合肥市建设局网站网站如何安装dedecms

合肥市建设局网站,网站如何安装dedecms,瑞丽航空公司官方网站,云捷配快速开发平台OpenAI 4人团队利用AI智能体Codex#xff0c;在28天内完成安卓版Sora开发#xff0c;85%代码由AI生成。团队将Codex视为高级工程师#xff0c;人类负责架构决策和关键实现#xff0c;AI负责代码填充。通过先规划再编码、多AI并行工作、跨平台移植等…OpenAI 4人团队利用AI智能体Codex在28天内完成安卓版Sora开发85%代码由AI生成。团队将Codex视为高级工程师人类负责架构决策和关键实现AI负责代码填充。通过先规划再编码、多AI并行工作、跨平台移植等策略实现高效开发。这种协作模式让开发者专注于高价值工作AI辅助编程正成为未来开发的新范式。【新智元导读】OpenAI爆款APP只动用了四员悍将。他们在短短28天内完成了从0搭建安卓版Sora。这背后竟是AI完成了85%的编码。4人28天手搓Sora APP约85%代码竟是AI写的10月初OpenAI重磅发布迭代后Sora 2以及首个AI视频应用Sora APP。直到11月安卓版Sora一经上线就登上了谷歌Play Store榜首。安卓用户在24h内生成了超100万条视频时隔两个月OpenAI团队揭秘这款爆火应用首个安卓版如何构建的背后故事。让人意外的是这款APP仅在28天内完成背后最大功臣便是AI智能体——Codex。从10月8日到11月5日4人工程团队与Codex协作消耗约50亿Token就把Sora Android推向全球。尽管应用规模虽大却实现了99.9%无崩溃率。而且他们还使用的是GPT-5.1-Codex模型的早期版本。发布仅5个月的时间Codex已经承包了OpenAI内部每周70%的PR了。一、拥抱 「布鲁克斯定律」保持灵活唯快不破当Sora在iOS上发布时用户量直接原地爆炸。相比之下安卓当时只有一个简陋的内部原型而在Google Play上预注册的用户却在越堆越多。面对这种高压、火烧眉毛的发布任务通常的反应就是疯狂堆人、加流程。像这种规模和质量的生产级应用通常得一大帮工程师干好几个月而且还会被各种协调工作拖慢进度。美国计算机架构师Fred Brooks曾有一句名言「向一个已经延期的软件项目增加人手只会让它延得更厉害」。换句话说想要快速交付一个复杂项目时堆人往往增加了沟通成本、任务碎片化和集成难度反而会降低效率。为此OpenAI组建了一支只有四名工程师的「精锐小队」——全员配备Codex极大地把每个人的战斗力拉满。靠着这种打法在18天内就向员工发布了Sora Android的内部构建版本仅仅10天后就向公众正式发布。二、AI迭代AI自我进化在OpenAI内部绝大部分工程师都在用Codex即开源版CLI。Codex产品负责人Alexander Embiricos透露「它会监控自己的训练过程并处理用户反馈「决定」下一步该做什么。Codex正在给自己的训练运行编写大量的研究测试框架research harnessOpenAI甚至在尝试让Codex去监控自己的训练过程。这种「套娃」式的开发模式可以让Codex自我迭代。这种用工具造更好工具的递归循环在计算历史上其实由来已久。1960年代工程师们在纸上手工设计了第一批集成电路然后根据图纸造出了物理芯片。接着这些芯片又驱动了运行第一批电子设计自动化EDA软件的电脑而这些软件反过来又让工程师能设计出人类手绘根本搞不定的复杂电路。现代处理器包含数十亿个晶体管这种排列模式之所以能存在全靠软件。OpenAI用Codex来造Codex似乎也是这个路子每一代工具创造的能力都会反哺到下一代中。这个系统能自主运行许多进程处理反馈衍生并管理子进程还能生成最终发布在实际产品里的代码。OpenAI员工管它叫「队友」并且用诸如Linear、Slack等工具来给它派活儿。Codex处理的任务到底算不算真正的「决策」但无可否认的是这里形成了一个半自主的反馈循环Codex在人类的指导下写代码这些代码变成了Codex的一部分结果就是下一个版本的Codex会写出不一样的代码。三、一位刚入职的「高级工程师」为了理解工程师是如何跟Codex配合的需得先知道它哪里强、哪里需要人带。把它当成一个「刚入职的高级工程师」是个很好的切入点。这个定位意味着工程师可以把更多时间花在指挥和Review代码上而不是自己在那儿敲代码。与「氛围编程」不同的是让Codex编码属于「Vibe engineering」氛围流工程的领域。前者是指开发者不怎么细看就直接接受AI生成的代码而后者是AI研究员Simon Willison提出的概念指人类仍保持在循环中。