近日，OpenAI工程师 Ryan Lopopolo 通过长文 《Harness engineering》 揭开了内部团队使用Codex的重度玩法。这场实验不仅产出了名为 Symphony 的“幽灵库”，更定义了一种全新的工程工作方式。

核心实验:给自己戴上“零人工写码”的镣铐

Ryan 在实验之初给自己设下了一个夸张的限制:绝对不亲手写任何代码。

从痛苦到爆发: 实验初期，由于模型难以处理复杂逻辑，开发速度仅为人工的十分之一。

倒逼工具进化: 为了让 Agent 独立完工，团队被迫开发出一套极其精细的Harness（开发台）体系。

指数级增效: 随着GPT-5.4等推理模型的迭代，这套系统的产出效率最终远超任何单一工程师团队。

关键战术:把构建时间死守在“一分钟”

在OpenAI内部，Agent 的高效运行依赖于极致的反馈速度:

内部循环（Inner Loop）: 团队通过不断重做构建系统（从 Makefile 到 Bazel 再到 Nx），确保构建时间严格控制在 1分钟 以内。

逻辑拆解: 如果构建变慢，Agent 会自动将构建图谱拆解得更细，直到复杂度降至阈值以下，以维持 Agent 的“专注力”。

范式转移:人变成了 PR Review 的瓶颈

当代码可以被极其容易地并行化时，真正稀缺的是“人类注意力”。

合并后评审: 团队不再在合并前进行冗长的人工 Review，而是将其自动化，大部分人工 Review 发生在代码合并之后，用于抽查质量和沉淀经验。

可观测性赋能: 工程师的工作不再是修 Bug，而是为 Agent 提供Traces（追踪）和可观测性工具，让 Agent 具备“自愈”能力。

经验“蒸馏”: 将资深工程师脑子里的“隐性经验”写进 Skill 文档和测试中，将其固化为系统上下文。

行业未来:“幽灵库”与依赖内部化

Ryan 提出了一个极具冲击力的观点:随着 Token 成本趋近于零，软件依赖可能会逐渐消失。

Ghost Libraries（幽灵库）: 开发者只需定义一份高保真 Spec（规格），让 Agent 在本地重新组装实现。

依赖内部化: 对于中低复杂度的第三方库，Agent 可以直接重写并内联到仓库中，剥离无用代码，打造完全自控的技术栈。

结语:从“副驾驶”到“独立队友”

在 OpenAI Frontier 团队 的视野里，未来的软件开发不再是围绕人的习惯优化工作流，而是围绕 Agent 的可读性 重构整个代码库。当 Agent 能够自主处理从代码编写、CI 部署到生产监控的全链路任务，人类工程师的角色将彻底转向系统架构的“牧羊人”。