我太爱 Codex 了。我最近的作息时间完全取决于 Codex 的限额恢复时间。之前用 Claude code 都没这么上瘾CC 的配置、使用还是更偏“工程师”习惯。Codex 的体验完全不同完全的去技术化真的可以说“有手就行”。配合上 gpt 5.5我现在一睁眼就是看它做了什么。所以今天一是和大家分享一个 Codex 负责人的采访看看普通人能从哪些场景使用 Codex二是真心建议大家都去体验下 Codex真的太惊艳了。Thibault Sottiaux 是 OpenAI 负责 ChatGPT、Codex 和 API 相关产品的负责人之一。过去两年AI 用得好不好很大程度上取决于一个人会不会提问、会不会写提示词、会不会拆任务。会用的人效率提升很明显不会用的人最多把它当成一个搜索增强版。但 Thibault 的判断是这个阶段正在结束。未来几个月很多原本需要技术背景、需要反复配置、需要自己设计流程的能力会慢慢被产品包装起来。也就是说一个从来没有认真研究过 AI 的普通人也可能直接得到过去两年深度用户才有的效率提升。因为 Codex !01知识工作会先被改变因为很多工作本来就是“反复处理信息”软件开发已经被 AI 改变得很明显。写代码、改代码、审代码、生成测试这些事情正在被智能体接管一部分。但 Thibault 更关心的是同样的变化会延伸到所有知识工作。原因很简单很多知识工作并不是每天都在做特别复杂的创造而是在反复处理信息做市场研究跟踪竞品信息总结邮件和会议筛选销售线索整理客户资料跟进 Teams 或飞书里的消息把分散在文档、表格、日历、邮箱里的信息汇总成一份报告。这些事情过去当然也能用 AI 做但通常需要人坐在电脑前一步一步喂资料、复制粘贴、检查结果、再进入下一个工具。智能体的区别在于它可以跨工具运行。它可以用浏览器可以用电脑可以接入邮箱、日历、文档、表格也可以按照设定的频率自动执行任务。比如一个市场人员每天可能花 1 小时做行业研究1 小时整理邮件2 小时看潜在客户。过去这叫日常工作现在这些工作都可以被拆成智能体任务每 12 小时扫一次市场信息整理成 PDF发到邮箱同步到文档把高优先级线索列出来提醒你哪些需要回复。Thibault 还举了一个很形象的例子他曾经让 AI 每天总结 Slack 里的新闻然后直接打印出来。早上喝咖啡时他拿到的不是手机推送而是一份已经整理好的个人日报。这件事听上去很小但它说明了一个方向AI 不再只是等你问问题而是可以围绕你的工作节奏主动准备材料。这是我其中一个任务每天筛选并提供备选的公众号选题02下一代工作界面可能不是聊天框而是“早晨审批台”这次分享里有一个很重要的场景早上醒来打开一个仪表盘看到 AI 在你睡觉时已经做完了哪些工作。它可能已经整理了新闻找到了需要你处理的邮件准备好了几个回复草稿检查了你的日程帮你生成了一份会议准备材料甚至初步推进了某个项目。你的工作不是从零开始干而是逐项审批这个可以继续这个先暂停这封邮件可以发这份报告要改一下这个任务风险比较高先不要执行。这会改变很多人的一天。今天的工作模式是人一上班先找事情打开邮箱打开日历打开聊天软件打开文档把昨天没做完的事情重新捡起来。智能体模式下很多事情已经被预处理过。人的角色会更像一个主编、负责人、审核者而不是每一步都亲自搬砖的人。当然这里面最大的问题是安全。如果一个智能体可以访问你的邮箱、日历、文件、浏览器甚至可以帮你发邮件、操作网页、下载数据它就不能只是“能力强”。它还必须知道什么事能做什么事不能做。Thibault 提到一个机制主智能体执行任务另一个智能体负责检查它的行为判断有没有潜在风险。比如它要避免把个人信息发给陌生人避免在没有确认的情况下执行高风险操作也要在敏感任务上主动请求人的批准。03智能体要好用第一步不是写提示词而是整理你的资料很多人刚开始用 AI会把重点放在提示词上。但 Thibault 的建议更接近一个信息系统思路先把你的资料整理好。因为智能体要持续帮你工作必须知道三件事你是谁你怎么工作你现在正在推进什么。这也是为什么他会把资料放在本地文件夹里按项目整理笔记让智能体逐步帮他归档和更新。对普通知识工作者来说最该准备的不是一堆复杂提示词而是几类基础资料。第一类是你的表达样本。如果你希望 AI 替你写邮件、写公众号、写方案、写汇报就不要自己写一份“我的语气说明”。很多人会写“我喜欢简洁、专业、有逻辑、有温度。”这类描述对 AI 的帮助有限因为它太抽象了。