这位 OpenAI 工程师如何用 Codex + ChatGPT Work 自动化一切

• Nick 把这几年分成两次冲击：2022–23 年 ChatGPT 是第一次——「我说点什么，它挺聪明地回我点什么」；第二次是 coding agent harness（agent 的运行外壳：给模型配上读文件、写文件、跑命令的手脚）出现——「我只交代一件事，剩下的它全都自己推演出来了。」 → 详细
• 但第二次冲击有门槛：不是工程师、不爱折腾的人根本碰不到。他认为这三个月真正的阶跃是把 coding agent harness 和「常驻在线 agent」这两个底层能力搬到网页和手机上——本来就在用 ChatGPT app 的人（量非常大）只要切到 Work 标签页，说一句「帮我看一下我的 Gmail 和账单」，就有了自己的 agent。他判断很多人「踏进门的第一步」不是什么大场面，而是第一次收到「包裹到了」「账上有笔奇怪扣款」的推送。→ 详细

• 快捷键唤起，屏幕上弹出一个光球，不管你当前在电脑上干什么都能对它说话，它说话回你，而且看得见你的屏幕、知道你正在做什么。关键不在语音本身，而在它上面接的那层「编排」：Nick 说 ChatGPT app 里早就有一批没人发现的底层能力（primitives）——你可以让它创建 thread、可以让它给已有的 thread 发消息，thread 之间还能互相对话，「这些在 app 里不算显眼，但能力都在」。语音层把这些串起来之后，「它基本上可以替你把整个 ChatGPT 管起来」。→ 详细
• Claire 的现场复述可以当成能力清单：快捷键唤起语音 → 管理五六个很聪明的 thread → 把任务委派出去 → 接各种插件 → 用你的浏览器 → 用 App Shot，「一种带宽极高、摩擦极低的方式，去跟一个真能把事办成的超级智能对话」。→ 详细
• Claire 补了一句同感：大多数人不知道这类平台的「元能力」——不只是拆 sub agent，而是能开全新 thread、fork thread、翻旧数据、翻它自己的记忆，让 AI 自己判断什么时候该把任务岔出去。她自己也是误打误撞发现的：某天模型突然说「我要开一个新 thread」，她当场懵了。→ 详细

• 不管你当前开着哪个窗口，连按两下 Command，它就拍一张带上下文的智能截图，拍完可以立刻对它用 computer use（操作电脑）或 browser use（操作浏览器）。这本来是个独立的元功能，Codex 语音里已经内置——演示中他只说了句「你能看到我 Slack 里那个 offsite 吗」，它自己就拍了一张。→ 详细

• 它从 Slack 窗口读出全部要素并复述：DX 团队巴黎 offsite，8 月 26–28 日；你要周二到，正式日程周三上午开始、周五下午结束；机票酒店本周内要在 Navan 上订好。→ 详细
• 花絮：Nick 顺口坦白巴黎 offsite 其实还没定，他是想借这段演示给团队「埋点种子」，因为 DX 团队一大半是法国人；Claire 当场对着他的 Codex 喊「把我也邀请上，安排丽思酒店、商务舱」。→ 详细
• 他接着问「我想留到周末、能不能多待几天」，它查完日历直接给结论：offsite 之后一直到 8 月 31 号周一都空着，9 月 1 号周二返程会跟一个下午晚些时候的会撞上，最省事的方案是 8 月 31 号回。这一步走的是底层插件（plugins），不用真的跑去开网页。→ 详细
• 他口头补齐约束：那两天请 PTO、从 SFO 出发、用 Navan、另开一个任务、挑一家价格合理且符合公司差旅政策的酒店、弄好告诉我我来点「立即预订」。→ 详细
• 最漂亮的一手是中途改口：任务已经在跑了，他说「确保它这次用我现有的 Chrome 浏览器」——语音层把这句话当消息回传给正在跑的那个任务，它回：已经改成使用你现有的 Chrome session，并且只准备选项、不做预订。→ 详细

• 他不等差旅任务跑完，直接追加第二件事：「我这儿有封 Amazon 收据，是买给 DX 团队的麦克风，你能不能另外开一个 thread 把报销搞定？」它答：任务已启动、会用你现有的 Chrome session，会找到收据、把 Navan 上的报销单准备好，但在你确认之前不会提交。→ 详细
• 两个任务同时在后台跑，他把语音静音继续录节目，Chrome 里能实时看到那个任务在筛航班。他的原话很朴素：「这类事我就是很享受『不用自己干』的感觉。」→ 详细