一般来说让Codex干活/制定计划再一起讨论迭代计划这样开发者就和模型保持在一个「循环」里还能仔细审查代码。四、Codex需要指导的地方目前Codex还不擅长推断未知的事。比如个人喜欢的架构模式、产品策略、真实用户行为以及内部的潜规则或捷径。同样Codex也看不到App实际跑起来的样子它没法在真机上打开Sora感觉不到滚动条是不是不丝滑或者察觉到某个交互流程很别扭。这些体验层面的活儿只能靠OpenAI团队自己来。每一个实例都需要「入职培训」。给出上下文明确目标、约束条件以及明确的规矩对于让Codex把活儿干漂亮至关重要。还有Codex在深层架构判断上也容易跑偏如果放任不管它可能会搞出一个多余的ViewModel实际上团队只想扩展现有的那个或者把本该属于Repository层的逻辑硬塞进UI层。它的本能是把功能跑通就行而不是优先考虑长期的代码整洁度。OpenAI发现在整个代码库里到处放大量的AGENT.md文件非常有用。这能让工程师在不同的会话里轻松复用相同的指导和最佳实践。举个例子为了确保Codex按照风格指南写代码OpenAI团队在顶层的AGENTS.md里加了这么一段## Formatting and static checks - **Always run** ./gradlew detektFix (or for the affected modules) **before committing**. CI will fail if formatting or detekt issues are present.五、Codex擅长的地方接下来再来看看Codex最擅长什么秒懂大型代码库Codex精通所有主流编程语言不需要搞复杂的抽象就能轻松地在不同平台间复用相同的概念。测试覆盖率Codex对写单元测试有着独特的热情能覆盖各种边缘情况。虽说不是每个测试都很深但这广撒网的覆盖率对防止Bug回归特别有用。响应反馈同样Codex很听劝。当CI挂了的时候可以直接把日志甩给它粘贴到prompt里让它给个修复方案。大规模并行、用完即弃大多数人根本没试探过并行会话数量的极限。开发者可以并行测试好几个想法把代码当成一次性用品不行就扔。提供新视角在设计讨论中团队会把Codex当成一个生成式工具用它来挖掘潜在的故障点或者发现解决问题的新路子。比如在设计视频播放器内存优化时Codex翻遍了多个SDK提出了一些团队根本没时间去细究的方案。Codex调研出的这些见解对于将最终App内存占用降到最低简直价值连城。腾出手做高杠杆工作实际上团队最后花在Review和指挥代码上的时间比自己写的时间还要多。话虽如此Codex在代码审查Code Review方面也很牛经常能在合并代码前就揪出Bug提高了可靠性。一旦摸清了Codex的能力团队的工作模式就变得很直接了。在模式清晰、范围明确的地方让Codex去干那些繁重的苦力活而团队则专注于架构、用户体验、系统性变更和把控最终质量。六、立规矩手动打地基为了用好Codex并确保出活稳健、好维护关键在于开发者要亲自把控系统的设计和关键权衡。这包括定好App的架构、模块化、依赖注入和导航甚至身份验证和基础网络流程也是自己搞定的。对于一个估算有85%的代码都是Codex写的项目来说一个精心规划的地基避免了昂贵的返工和重构。OpenAI团队表示「这绝对是我们做过的最正确的决定之一」。一定要形成这样一个思路——不是为了尽快搞个「能跑的东西」而是要搞个「懂规矩的东西」。写代码有很多种「正确」的方式不需要告诉Codex具体每一步怎么做但需要向Codex展示什么是「正确」的。一旦定好了起点和团队喜欢的构建方式Codex就可以开工了。为了看看会发生什么OpenAI团队确实试过直接给Prompt照着iOS代码构建Sora Android App。开始干。结果很快就翻车了。虽然Codex写出来的东西技术上能跑但产品体验完全不达标。而且如果不懂端点、数据和用户流Codex这种「一锤子买卖」Zero-shot写出来的代码根本不可靠。哪怕不用 AI一次性合并几千行代码也是作死。OpenAI的假设是如果给Codex一个写满好范例的沙盒它就能如鱼得水事实证明他们是对的。光秃秃地让Codex「做个设置页面」基本不靠谱。但如果你让它「参考你刚才看到的那个页面的架构和模式做个设置页面」效果就好太多了。人类做结构性的决策并定下硬性规矩Codex负责在这个框架里填充大量的代码。七、先规划再编码为了最大化Codex的潜力团队下一步是搞清楚——怎么让Codex长时间在无人监督的状态下干活。为此4人团队改了工作流。对于任何稍微复杂点的改动先让Codex帮理清系统和代码是怎么运作的。比如让它读一组相关文件总结这个功能是怎么跑的比如数据怎么从API流经Repository层、ViewModel最后到UI然后人工纠正或细化它的理解。