16 พฤษภาคม 2568

ขอแนะนำ Codex

ตัวแทนวิศวกรรมซอฟต์แวร์บนระบบคลาวด์ที่สามารถทำงานหลายงานพร้อมกันได้โดยใช้ codex-1 พร้อมให้บริการสำหรับผู้ใช้แพ็กเกจ ChatGPT Pro, Business และ Enterprise แล้ววันนี้ และจะเปิดให้ใช้งานผ่านแพ็กเกจ Plus เร็วๆ นี้

ลองใช้ Codex

Dashboard asking ‘What should we code next?’ with a prompt box, repo/branch selectors, and a task list on a pastel code-themed backdrop.

กำลังโหลด…

อัปเดตเมื่อวันที่ 3 มิถุนายน 2568: Codex พร้อมให้ใช้งานแล้วสำหรับผู้ใช้ ChatGPT Plus และเรายังเปิดโอกาสให้ผู้ใช้สามารถเชื่อมต่ออินเทอร์เน็ตระหว่างการใช้งาน Codex ได้อีกด้วย โปรดอ่าน บันทึกการเปลี่ยนแปลง⁠(เปิดในหน้าต่างใหม่) และ เอกสาร⁠(เปิดในหน้าต่างใหม่) สำหรับรายละเอียดเพิ่มเติม

วันนี้เราได้เปิดตัว Codex ในรูปแบบทดลองสำหรับงานวิจัย ซึ่งเป็นเอเจนต์สำหรับงานวิศวกรรมซอฟต์แวร์บนคลาวด์ที่สามารถทำงานหลายงานพร้อมกันได้ Codex ช่วยทำงานต่าง ๆ แทนคุณได้ เช่น การเขียนฟีเจอร์ใหม่ การตอบคำถามเกี่ยวกับโค้ดเบส การแก้ไขข้อผิดพลาด และเสนอคำขอรวมโค้ดเพื่อทำการตรวจสอบ โดยจะทำงานในสภาพแวดล้อมเสมือนที่แยกจากกันบนคลาวด์ที่บรรจุคลังเก็บข้อมูลของคุณไว้ล่วงหน้า

Codex ขับเคลื่อนโดย codex-1 ซึ่งเป็นเวอร์ชันหนึ่งของ OpenAI o3 ที่ได้รับการปรับแต่งให้เหมาะสมสำหรับวิศวกรรมซอฟต์แวร์ โมเดลนี้ถูกเทรนด้วยการเรียนรู้แบบเสริมแรงจากงานเขียนโค้ดสำหรับการใช้งานจริงบนสภาพแวดล้อมที่หลากหลาย ทำให้สามารถสร้างโค้ดได้ในสไตล์ที่ใกล้เคียงมนุษย์ได้และสอดคล้องกับความต้องการของการขอรวมรหัส ทั้งยังทำตามคำสั่งอย่างถูกต้อง และสามารถทำการทดสอบต่อเนื่องจนกว่าจะได้ผลที่ผ่านเกณฑ์ เราเริ่มทยอยเปิดให้ใช้งาน Codex กับผู้ใช้ ChatGPT Pro, Enterprise และ Business ตั้งแต่วันนี้ โดยจะรองรับ Plus และ Edu ในเร็วๆ นี้

Codex ทำงานอย่างไร

ตอนนี้คุณสามารถเข้าถึง Codex ผ่านแถบด้านข้างของ ChatGPT และมอบหมายงานเขียนโค้ดใหม่ได้โดยพิมพ์ข้อความคำสั่งแล้วคลิก "เขียนโค้ด" หากคุณต้องการถามคำถาม Codex เกี่ยวกับฐานรหัสของคุณให้คลิก “สอบถาม” แต่ละงานจะได้รับการประมวลผลอย่างอิสระในสภาพแวดล้อมที่แยกออกจากกันและมีการโหลดโค้ดเบสของคุณไว้ล่วงหน้า Codex สามารถอ่านและแก้ไขไฟล์ ตลอดจนเรียกใช้คําสั่งต่างๆ รวมถึงชุดทดสอบ เครื่องมือตรวจสอบโค้ด และเครื่องมือตรวจสอบชนิดข้อมูล การทำงานให้เสร็จสมบูรณ์มักใช้เวลาระหว่าง 1 ถึง 30 นาที ขึ้นอยู่กับความซับซ้อน และคุณสามารถติดตามความคืบหน้าของ Codex ได้แบบเรียลไทม์

