Codex 连跑了 25 小时，3 万行代码。真正难的从来不是模型

Wed, 28 Oct 2026 06:51:35 +0800

OpenAI 的开发者博客前几天放出一组数字。一个空仓库，全权限，一句话的任务，GPT-5.3-Codex 把 reasoning 开到 Extra High，连续跑了 25 小时没断，烧掉约 1300 万 token，写出大约 3 万行代码。任务是从零做一个设计工具。

这组数字散开之后，讨论基本停在"25 小时"和"1300 万 token"上。我倒觉得这两个数只说明一件事，算力确实变便宜了。真正值得看的是另一面，它凭什么能跑 25 小时还不跑偏。

它凭什么没断线

写代码的 agent 一晚上跑不完一个功能，多数时候不是因为它不会写，而是跑到某个点就忘了自己在干什么。上下文塞满，决定散在对话里，下一步没人记得。

Codex 这次扛住了，靠的不是模型记性好。它靠的是那个循环把状态全搬到了模型外面。

官方的描述是这样一圈：出计划，改代码，跑工具（测试、构建、lint），看结果，修失败，更新文档和状态，回到开头。

七步里有一半动作是把东西写到硬盘上。diff、日志、状态文档、worktree。模型在下一轮能重新读回来。也就是说它可以忘，但不会丢。

这个区别很容易被略过。模型记不住的东西越多，就得往上下文里塞越多；塞得越满，越容易在无关的地方跑偏。状态外置之后，上下文只需要装"现在这一步该干什么"，不用装"过去二十小时发生过什么"。

官方还引了 METR 的时间跨度基准。前沿 agent 能以大约 50% 和 80% 可靠性完成的软件任务长度一直在快速上升，大致七个月翻一倍。那条曲线讲的是同一件事：任务能拉多长，取决于 agent 内部能不能维持一个可恢复的状态机。

OpenAI 开发者体验负责人 Jason Liu 在一次 workshop 上展示了一个已经跑了五周的 Codex thread，这期间协调了大约 400 个子 agent。

这个数字好传播，但它记录的是算力活动，不是组织成熟度。真正有意思的是另一点，这个 thread 被再次唤醒的时候还认得出自己是干什么的，会去翻之前的记录，然后接着做同一摊事。

那一步做不到，前面跑多久都白搭。

他们用 pinned thread 承载长期职责，比如 chief of staff、Agents SDK 支持、命令行工具、开源项目、用户反馈。每个 thread 有自己的历史、目标、自动化时间表，彼此之间还能找到、改名、发消息。