更好的方式是直接给样本你过去写过的文章你发过的邮件你写过的汇报你做过的方案你在不同场景下发给同事、客户、朋友的消息。AI 从真实样本里学习你的表达方式比听你描述“我是什么风格”更准确。第二类是项目资料。每个项目应该有自己的文件夹里面放背景、目标、进展、关键联系人、历史版本、会议纪要、下一步计划。这样当你让智能体帮你写周报、准备会议、更新方案时它不是从空白开始猜而是从已有材料里提取上下文。这是我另一个本地任务每天帮我整理项目材料和处理一部分案头工作第三类是联系人和关系信息。不是简单的通讯录而是这个人是谁、负责什么、你们之前聊过什么、当前合作进展到哪一步。很多工作效率低不是因为写东西慢而是因为每次沟通前都要重新回忆上下文。第四类是你的策略文档。如果你是创作者就应该有账号定位、选题方向、读者画像、选题标准、标题风格、禁用表达、历史爆款分析。如果你是销售就应该有客户分层、行业策略、跟进节奏、常见异议、报价逻辑。如果你是管理者就应该有团队目标、项目优先级、会议机制、决策原则。这些东西一旦结构化AI 才能真正按照你的标准工作而不是每次给你一个通用答案。04普通人可以怎么用先从这几个高频场景开始这次分享里有很多具体工作流最适合普通知识工作者直接参考。第一个是每日首席助理。你可以让智能体连接邮箱、日历、文档然后每天早上给你一份简报今天有哪些会议每个会议要提前看什么材料哪些邮件重要但还没回哪些事项可能影响今天安排哪些任务应该优先处理哪些事情可以延后。这个工作流的价值不在于总结日程而在于把你的注意力从信息堆里解放出来。很多人每天看起来很忙其实大量时间花在判断“我现在该处理什么”。如果 AI 能先做一轮筛选人就能更快进入真正重要的工作。第二个是邮件处理。Thibault 演示过一个很实际的指令根据我现在的重点从邮箱里找到相关邮件并准备回复草稿。这里有两个细节。它不是单纯搜索关键词而是结合“我现在的优先级”去找相关邮件。它也不是直接替你发送而是先准备草稿让人最后确认。这就是目前更合理的人机分工AI 负责找、读、整理、起草人负责判断、修改、发送。第三个是会议和项目准备。如果你要做一个演示智能体可以先把相关材料整理出来再生成 Google Slides/PPT。如果你要准备一次客户会议它可以从邮件、日历、文档里找出历史沟通、客户背景、待解决问题再帮你列出会议重点。如果你要做一次内部复盘它可以把 Slack、文档、工单和数据拉到一起先形成一版结构。第四个是个人数据抓取和分析。Thibault 分享里有一个很具体的例子让智能体打开 LinkedIn下载数据并生成表格。第一次它可能只抓到一部分比如截图或基础数据。用户继续补充要求“我需要每条内容的曝光数据。”智能体就可以继续进入页面尝试导出更细的数据。这个例子有两个含义。一是智能体真的开始能操作网页和应用而不是只在聊天框里回答。二是工作流会变成连续对话。你不用一次把需求写完可以先让它跑再根据结果继续要求它补充。第五个是旅行或日程规划。它可以看你的日历空档结合邮箱里的行程信息帮你规划一次旅行。这类任务过去看起来生活化但本质上和工作任务一样读取多个信息源理解约束生成方案并在必要时继续修改。05写代码这件事会变得更便宜但不等于工程师没用了这次分享里还有一个很现实的话题普通人用 AI 写应用到底能走多远Thibault 的判断很直接如果你只是想做一个小工具给自己用或者给几个朋友试试那完全可以让智能体帮你做。比如做一个内容再加工工具把口述内容整理成邮件、新闻稿、社交媒体文案或者做一个学习英语的小应用先放 300 个常用词。这种情况下重点是快。你有想法就可以先做出来看能不能用看有没有人需要。但如果你想把它做成一个真正面向大量用户的产品比如几万、几十万甚至更多用户那么技术人员仍然重要。原因不是 AI 不能写代码而是产品规模化以后会遇到架构、稳定性、维护成本、数据安全、性能、长期扩展等问题。一个小应用能跑不代表它适合扩展。就像一个 300 个词的英语学习工具AI 可能很快写出来。但如果要扩到 1000 个词、1 万个词、多个学习路径、多用户数据、多端同步最初的结构可能就不合适。这也是今天很多 AI 做应用的边界。原型越来越便宜规模化仍然需要工程判断。不过这个边界也在变化。Thibault 认为未来 6 到 9 个月AI 在代码长期可维护性上的能力会明显提升。也就是说它不只会写能跑的代码还会更懂结构、更懂维护、更懂长期扩展。这对创业者和创作者的意义非常大。过去一个非技术背景的人有一个软件想法第一反应是太贵了做不了。