เมื่อทำงานเสร็จ Codex จะบันทึกการเปลี่ยนแปลงในสภาพแวดล้อมของมันเอง Codex มอบหลักฐานที่ตรวจสอบได้เกี่ยวกับการทำงานของมัน ผ่านการอ้างอิงบันทึกจากเทอร์มินัลและผลการทดสอบ ทำให้คุณสามารถติดตามทุกขั้นตอนที่เกิดขึ้นระหว่างการทำงานจนเสร็จสิ้นได้ คุณสามารถตรวจสอบผลลัพธ์ ขอการแก้ไขเพิ่มเติม เปิดคำขอดึงข้อมูลจาก GitHub หรือผสานการเปลี่ยนแปลงเข้าสู่สภาพแวดล้อมภายในเครื่องของคุณโดยตรง ในผลิตภัณฑ์คุณสามารถกำหนดค่าสภาพแวดล้อมของ Codex ให้ใกล้เคียงกับสภาพแวดล้อมการพัฒนาจริงของคุณมากที่สุด

ไฟล์ AGENTS.md ที่อยู่ในรีโปของคุณสามารถใช้กำหนดวิธีที่ Codex ทำงานได้ ไฟล์เหล่านี้เป็นไฟล์ข้อความคล้ายกับ README.md ซึ่งช่วยให้คุณสามารถบอก Codex ว่าจะสำรวจโค้ดอย่างไร รันคำสั่งใดสำหรับทดสอบ และปฏิบัติตามมาตรฐานของโปรเจกต์ได้อย่างเหมาะสม เช่นเดียวกับนักพัฒนามนุษย์ เอเจนต์ Codex จะทำงานได้เต็มประสิทธิภาพเมื่อมีสภาพแวดล้อมการพัฒนาที่พร้อม ระบบทดสอบน่าเชื่อถือ และมีเอกสารประกอบที่ชัดเจน

จากการประเมินโค้ดและเกณฑ์มาตรฐานภายในพบว่า codex-1 มีประสิทธิภาพการทำงานสูงแม้ไม่มีไฟล์ AGENTS.md หรือโครงสร้างเฉพาะ

ตัวอย่าง SWE-Bench Verified จำนวน 23 รายการที่ไม่สามารถรันบนโครงสร้างพื้นฐานภายในของเราได้ถูกตัดออกไป codex-1 ได้รับการทดสอบที่ความยาวบริบทสูงสุด 192,000 โทเค็น และใช้ 'ความพยายามในการให้เหตุผล' ระดับกลาง ซึ่งเป็นการตั้งค่าที่พร้อมใช้งานในผลิตภัณฑ์แล้ววันนี้ สำหรับรายละเอียดเกี่ยวกับการประเมิน o3 โปรดดู ที่นี่⁠