这就像带一个能力很强的新队友一样团队会跟Codex一起制定一个扎实的实施计划。这个计划通常像一份微型设计文档指明哪些文件要改要引入什么新状态逻辑该怎么走。只有到了这一步团队才让Codex开始执行计划一步步来。此处有个非常实用的小技巧对于那种超长任务当上下文窗口快爆了的时候他们会让Codex把计划保存到一个文件里这样就能在不同的会话里延续同样的指导思路。这个额外的规划循环证明磨刀不误砍柴工。团队可以放心地让Codex长时间「无人监督」地跑这也让Code Review变得更容易因为可以对照计划来检查实现而不是一脸懵逼地看Diff。而且万一出问题了可以先调试计划再调试代码。八、多AI并行 分布式工程在项目最忙的时候OpenAI团队经常并行跑着好几个Codex会话。一个在做播放功能另一个在做搜索另一个在处理错误有时候还有一个在写测试或重构。这感觉不像是用工具更像是「管团队」。每个会话都会定期汇报进度。一个可能会说「我已经规划好这个模块了这是我的建议」而另一个会为一个新功能甩出一个巨大的Diff。每一个都需要关注、反馈和Review。这跟做一个带着好几个新人的Tech Lead简直一模一样大家都在推进大家都需要指导。结果就是形成了一种协作流。Codex这种暴力的编码能力把团队从大量的手工打字中解放出来了。因此他们有更多的时间思考架构仔细读PR测试App。Codex不会有上下文切换的瓶颈但开发者有。开发工作流从写代码变成了做决定、给反馈和集成变更。这就是「布鲁克斯的定律」以一种新方式应验的地方。你不能简单地增加Codex会话就指望速度线性提升就像你不能往项目里无限加人一样。每一双额外的「手」哪怕是虚拟的都会增加协调成本。九、Codex跨平台超能力OpenAI这一项目起步时有一个巨大的先发优势Sora已经在iOS上发布了。他们经常把Codex指向iOS和后端代码库帮它理解关键需求和约束。在整个项目过程中OpenAI开玩笑说「重新发明了跨平台框架忘掉React Native或Flutter跨平台的未来就是 Codex」。这句玩笑背后有两个原则1. 逻辑是可移植的无论代码是用Swift还是Kotlin写的底层的应用逻辑——数据模型、网络调用、验证规则、业务逻辑——都是一样的。Codex非常擅长读取Swift实现并生成语义一致的Kotlin代码。2. 具体示例提供强大的上下文一个全新的Codex会话如果能看到「这就是它在iOS上究竟是怎么跑的」以及「这是Android的架构」那效率远比光听自然语言描述要高得多。基于这些原则团队把iOS、后端和Android仓库都放到了同一个环境中。给Codex一个这样的Prompt阅读iOS代码里的这些模型和端点然后出一个计划用现有的API Client和模型类在Android上实现同样的行为。此处也有一个实用的小技巧在~/.codex/AGENTS.md里详细写明本地仓库在哪儿以及里面有啥。这能让Codex更容易地找到和跳转到相关代码。更广泛的经验是对于Codex来说上下文就是一切。当Codex理解了功能在iOS里是怎么跑的再结合对Android App结构的理解就能获得非常好的结果。十、一场复盘 开发者「超能力」觉醒28天冲刺结束时用Codex已成为OpenAI默认的开发闭环——理解代码、规划变更、实现功能、Review输出。显然AI辅助开发并没有降低工程的严谨性反而提升了它。Codex团队设计师Ed Bayes描述了这个工具如何改变了自己的工作流。如今Codex已与项目管理工具Linear、以及通讯平台Slack打通团队成员可以直接把编程任务派给AI智能体。他表示「你可以把Codex拉进来基本上可以直接给Codex指派 issue。Codex简直就是你工作区里的一个队友」。这种集成意味着当有人在Slack里发反馈时可以直接Codex让它修bug它还会提一个PR团队成员可以在同一个帖子里审查代码并进行迭代。「它基本上就是在模拟这种同事关系不管你在哪工作它都在」。尽管Codex能力很强但它的目标是立刻从A到B。这就是为什么离了人AI辅助编程就玩不转。明日软件工程师的「超能力」将是深刻的系统理解能力以及在长时间跨度上与AI协作的能力。现在Codex让开发者能专注于软件工程最有意义的部分回归他们热爱这门手艺的初心。一旦Codex在一个上下文丰富的环境中配置好懂你的目标和你喜欢的构建方式任何团队都能让战斗力翻倍。这一次OpenAI的发布复盘不是一个万能药方也不敢说已经彻底搞懂了AI辅助开发。但他们希望能以自己的经验启发更多的开发者让 Codex更好地为人们所用。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】