OpenAI 的 Bill Chen 與 Brian Fioca 在 AI Engineer Code Summit 分享了如何打造經得起模型迭代考驗的 Coding Agent。他們深入解析了 Coding Agent 的三大組成要素——使用者介面、模型與 Harness（執行框架），並以自家的 Codex 為例，說明模型的「智慧」與「習慣」如何影響 Agent 的表現。演講也介紹了 Codex 作為 SDK 的多種整合模式，以及未來 AI 程式代理的發展方向。

原影片連結：https://www.youtube.com/watch?v=wVl6ZjELpBk

影片重點

• Coding Agent 由三個部分組成：使用者介面（UI）、模型（Model）和 Harness（執行框架）
• Harness 是 Coding Agent 中最關鍵且最複雜的部分，負責與模型的互動介面
• 模型具有「智慧（Intelligence）」和「習慣（Habit）」兩個面向，理解習慣是成為好的 Prompt 工程師的關鍵
• 不要過度提示（overprompt）模型，讓模型使用它熟悉的行為模式反而表現更好
• Codex 不只是 Coding Agent，本質上是一個終端機的電腦使用代理（Computer Use Agent）
• Harness 正在成為新的抽象層，讓開發者可以專注於產品差異化
• Codex SDK 支援 TypeScript、Python、GitHub Action 等多種整合方式
• 未來模型將能處理更長期的無人監督任務，信任上限將持續提高

詳細內容

[00:21] 開場：為什麼要談 Coding Agent

Bill Chen 和 Brian Fioca 來自 OpenAI 的 Applied AI Startups 團隊，專門協助新創公司打造 Coding Agent。他們指出 Coding Agent 在過去一年爆發式成長，這個趨勢之所以重要，是因為它反映了我們距離 AGI 有多近——軟體工程可以被視為一種通用的問題解決媒介。

然而，由於底層模型不斷更新，開發者必須持續在新模型上重建 Agent，這是一個很大的痛點。這次演講的目標就是分享如何解決這個問題。

[01:44] Coding Agent 的三大組成要素

一個 Coding Agent 的架構其實很簡單，由三個部分組成：

1. 使用者介面（User Interface）：可以是 CLI 工具、IDE 整合，或是雲端背景 Agent
2. 模型（Model）：如 GPT-5.1、Codex Max 等最新模型
3. Harness（執行框架）：這是最核心的部分，直接與模型互動。可以簡化理解為一組 Prompt 和工具的集合，組成一個核心的 Agent 迴圈，負責處理模型的輸入和輸出

其中 Harness 是今天的重點。由於模型持續更新，開發者必須不斷調整 Agent 以適應新模型，Harness 的設計至關重要。

[03:22] Harness 的挑戰

打造一個好的 Harness 面臨多重挑戰：

• 工具適配（Tool Adaptation）：自訂工具可能不在模型的訓練分佈內，模型可能從未見過你設計的工具
• Prompt 調校：每個模型都有不同的偏好，需要花時間調校 Prompt
• 延遲管理（Latency）：思考型模型的等待時間如何處理？是否讓模型在思考時與使用者溝通？
• Context Window 管理與壓縮（Compaction）：這是一個極其困難的工程問題
• API 變更：從 Completions 到 Responses API，介面不斷演進

[05:44] 模型的智慧與習慣

Brian 提出了一個重要觀點：模型訓練會產生副作用，可以用「智慧 + 習慣（Intelligence + Habit）」來理解。

智慧（Intelligence）是指模型擅長什麼語言、什麼框架。習慣（Habit）是指模型被訓練出的解題方式——例如先規劃方案、環顧上下文、蒐集資訊，然後才動手寫程式碼，最後測試成果。

培養對模型習慣的直覺，就是成為好的 Prompt 工程師的方法。如果你用模型不熟悉的方式去指示它，就會出問題。

[07:02] GPT-5 的實際教訓：不要過度提示

Brian 分享了 GPT-5 發布時的一個有趣故事：許多從其他模型遷移過來的使用者，把原本為其他模型設計的 Prompt 套用到 GPT-5 上，要求模型在每次修改前仔細檢查所有檔案。但 OpenAI 已經訓練模型具備這種能力，所以模型會非常徹底地執行這些指令，導致速度極慢。

Brian 直接問模型：「我喜歡你的解法，但花了太長時間，我的指令要怎麼改才能讓你更快？」模型回答：「你要我去看所有東西，但我其實不需要這樣做，這才是花時間的原因。」

這個故事說明了同時打造模型和 Harness 的優勢——你對模型的習慣瞭若指掌，這也是為什麼 Codex 同時包含模型和 Harness。

[08:28] Codex 的功能概覽

Codex 被設計為一個無處不在的程式代理：VS Code 外掛、CLI 工具、雲端服務（可從 VS Code 或手機上的 ChatGPT 呼叫）。它能將規格轉為可執行程式碼、導覽程式碼庫編輯檔案、執行命令和任務、從 Slack 呼叫、以及在 GitHub 上審查 PR。