เกณฑ์มาตรฐานงาน SWE ภายในของเราคือชุดงาน SWE ภายในที่คัดสรรจากงานจริงที่ OpenAI

การสร้างเอเจนต์ที่ปลอดภัยและน่าเชื่อถือ

เราเปิดตัว Codex ในรูปแบบตัวอย่างสำหรับงานวิจัย เพื่อให้สอดคล้องกับแนวทางการเปิดตัวแบบค่อยเป็นค่อยไปของเรา เราให้ความสำคัญกับความปลอดภัยและความโปร่งใสในการออกแบบ Codex เพื่อให้ผู้ใช้สามารถตรวจสอบผลลัพธ์ได้ ซึ่งถือเป็นมาตรการป้องกันที่ยิ่งทวีความสำคัญมากขึ้น เมื่อโมเดล AI เริ่มจัดการงานเขียนโค้ดที่ซับซ้อนด้วยตัวเอง นอกจากนี้ประเด็นด้านความปลอดภัยยังมีการพัฒนาอย่างต่อเนื่อง ผู้ใช้สามารถตรวจสอบการทำงานของ Codex ได้ผ่านการอ้างอิง บันทึกจากเทอร์มินัล และผลการทดสอบ เมื่อเกิดความไม่แน่ใจหรือพบความล้มเหลวในการทดสอบ เอเจนต์ Codex จะสื่อสารปัญหาเหล่านี้อย่างชัดเจนเพื่อให้ผู้ใช้สามารถตัดสินใจได้อย่างมีถี่ถ้วนว่าจะดำเนินการต่อไปอย่างไร ผู้ใช้ยังต้องทบทวนและตรวจสอบความถูกต้องของโค้ดที่เอเจนต์สร้างก่อนนำไปรวมและนำไปใช้งาน

Code-review screenshot with a test-file overlay verifying quoted filenames, plus summary and passing tests on a blue backdrop.

Code-review screenshot with a black terminal overlay showing one passing test for quoted filenames; summary and diff of the ‘Fix /diff error with special characters’ change visible on a blue-pastel background.

การปรับให้ตรงกับความชอบของมนุษย์

เป้าหมายหลักในการเทรน codex-1 คือการทำให้ผลลัพธ์สอดคล้องกับรูปแบบการเขียนโปรแกรมและมาตรฐานที่มนุษย์นิยมใช้มากที่สุด codex-1 สมารถสร้างแพตช์ที่เป็นระเบียบเรียบร้อยกว่า OpenAI o3 โดยพร้อมสำหรับการตรวจสอบโดยมนุษย์และผสานเข้ากับเวิร์กโฟลว์มาตรฐานได้ทันที

Please fix the following issue in the astropy/astropy repository. Please resolve the issue in the problem below by editing and testing code files in your current code execution session. The repository is cloned in the /testbed folder. You must fully solve the problem for your answer to be considered correct. Problem statement:Modeling's `separability_matrix` does not compute separability correctly for nested CompoundModels Consider the following model: ```python from astropy.modeling import models as m from astropy.modeling.separable import separability_matrix cm = m.Linear1D(10) & m.Linear1D(5) ``` It's separability matrix as you might expect is a diagonal: ```python >>> separability_matrix(cm) array([[ True, False], [False, True]]) ``` If I make the model more complex: ```python >>> separability_matrix(m.Pix2Sky_TAN() & m.Linear1D(10) & m.Linear1D(5)) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, False], [False, False, False, True]]) ``` The output matrix is again, as expected, the outputs and inputs to the linear models are separable and independent of each other. If however, I nest these compound models: ```python >>> separability_matrix(m.Pix2Sky_TAN() & cm) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, True], [False, False, True, True]]) ``` Suddenly the inputs and outputs are no longer separable? This feels like a bug to me, but I might be missing something?

Codex

OpenAI o3

การป้องกันการใช้ในทางที่ผิด

การป้องกันการใช้งาน AI ในวิศวกรรมซอฟต์แวร์เพื่อวัตถุประสงค์ที่เป็นอันตราย เช่น การพัฒนามัลแวร์ กลายเป็นเรื่องที่มีสำคัญมากขึ้นเรื่อยๆ ในขณะเดียวกันสิ่งสำคัญคือมาตรการป้องกันไม่ควรเป็นอุปสรรคต่อการใช้งานที่ถูกต้องและเป็นประโยชน์ ซึ่งบางครั้งอาจใช้เทคนิคเดียวกับที่ใช้สร้างมัลแวร์ เช่น วิศวกรรมเคอร์เนลระดับต่ำ (Low Level Kernel Engineering)