• Claire 说很多人卡在「空白对话框综合症」——盯着输入框想「我该让这个聪明得要命的 AI 干点啥」。语音转文字这层已经是她那位老嘉宾 Hillary 说的 yappers API（话痨接口）：跟 LLM 沟通带宽最高的方式就是张嘴一顿输出；而语音对语音更进一步——「如果你有幸配过助理，事情本来就是这么推进的」，一句「这个你帮我搞定一下」就完了，不用坐那儿琢磨怎么把指令写清楚。→ 详细
• Nick 补的差异点很关键：「通常语音背后是一个能力更弱的模型」，而这个能完整委派并管理五六个独立线程。另外他觉得用语音做规划效率特别高——「口述两分钟发出去一大段，再收回来几大段文字去读，这样我很难进入心流」。→ 详细

• Nick 的答案有层次：自己用的时候把语音开在「高智能」档；但如果它手上有足够好的工具可以委派出去，他更在意延迟——被逼选一个，最后选延迟。→ 详细
• Claire 下了个预测：下半年大家会越来越多地谈延迟，因为现在最能拉开差距的点就是「这些体验到底能做到多实时」——「我见过太多人因为一个转圈、因为一点延迟，就放弃了原本很棒的 AI 工作流。」→ 详细
• Nick 顺着推了一层更狠的：现在 AI 工具的产品设计里，好多假设都建立在「一定会有延迟、一定要等」上面（所以到处是进度条、通知、异步回来看）；延迟压得越小，这些假设就能一个个扔掉，新的产品形态自然冒出来。→ 详细

• 「网页版的 ChatGPT Work，尤其是手机端——我主要就是在手机上用——强得离谱。」原因有三：一是它本质就是 Codex 那套 harness，带非常出色的 compaction（上下文压缩，即对话变长时自动把前文压成摘要，不至于失忆）；二是插件已经连好了，Gmail、Google Calendar 之类你连过一次就一直在；三是这一整套在手机上都能用。→ 详细

• Heartbeats 就是把一段自动化挂成定时心跳、让它按节奏自己跑，跑完有值得说的才通知你。Nick 的原话：「你可以把这些自动化做成 heartbeats，直接就跑在那儿。像我一天会收到好几次通知，比如『嘿，我看到一封邮件说你买了这个东西，你确定是你买的吗？』或者『嘿，这个包裹要到了，记得取一下』。我根本没在盯我的邮箱和账单，但这些事有人替我盯着。这体验真的很神奇。」→ 详细
• 它的搭法低得出奇——不用写代码、不用配服务器：装两个插件（Gmail + 财务），切到 Work 标签页说一句「帮我盯着这两个，有什么值得注意的、或者哪里出岔子了就告诉我」，就有了一个一天跑两次的 agent。Nick 认为这种「小事」的第一次通知，才是普通人真正踏进 agent 世界的门槛。→ 详细
• 第二个用法藏在剪视频那段里，价值更高：他把一个已经做好的 skill 挂到 heartbeat 上，让 Codex 在后台自动帮他搜房源——这条视频的收尾就是讲这个。也就是说 heartbeat 不只挂「监控类」任务，任何你已经沉淀成 skill／plugin 的重复动作，都可以挂上去变成常驻。→ 详细
• 值得记的是这套东西的组合逻辑：插件负责「能接到什么」，skill／plugin 负责「怎么做才对」，heartbeat 负责「什么时候自己跑」，手机通知负责「什么时候找你」——四件东西凑齐，一个不需要你记得的助理就成立了。→ 详细

• 给技术观众的 10 秒版解释：支持 SQL 数据库、有 S3 存储可以放文件，甚至能配环境变量；给非技术观众的版本：它本质上就是一个能存东西的网站。→ 详细
• 权限是它最被低估的一点：可以按邮箱做过滤——完全私有、只给几个指定邮箱、或者完全公开，全看你。分享方式就是点「分享」填邮箱；对方用 ChatGPT 账号登录就能看。所以 Claire 那句形容很准：「可以分享给任何人，或者谁都不分享。」→ 详细

• Nick 口述需求：把 Claire 的 How I AI 频道里所有视频中最好的技巧汇总成一个站，能方便筛选，还能直接点链接跳到视频里对应的时间点。→ 详细
• Claire 现场追加需求，也是纯口述：按 How I AI 品牌来（经典 AI 蓝紫 blurple + 黑白），按「用了哪个 AI 工具」分一层，再按职能分一层（设计师／工程师／个人效率），剩下的「我就期待你能做出什么来了」。→ 详细
• 发布策略也是一句话交代的，很值得抄：「先私有部署，等它好了我们看一眼，如果效果不错再从那儿公开发布。」→ 详细
• 十几分钟后站真出来了，配色「黑色、紫色配白色，跟我说的一模一样」。他还提了句这一整期节目全程没碰键盘（look no hands），中间也确实出过状况。→ 详细
• 限制也当场露出来了：use cases 那一块出了 bug，同一期节目重复出现了好几次；两人现场想到的下一步是「让每个片段配不同封面图，甚至用 image gen 生成专属封面」。一次成型不等于一次做对。→ 详细