Codex 的 Harness 需要處理非常複雜的工作：平行工具呼叫與執行緒合併、沙箱安全性、Prompt 轉發與權限管理、Compaction 觸發時機與快取最佳化、MCP 支援，以及圖片壓縮解析度等。這些都是從零打造並持續維護的龐大工程。

[10:22] Codex 不只是 Coding Agent

Bill 提出一個有趣的觀點：Codex 本質上是一個終端機的電腦使用代理（Computer Use Agent for the Terminal）。在瀏覽器和圖形介面出現之前，人類就是透過寫程式和串接命令列來操作電腦的。因此，只要你的任務可以用命令列和檔案來表達，Codex 都能處理。

例如，Bill 用 Codex 整理桌面上的照片到資料夾，也可以分析大量 CSV 檔案做資料分析——這些並不是傳統意義上的「程式開發」任務。

[11:27] 用 Codex 打造你自己的 Agent

這一段介紹了如何將 Codex 作為 Agent 嵌入你自己的 Agent 中。Brian 分享了與 Cursor、VS Code 等頂級客戶合作的經驗，歸納出一個關鍵模式：Harness 正在成為新的抽象層。

這種模式的好處是，你不再需要每次模型升級時都重新最佳化 Prompt 和工具。有人可能會說這只是在做「Wrapper」，但 Brian 不同意——將精力集中在產品差異化上才是真正的價值所在。

[12:52] Codex SDK 的整合模式

Codex 提供了多種 SDK 整合方式：

• TypeScript Library：程式化呼叫
• Python exec：程式化執行
• GitHub Action：自動處理 PR 合併衝突
• Agents SDK + MCP：將 Codex 作為工具嵌入其他 Agent

Brian 描述了 Agent 的演進歷程：從聊天機器人 → 給聊天機器人工具 → 給工具一個能製造新工具的能力。現在你可以打造企業軟體，讓它為每個客戶即時寫出 API 連接器——這原本需要專業服務團隊才能完成。

實際案例包括：Zed 編輯器將 Codex 包裝成 IDE 內的代理介面，讓他們專注於打造最好的程式碼編輯器；GitHub 也直接透過 SDK 整合了 Codex。

[14:56] Cursor 的客製化案例

對於想要完全客製化 Agent 層的團隊，Cursor 是一個很好的範例。他們與 OpenAI 密切合作，將工具對齊到模型訓練時的分佈（in-distribution），並參考 Codex CLI 的開源實作來調整自己的 Harness。所有原始碼都是公開的，任何人都可以 fork 使用。

[15:34] Codex 的未來展望

Codex 推出不到一年，發展非常迅速。隨著 Codex Max 的推出，它已成為用量成長最快的模型，每週處理數十兆的 Token，自 Dev Day 以來已翻倍。

Bill 的建議是：朝著模型發展的方向去建構（Build where the models are going）。可以安全地假設模型會持續變好，未來將能處理更長期的無人監督任務。新模型會提高信任上限——現在他能信任模型完成比六個月前困難得多的工作。

未來的重點方向包括：處理大型程式碼庫、非標準函式庫、閉源環境、以及匹配現有的模板和實踐。SDK 會持續演進，讓模型在工作中學習、不重複犯錯，並提供更多介面讓 Agent 透過寫程式和使用終端機來解決各種問題。

[16:56] 總結

Harness 非常複雜且需要大量維護工作，尤其是面對不斷推出的新模型。OpenAI 已經在 Codex 中為開發者打造好了這一切——你可以直接使用，也可以查看原始碼。你可以用它來打造程式開發以外的新應用，讓 OpenAI 負責確保你擁有最強大的電腦代理。

我的想法

這場演講最有啟發性的觀點是「不要過度提示（Don’t Overprompt）」。很多開發者（包括我自己）在使用新模型時，往往習慣性地在 Prompt 中加入大量指令，要求模型做各種檢查和驗證。但 Brian 的經驗告訴我們，新一代模型已經內建了很多好的「習慣」——過多的指令反而會拖慢速度，甚至影響品質。這很像是管理一個有經驗的工程師：你不需要告訴他們每一步該怎麼做，只需要說清楚目標。

Harness 作為新抽象層的概念也很值得關注。這基本上是在說：未來的 AI 開發工具競爭不會只是在模型層面，而是在誰能提供最好的「Agent 基礎設施」。Codex SDK 的定位就像是給 Coding Agent 的 AWS——你不需要自己管理底層的複雜性。

不過要注意的是，這畢竟是 OpenAI 員工在 AI Engineer Code Summit 的演講，整體論述帶有明顯的產品推廣立場。將 Harness 完全交給平台方也意味著對其產生依賴。對於需要深度客製化的場景，理解 Harness 的內部運作仍然很重要，Codex CLI 的開源碼是很好的學習資源。