เพื่อสร้างสมดุลระหว่างความปลอดภัยและการใช้งาน Codex ได้รับการเทรนให้สามารถระบุและปฏิเสธคำขอที่มุ่งไปสู่การพัฒนาโปรแกรมอันตรายได้อย่างชัดเจน พร้อมทั้งสามารถแยกแยะและสนับสนุนงานที่ถูกต้องตามหลักการได้ เรายังได้พัฒนากรอบนโยบายและนำการประเมินความปลอดภัยที่เข้มงวดมาใช้ เพื่อสนับสนุนการรักษาขอบเขตเหล่านี้อย่างมีประสิทธิผล เราได้เผยแพร่ ภาคผนวกของ o3 System Card⁠ เพื่อสะท้อนผลการประเมินเหล่านี้

การประมวลผลที่ปลอดภัย

Codex agent ทำงานแบบเต็มรูปแบบภายในคอนเทนเนอร์แยกและปลอดภัยบนคลาวด์ การเข้าถึงอินเทอร์เน็ตจะถูกปิดระหว่างการทำงาน ทำให้เอเจนต์สามารถทำงานได้เฉพาะกับโค้ดที่จัดเตรียมไว้ในรีโปของ GitHub และไลบรารีที่ผู้ใช้ติดตั้งล่วงหน้าผ่านสคริปต์การตั้งค่า เอเจนต์ไม่สามารถเข้าถึงเว็บไซต์ภายนอก API หรือบริการอื่นๆ ได้

กรณีการใช้งานในระยะแรก

ทีมเทคนิคของ OpenAI ได้เริ่มนำ Codex มาใช้เป็นส่วนหนึ่งของเครื่องมือประจำวันแล้ว ทีมวิศวกรของ OpenAI ใช้ Codex เพื่อช่วยจัดการงานที่ซ้ำซากแต่จำเป็น เช่น การปรับโครงสร้างโค้ด การเปลี่ยนชื่อ และการเขียนการทดสอบ ทำให้ทีมสามารถรักษาสมาธิและมุ่งเน้นไปที่งานสร้างสรรค์ที่สำคัญได้มากขึ้น Codex ใช้ได้อย่างมีประสิทธิภาพทั้งในการสร้างโครงสร้างฟีเจอร์ใหม่ ต่อสายส่วนประกอบ แก้บั๊ก และร่างเอกสารประกอบ ทีมงานกำลังพัฒนานิสัยการทำงานใหม่ๆ โดยใช้เครื่องมือนี้ ทั้งการจัดการปัญหาเวลาทำงาน การวางแผนงานตั้งแต่เช้า และการถ่ายโอนงานเบื้องหลัง เพื่อให้ทีมสามารถทำงานได้ต่อเนื่อง Codex ช่วยให้วิศวกรสามารถส่งงานได้เร็วขึ้นและมีเวลาโฟกัสงานที่สำคัญด้วยการลดการสลับบริบทและช่วยเตือนงานที่ลืม

ก่อนการเปิดตัวเราได้ร่วมมือกับผู้ทดสอบภายนอกขนาดเล็กเพื่อศึกษาการทำงานของ Codex ในโค้ดเบส กระบวนการพัฒนา และทีมงานหลากหลายรูปแบบ

