

• Agency（主动性）：不是等别人告诉你做什么，而是自己发现问题、主动去解决。
• Taste（品味）：在无数种实现方式中选择最优雅的那个，知道什么该做什么不该做。
• Quality（质量）：当 AI 能帮所有人写出80分的代码，你靠什么脱颖而出？靠那最后20分的打磨

他的具体建议是：构建东西，然后分享出去。OpenAI 收到大量的求职申请，无论是通过官网投递还是社交媒体私信。但真正能引起他注意的，不是一份漂亮的简历，而是有人带着有趣的想法和一个项目链接来找他。这个项目本身就能展示你的主动性、品味和质量，比任何学历背景都有说服力。

【13】Dropbox 的教训——人们会涌向他们喜欢使用的工具

从 Dropbox 学到的最大教训？

Harry 提到 Dropbox 校友群体在硅谷的影响力很大，问 Embiricos 从那段经历中学到了什么。Embiricos 说这个问题不用想就知道答案。

核心教训：工具是 ”参与系统”（system of engagement），如果人们不喜欢用你的工具，他们就不会用。

他讲了一个亲历的故事。在 Slack 崛起之前，Dropbox 内部一直在讨论一个问题：用户到底应该在 Dropbox 里给文档写评论，还是去 Slack 里讨论文档？从效率角度看，答案很明显：在 Dropbox 里直接评论更优，你可以在视频的精确时间戳上留言，在文档的特定段落上标注，信息跟内容绑定在一起，上下文完整。

但现实是：人们就是涌向了 Slack。 没人想去文档上写评论，大家只想在 Slack 里直接 @ 你。效率更低，但 Slack 是人们交流的重心，引力效应太强了。Dropbox 的协作功能就这样被碾压了。

他把这个教训直接应用到了 Codex 的产品策略上：如果 Agent 只做 workflow 自动化（工作流程自动化），推广就像”拔牙”一样痛苦，你得雇 Accenture 这样的咨询公司进场，部署实施工程师（FTEE），一套流程走下来既慢又贵。

但如果你做出一个人们真心喜欢用的工具，哪怕一开始只用它完成部分任务，用户会越来越擅长使用它。随着使用加深，工具会逐渐连接更多系统，自动化就自然而然地被拉入工作流，不是你推给用户的，是用户自己拉进来的。这就是”参与系统”和”自上而下部署”的根本区别。

至于 Dropbox 今天怎么做？Embiricos 说 Dropbox 的独特优势是桌面软件，这是他们多年积累的核心能力。所有知识工作最终发生在用户的电脑上，要么在浏览器里，要么在本地应用里。

Agent 带来的第一波生产力提升，一定是从用户的电脑端开始，先用用户手边已有的东西工作，不需要任何前期部署。如果他是 Dropbox，会利用桌面软件专长来做生产力 Agent，在用户的电脑上构建一个协作层。

【14】快问快答

人才竞争有多激烈？ Embiricos 说极其激烈。OpenAI 品牌强大，能吸引很多人才，但即使如此也要花大力气说服心仪的候选人加入。对于 PM 岗位，他们极度挑剔，如果不是完美匹配，可能弊大于利。

利润率重要吗？ Embiricos 认为推理成本会显著下降，但今年是 Agent 大规模接入企业系统的关键年，一旦连接建立就很有粘性。所以今年是一场竞赛，为了赢这场竞赛，可以接受一定的利润率损失。

过去12个月最大的认知转变： 加入 OpenAI 时以为很快就会有基于视频和音频的多模态 Agent，大家可以跟电脑屏幕共享式协作。结果多模态模型进展比预期慢，通过代码操作计算机才是正道。这是他对“如何把 AI 的好处带给普通人”的思路的彻底重构。

最尊敬的竞争对手： Amp，来自 Sourcegraph。不只是因为产品口碑超出体量，更因为他们发起了 agents.md 标准化。Amp 的 Quinn Slack 发了条推特说“你们买了 agents.md 这个域名的话，我们就统一到你们的命名”，这个看似微小的举动启动了整个行业的标准化。

【注：Amp 是 Sourcegraph 孵化的编码 Agent 工具，2026年初已从 Sourcegraph 分拆为独立公司。联合创始人是 Quinn Slack 和 Beyang Liu。】

对 Anthropic 广告的回应： 一家公司对未来很悲观，另一家，“也就是我们 OpenAI”，在告诉人们你可以构建东西、去追梦。他认为这个回应“很精彩”。

【注：2026年超级碗广告季，Anthropic 投放了一支广告，被认为在批评 OpenAI 在 ChatGPT 免费版中引入广告的做法。OpenAI 的 Codex 广告标语是“You can just build things”（你就是可以构建东西）。】

最痛苦的产品决策： Codex Cloud 一度提供无限使用（只需要 ChatGPT 订阅就行），后来改为有限额度，引发了激烈的用户反弹。虽然是很小一部分用户在抱怨，但社交媒体上的噪音影响了所有地方。教训：不能让东西免费太久。

5年后回看会觉得荒谬的事： 手动编辑代码。还有手动管理部署和监控。未来创业的方式可能是：先找一个 Agent，让它构建东西，再加更多 Agent，然后才加入联合创始人。你的主要沟通工具可能就是 Agent 沟通工具，而不是手动管理 CI（持续集成）和部署流程。

• “The way you start a company is you start by getting an agent and just asking it to build things.”（创业的方式是先找一个 Agent，让它开始构建。）

10年内最期待的事（他说可能用不了10年）：让 AI 帮到所有人，不只是科技圈的人。他说加入 OpenAI 时就觉得模型的能力远超产品化的程度，像他这样的人比他奶奶从 AI 中获益多得多。他的愿景是把 Agent 加入家庭 WhatsApp 群，它就自然而然地开始帮忙，不需要任何人多想。

Embiricos 在这场访谈中展现了一个相对完整的产品世界观，三个核心判断贯穿始终：

第一，编程 Agent 只是起点，通用 Agent 才是终局。 AI 编码的瓶颈已经从模型转向人机交互，产品化和降低使用门槛是当前最重要的工作。

第二，自下而上赋予个人用户 AI 能力，比自上而下的企业部署更有价值。 先让人们用上工具、建立直觉，再谈自动化。

第三，开放标准短期降低粘性，但长期建立生态信任。 OpenAI 的策略是开放标准加最强模型加最大分发的组合，服务于成为通用 Agent 入口的目标。

值得持续关注的几个信号：

• Codex 免费开放策略是否可持续（他们已经吃过一次“无限变限量”的亏）
• Codex 云端产品的回归进度（Embiricos 说想重新做好这块）
• Atlas 浏览器能否成为企业 AI 落地的关键入口
• AI 代码审查和质量控制的进展（他认为这是当前被低估的瓶颈）
• “所有 Agent 都是编码 Agent”这个判断在非技术领域是否成立
• agents.md 等开放标准能否真正成为行业共识，目前 Claude Code 仍然是最大的缺席者