• 他自己那个站是聚合「大家怎么用 Codex／ChatGPT」的优质推文，做法是让 ChatGPT app 用自带的 in-app 浏览器在 Twitter 上刷了几小时，把链接嵌进来、每条加一点描述。→ 详细
• 日常维护更省：工作手机上常年留着一个 thread 专门管这个站，看到喜欢的内容就把链接丢进去说一句「加上」；prompts 页签同理，想到一个点子就对着手机口述一段，让它加上去。站点的编辑和 deploy 全都在手机上的 ChatGPT Work 里完成。→ 详细

• 两个人一起对着 ChatGPT 说话：Claire 的妈妈卡在一件行政流程上急得不行，她在电脑上开语音、把手机免提举到电脑前让妈妈一通说，自己追问两句，一按回车——「我替你办完了」。她说大家严重低估了这种用法，它是把需求灌进系统的高带宽方式，而且不必是你一个人对着它说。→ 详细
• 「这个会本来发条语音就够了」：Nick 需要同事的上下文时会说「你随便对着 Slack 口述一段，多乱都无所谓」，对方却回「要不咱们约个会吧」。他的原则是：「把信息给我就行，多不结构化都无所谓，只要我的 agent 能读懂，对我来说就够了。」→ 详细

• 起点是「降低出镜门槛」：他在 DX 团队做内容，目标是触达不在 Twitter 圈子里的人（「我们这帮人在 Twitter 上确实不少，但不在上面的人更多」），形式是对着镜头 45 秒、用特别接地气的方式讲清一个工具怎么用——做法就是去趟公园，自己给自己拍一堆零碎片段。→ 详细
• 素材量级要有概念：「我只要去趟公园就行了。前两天我在一个半小时里录了三条视频」，然后「上传了大概五六十个片段」——其中大部分是他自己也知道不会用的废镜头。演示中那次只提交了二十来个。→ 详细
• 投喂方式简单到不像话：把片段直接拖进 ChatGPT Work，然后口述一遍叙事线。他现场那段口述几乎就是脚本大纲：「我录了一支关于 record and replay 的视频。开头是我讲自己在找房子、这事儿挺折磨人的；然后实拍演示这个功能；最后收尾是我把做好的 skill 挂到 heartbeat 上，让 Codex 在后台自动帮我搜房源。你能不能先把这些片段过一遍，把转写文本拉出来，挑出最好的几条，然后拼成一支 UGC 风格的视频？」→ 详细
• 它内部怎么干：先处理所有片段只取转写文本，用来理解整个故事（加上你那段粗略描述，它就更清楚）；然后真的抽帧看画面，理解你在演示什么；再挑出最好的 take。关键技巧：录制时他会随口说「cut」「这条废了」「这条不错」，模型把这些当成筛选提示——等于你在拍摄现场就顺手标注了素材。→ 详细
• 它会反问你，而且随时能改口：这次它先抛问题让他选（画幅选 organic vertical 原生竖版、风格选 complete and clean）——这个反问不是天生的，是他后来主动加进 plugin 的，因为他发现「你干嘛不先问我几个问题呢」比来回返工省事。改口也不用守在电脑前：中途他想起还要一版 4:5，人在 Uber 上用手机说了一句发过去，它回「收到，正在更新交付清单」。→ 详细
• 它跑得慢，但慢不要紧：整支片子跑了挺久——「我去睡了一觉，回来再看，要的东西都在了」；因为已经有 plugin 和一个「很懂我要什么的 task」在那儿，他只需要口述三条视频各自的叙事线。前两天其中一条真发到了他们的 Instagram。→ 详细
• Claire 的平行用法（她视频剪辑量很大）：三十到六十分钟的演讲或播客整段丢进去，「给我剪一支 60 秒的高能预告，把最好笑的部分挑出来，前后各留一点余量方便我再修」——她评价「它对『好笑』的品味其实相当不错」；每季度那场三小时工作坊的 Zoom 录像也拿它切章节、切短视频。→ 详细
• Claire 顺口交代了自己荒废 TikTok 的真因，含金量比方法论还高：不是没时间，是「我对自己要求特别高，老是录一堆片段然后觉得『这就是垃圾』，一沮丧就撂挑子走人」。她从这个流程里拿到的解法是——一直录到有一条感觉对了为止，然后全丢进去，「我甚至不用记住哪条是好的」。→ 详细
• 对独立创作者的隐藏收益（心理层面）：Claire 说自己剪自己特别尴尬——「一遍遍盯着自己看……『这段我还挺可爱挺有梗』『那段我完全不知道自己在说什么，根本不像个正常人』」。所以她乐意把「评判自己、评判自己的表现」外包给一个中立的第三方模型，「这样我就不用整天坐在那儿听自己讲话」——尤其当你是独立创作者、独立创业者、一个人干活的时候。→ 详细