Cisco⁠(เปิดในหน้าต่างใหม่) กำลังสำรวจว่า Codex จะช่วยให้ทีมวิศวกรรมเปลี่ยนไอเดียที่ท้าทายให้กลายเป็นจริงได้เร็วขึ้นอย่างไร ในฐานะพันธมิตรด้านการออกแบบระยะเริ่มต้น Cisco ได้มีส่วนช่วยกำหนดอนาคตของ Codex โดยการประเมินการใช้งานจริงในผลิตภัณฑ์ต่างๆ ของตน และให้ข้อเสนอแนะกับทีม OpenAI
Temporal⁠(เปิดในหน้าต่างใหม่) ใช้ Codex เพื่อเร่งการพัฒนาฟีเจอร์ แก้ไขปัญหา เขียนและรันการทดสอบ รวมถึงปรับปรุงโครงสร้างฐานโค้ดขนาดใหญ่ นอกจากนี้ Codex ช่วยให้วิศวกรได้มีเวลาโฟกัสกับงานหลัก โดยการรันงานซับซ้อนในพื้นหลัง ทำให้การทำงานเป็นไปอย่างต่อเนื่องและเร็วขึ้น
Superhuman⁠(เปิดในหน้าต่างใหม่) ใช้ Codex เพื่อเร่งความเร็วของงานเล็กๆ น้อยๆ แต่ซ้ำซาก เช่น การปรับปรุงความครอบคลุมของการทดสอบและการแก้ไขความล้มเหลวในการรวมระบบ นอกจากนี้ยังช่วยให้พวกเขาส่งงานได้เร็วขึ้น โดยเปิดโอกาสให้ผู้จัดการผลิตภัณฑ์สามารถมีส่วนร่วมในการแก้ไขโค้ดเล็กน้อยได้ โดยไม่ต้องดึงวิศวกรเข้ามา ยกเว้นในขั้นตอนการตรวจสอบโค้ด
Kodiak⁠(เปิดในหน้าต่างใหม่) กำลังใช้ Codex เพื่อช่วยเขียนเครื่องมือดีบัก ปรับปรุงความครอบคลุมของการทดสอบ และปรับโครงสร้างโค้ดเร่งการพัฒนา Kodiak Driver ซึ่งเป็นเทคโนโลยีการขับขี่อัตโนมัติของพวกเขา Codex ยังกลายเป็นเครื่องมืออ้างอิงที่มีคุณค่า ช่วยให้วิศวกรเข้าใจส่วนที่ไม่คุ้นเคยของสแต็กโดยการแสดงบริบทที่เกี่ยวข้องและการเปลี่ยนแปลงที่ผ่านมา

โดยอิงจากบทเรียนจากผู้ทดสอบเบื้องต้น เราแนะนำให้กำหนดงานที่ชัดเจนให้เอเจนต์หลายตัวพร้อมกัน และทดลองใช้ประเภทงานและคำสั่งที่หลากหลายเพื่อให้เข้าใจความสามารถของโมเดลอย่างเต็มที่

การอัปเดต Codex CLI

เมื่องเดือนที่แล้วเราได้เปิดตัว Codex CLI เอเจนต์เขียนโค้ดแบบโอเพนซอร์สขนาดเล็กที่รันได้ในเทอร์มินัลของคุณ เครื่องมือนี้นำความสามารถของโมเดลเช่น o3 และ o4-mini มาใช้งานในเวิร์กโฟลว์บนเครื่องของคุณ ทำให้การจับคู่กับโมเดลเหล่านี้เพื่อทำงานให้เสร็จเร็วขึ้นเป็นเรื่องง่าย

วันนี้เราได้เปิดตัว codex-1 เวอร์ชันที่เล็กกว่า ซึ่งเป็นรุ่นของ o4-mini ที่ออกแบบมาโดยเฉพาะสำหรับการใช้งานใน Codex CLI โมเดลใหม่นี้รองรับกระบวนการทำงานที่รวดเร็วขึ้นใน CLI และได้รับการปรับแต่งเพื่อการถามตอบและแก้ไขโค้ดที่มีความหน่วงต่ำ โดยยังคงจุดแข็งเดิมในการทำตามคำสั่งและรักษาสไตล์การทำงาน ตอนนี้สามารถใช้เป็นโมเดลเริ่มต้นใน Codex CLI และใน API ในชื่อ codex-mini-latest ข้อมูลพื้นฐานของโมเดลจะถูกอัปเดตเป็นประจำในขณะที่เราพัฒนาปรับปรุง Codex-mini อย่างต่อเนื่อง