现在第一反应可以变成先做一个能跑的版本。这会带来更多小工具、小应用、小自动化系统。很多需求过去不值得找团队开发但现在值得试一下。06“技能”会替代一部分提示词重复工作要沉淀成流程这次分享里还有一个很重要的产品细节Skill也就是技能。简单理解技能就是把一个可重复的工作流封装起来。比如你每天都要抓取 LinkedIn 数据整理成表格再加入到一个文档里。你不应该每天重新写一遍提示词而是可以让 AI 把这个流程创建成一个技能。下一次你只要说一句“跑一下 LinkedIn 数据分析”它就知道该怎么做。这其实是提示词时代之后的一个变化。早期使用 AI很多人比拼的是谁更会写提示词。但当工具能力增强、上下文记忆增强、技能机制成熟以后重点会从“写一句好提示词”转向“把一个好流程沉淀下来”。对个人来说这意味着你可以建立自己的工作流库。比如每日信息简报公众号选题扫描客户会议准备竞品监控销售线索整理周报生成数据看板更新邮件检查项目复盘模板。对团队来来说价值更大。一个优秀销售怎么跟进客户一个优秀运营怎么做复盘一个优秀主编怎么筛选选题过去很多经验藏在个人脑子里。技能化以后这些经验可以变成团队可复用的流程。这可能是 AI 在组织里的一个重要变化不是每个人都重新摸索怎么用 AI而是把优秀员工的方法沉淀成共享能力。07提示词没那么重要之后人真正要提升什么Thibault 提到一个比喻未来的 AI 更像一个好的裁缝。你不需要非常专业地告诉它每一个细节。它应该能理解你是谁你适合什么你当下需要什么然后给你合适的帮助。这意味着提示词的重要性会下降但这不代表人不重要。人的优势会转向几个更基础的能力。第一提出好问题的能力。不是把一句话写得复杂而是知道什么问题值得问。比如不要只问“帮我写一篇文章。”而是问“这个材料对中国创作者最有参考价值的部分是什么哪些细节可以落地哪些判断不能过度延伸哪些案例适合保留”第二判断结果质量的能力。AI 可以生成报告、代码、邮件、文章但你仍然要判断它有没有抓住重点有没有遗漏事实有没有误读材料有没有把不确定的东西写成结论。第三设计流程的能力。一次性让 AI 帮你写东西价值有限。真正提高效率的是把重复任务变成流程再把流程变成技能最后让它按固定节奏运行。第四整理个人和团队资料的能力。智能体越强资料越重要。你的文档越清楚AI 越能按你的标准工作你的资料越混乱它越容易给你通用答案。08不要把所有事情都自动化人还是最后负责人Thibault 也提醒了一个风险不要因为 AI 能做很多事就急着把所有事情都交给它。尤其是涉及税务、合同、财务、客户沟通、代码上线、隐私信息的任务人仍然要负责。如果 AI 写了一段代码最后系统出问题不能说这是 AI 写的不关我的事。如果 AI 起草了一封邮件最后发错信息也不能说这是智能体的责任。智能体应该被看作能力增强工具而不是责任转移工具。这点对创业公司尤其重要。如果一个团队已经有人负责市场、销售、运营、研发不应该简单因为 AI 能做某些事就裁掉人。更合理的方式是让这些人学会使用智能体把重复工作交出去把时间放到判断、沟通、策略和创造上。AI 会提高人的产出但不应该让人放弃理解系统。这也是很多人刚开始深度使用 AI 后会遇到的问题效率先上来了但很快发现自己同时开了太多自动化任务反而需要花更多时间检查。这说明不是所有任务都适合自动化。更合理的做法是先挑三类事情低风险高频重复结果容易检查。比如整理资料、生成草稿、汇总数据、准备会议、归档邮件。等这些流程稳定以后再逐步进入更复杂的任务。09对创作者和小团队来说这不是工具更新而是工作台重组今天的内容我私以为对创作者、小团队、咨询顾问、市场人员、销售人员都很有参考价值。因为这些人都有一个共同问题人少事情杂信息源多重复工作多。一个创作者每天要看选题、读材料、写文章、改标题、做分发、看数据。一个咨询顾问要整理客户资料、写方案、做竞品研究、准备汇报、跟进会议纪要。一个销售要找线索、查客户、写邮件、记跟进、更新系统。这些工作过去都是碎片化地分布在不同工具里。AI 聊天工具只能帮你处理其中一小段。但智能体的方向是把这些碎片串起来。它能帮你从信息入口开始一直到形成草稿、生成表格、准备回复、创建演示甚至把重复流程保存成技能。所以普通人下一步不应该只研究怎么写提示词更应该问自己几个问题我每天重复做哪些事哪些事耗时最多但判断难度不高哪些资料应该整理成长期可用的文件哪些流程可以固定下来每天或每周自动跑哪些任务必须保留人工审批以上快去试用 Codex 吧一定会惊艳到你。