• 它是什么：Nick 做了个叫 UGC video 的 plugin（他还做过一个带 OpenAI 品牌风格的版本），里面装的全是他边做边给的引导——最先加进去的两条是「注意别踩进 Instagram 广告的安全区」和「画幅要 9:16，也要 4:5」。→ 详细
• 它怎么来的（这才是可抄的部分）：「我有一个超长的对话线程，在里面做了好几支视频，攒下了大量这种很定制化的经验和流程，于是我就说：你能不能把这些做成一个 plugin？」——沉淀进去的包括需要哪些画幅、某些区域不能放文字否则会被裁掉、自然断点在哪儿、字幕该怎么处理。而且 ChatGPT app 里本来就有一个 plugin creator 的 skill，所以做起来挺容易；生成后他又微调了几下，「现在就能比较稳定地拿到我想要的那条『顺利路径』了」。→ 详细

• 成片里它主动给房源地址打了码，没人要求。→ 详细
• 更狠的一次：有几支要发 Instagram 的片子里出现了从 Slack 带出来的未发布敏感物料，它「真的是一行一行地糊，我往下滚动的时候码还能跟着走」；而且整个过程有自检——先打码、再回头检查自己做得对不对、反复迭代直到满意。Claire 半年前为播客手写过一个打码工具，唯一没解决的难点正是「码怎么跟住屏幕共享的画面」。→ 详细
• Nick 借这里说了句更深的话：手动打码烦，但「更烦人的其实是，你还得动脑子想：我怎么才能让产出里不带机密信息，同时又让它看起来还是真实的、不假。这也是件麻烦事，我现在干脆不想了，全丢给 ChatGPT app 去处理。」——真正的成本在「持续动脑判断」，不在体力。→ 详细

Q1：大家都爱上语音之后，OpenAI 办公室里是不是全在自言自语？ Nick 说这问题问得「说实话有点让人不自在」：在家他完全靠口述；坐工位上周围有人时，有时压低声音说，但更多还是用键盘。他观察到公司里那些一人电话亭，最近越来越多人钻进去不是打电话，而是去用听写、用语音操作 Codex——「很明显大家在往这个方向适应，因为体验确实更好」。但现状不理想：「我不知道最终答案是不是我们每个人都戴一个罩子，把声音挡住只让 agent 听见。」他的结论是更好的版本已经存在（就是语音），只是跟现在的办公室格局和基础设施不匹配。Claire 接梗：应该按个按钮，天上降下一根管子罩住你，说完再升上去。→ 详细

Q2：过去三个月里真正的阶跃式变化是什么（语音除外）？ 不是某个新模型，而是把 coding agent harness 和「常驻在线 agent」这两个原本只有工程师能用的底层能力，搬到了网页和手机上——让本来就在用 ChatGPT app 的普通人，切个标签页就能拥有一天跑两次、替他看邮箱和账单的 agent。→ 详细

Q3：AI 不听话时你的 prompt 策略是什么？会吼吗？会全大写吗？ 「这得看我是坐在工位上，还是在自家客厅里——我对 AI 的态度在这两种场合是不一样的。」在办公室可能就是全大写、一边敲键盘一边砸；在家打开听写，顺带骂几句脏话，然后再想办法把它拽回正轨。他补了句反直觉的观察：最近他没那么容易上火了，因为东西确实跑得更顺了；Claire 正相反——「我反而更容易上火了，因为我的标准更高了。我会想：我知道你能做到这个，你又不是笨蛋，来吧。」她自我总结：「把它当成平等甚至更强的对手来对待，所以它做不出来的时候你会觉得意外。」→ 详细

• Nick Baumann：Twitter / X @nbaumann_，私信开放——关于 Codex、ChatGPT Work、OpenAI 正在发布的任何东西都可以问。→ 详细
• 节目：How I AI（主持人 Claire Vo）· 往期与介绍在 howiaipod.com，Apple Podcasts / Spotify 同步更新。→ 详细