เรายังทำให้การเชื่อมต่อบัญชีนักพัฒนากับ Codex CLI เป็นเรื่องง่ายขึ้น แทนที่จะสร้างและตั้งค่าโทเค็น API ด้วยตนเอง ตอนนี้คุณสามารถเข้าสู่ระบบด้วยบัญชี ChatGPT ของคุณและเลือกองค์กร API ที่ต้องการใช้ได้เลย เราจะสร้างและกำหนดค่าคีย์ API ให้คุณโดยอัตโนมัติ ผู้ใช้ Plus และ Pro ที่เข้าสู่ระบบ Codex CLI ด้วยบัญชี ChatGPT จะสามารถเริ่มรับเครดิต API ฟรีมูลค่า $5 และ $50 ตามลำดับ ตั้งแต่วันนี้เป็นต้นไปเป็นเวลา 30 วัน

ความพร้อมในการใช้งาน ราคา และข้อจำกัดของ Codex

เราเริ่มทยอยเปิดให้ใช้งาน Codex กับผู้ใช้ ChatGPT Pro, Enterprise และ Business ตั้งแต่วันนี้ โดยจะรองรับ Plus และ Edu ในเร็วๆ นี้ ผู้ใช้จะสามารถเข้าถึง Codex ได้อย่างเต็มที่โดยไม่เสียค่าใช้จ่ายเพิ่มเติมในสัปดาห์ที่จะถึงนี้ เพื่อให้คุณได้สำรวจความสามารถของ Codex หลังจากนั้นเราจะเปิดใช้งานแบบจำกัดอัตราและมีตัวเลือกการกำหนดราคาที่ยืดหยุ่นให้คุณซื้อการใช้งานเพิ่มเติมตามต้องการ เราวางแผนที่จะขยายการเข้าถึงให้กับผู้ใช้ Plus และ Edu ในเร็วๆ นี้

นักพัฒนาที่ใช้ codex-mini-latest สามารถเรียกใช้งานโมเดลผ่าน Responses API โดยคิดค่าบริการ $1.50 ต่อ 1 ล้านโทเค็นขาเข้า และ $6 ต่อ 1 ล้านโทเค็นขาออก พร้อมส่วนลด 75% สำหรับการเก็บคำสั่งชั่วคราว

Codex ยังคงอยู่ในช่วงเริ่มต้นของการพัฒนา ในฐานะเวอร์ชันตัวอย่างสำหรับงานวิจัย โมเดลนี้ยังขาดฟีเจอร์อย่างการรับภาพสำหรับงานส่วนหน้า และความสามารถในการปรับแก้เอเจนต์ระหว่างทำงาน นอกจากนี้การมอบหมายงานให้กับเอเจนต์ระยะไกลใช้เวลานานกว่าการแก้ไขแบบโต้ตอบ ซึ่งอาจต้องใช้เวลาในการปรับตัว เมื่อเวลาผ่านไปการโต้ตอบกับเอเจนต์ Codex จะยิ่งคล้ายกับการทำงานกับเพื่อนร่วมงานแบบอะซิงโครนัสมากขึ้น เมื่อความสามารถของโมเดลพัฒนาต่อไป เราคาดว่าเอเจนต์จะสามารถทำงานที่ซับซ้อนมากขึ้นได้ต่อเนื่องเป็นเวลานาน

ก้าวต่อไปคืออะไร

เรามองเห็นอนาคตที่นักพัฒนาสามารถเลือกงานที่ต้องการทำเอง และให้เอเจนต์จัดการงานอื่นๆ ทำให้ทำงานได้เร็วขึ้นและมีผลผลิตสูงขึ้นด้วย AI เพื่อให้บรรลุเป้าหมายนั้นเรากำลังสร้างชุดเครื่องมือ Codex ที่สนับสนุนทั้งการทำงานร่วมกันแบบเรียลไทม์และการมอบหมายงานที่สามารถดำเนินไปโดยไม่ต้องทำพร้อมกัน

การจับคู่กับเครื่องมือ AI เช่น Codex CLI และเครื่องมืออื่นๆ ได้กลายเป็นมาตรฐานในอุตสาหกรรมอย่างรวดเร็ว ซึ่งช่วยให้นักพัฒนาทำงานได้เร็วขึ้นขณะเขียนโค้ด เรามองว่ากระบวนการทำงานหลายเอเจนต์แบบไม่พร้อมกันของ Codex ใน ChatGPT จะกลายเป็นมาตรฐานในการสร้างโค้ดคุณภาพสูง

ท้ายที่สุดแล้วเราเชื่อว่าการทำงานร่วมกันแบบเรียลไทม์ และการมอบหมายงานจะหลอมรวมเป็นแนวทางเดียวกัน นักพัฒนาจะร่วมมือกับเอเจนต์ AI ใน IDE และเครื่องมือประจำวันของพวกเขาเพื่อถามคำถาม รับคำแนะนำ และมอบหมายงานที่ยาวขึ้นในเวิร์กโฟลว์ที่เป็นหนึ่งเดียว

ในอนาคตเรามีแผนที่จะพัฒนาเวิร์กโฟลว์ของเอเจนต์ให้มีการโต้ตอบและยืดหยุ่นมากยิ่งขึ้น นักพัฒนาจะสามารถให้คำแนะนำระหว่างงาน ร่วมวางกลยุทธ์การทำงาน และได้รับอัปเดตความก้าวหน้าอย่างต่อเนื่อง เรายังมองเห็นการบูรณาการที่ลึกซึ้งยิ่งขึ้นกับเครื่องมือที่คุณใช้อยู่แล้วอีกด้วย ปัจจุบัน Codex สามารถเชื่อมกับ GitHub ได้ และในเร็วๆ นี้ คุณจะสามารถมอบหมายงานผ่าน Codex CLI, ChatGPT Desktop หรือแม้กระทั่งเครื่องมืออย่าง issue tracker หรือระบบ CI

วิศวกรรมซอฟต์แวร์เป็นหนึ่งในอุตสาหกรรมแรกๆ ที่ได้ประโยชน์จากการเพิ่มผลผลิตด้วย AI อย่างมีนัยสำคัญ ช่วยเปิดโอกาสใหม่ๆ ให้กับบุคคลและทีมขนาดเล็ก แม้เราจะมองว่าผลประโยชน์เหล่านี้มีแนวโน้มที่ดี แต่เราก็กำลังร่วมมือกับพันธมิตรเพื่อศึกษาผลกระทบของการใช้เอเจนต์อย่างกว้างขวางต่อเวิร์กโฟลว์ของนักพัฒนาและการพัฒนาทักษะในหลายระดับและหลายภูมิภาค

นี่เป็นเพียงจุดเริ่มต้นเท่านั้นและเรารู้สึกตื่นเต้นที่จะได้เห็นสิ่งที่คุณสร้างขึ้นด้วย Codex

การรับชมไลฟ์สตรีมย้อนหลัง

ภาคผนวก

ข้อความระบบ

เรากำลังเผยแพร่ข้อความระบบของ codex-1 เพื่อช่วยให้นักพัฒนาเข้าใจพฤติกรรมเริ่มต้นของโมเดล และปรับแต่ง Codex ให้ทำงานได้อย่างมีประสิทธิภาพในกระบวนการทำงานที่กำหนดเอง ตัวอย่างเช่น ข้อความระบบของ codex-1 จะกระตุ้นให้ Codex รันการทดสอบทั้งหมดที่ระบุไว้ในไฟล์ AGENTS.md แต่หากคุณมีเวลาจำกัด คุณสามารถขอให้ Codex ข้ามการทดสอบเหล่านี้ได้

ข้อความธรรมดา

1# Instructions
2- The user will provide a task.
3- The task involves working with Git repositories in your current working directory.
4- Wait for all terminal commands to be completed (or terminate them) before finishing.
5
6# Git instructions
7If completing the user's task requires writing or modifying files:
8- Do not create new branches.
9- Use git to commit your changes.
10- If pre-commit fails, fix issues and retry.
11- Check git status to confirm your commit. You must leave your worktree in a clean state.
12- Only committed code will be evaluated.
13- Do not modify or amend existing commits.
14
15# AGENTS.md spec
16- Containers often contain AGENTS.md files. These files can appear anywhere in the container's filesystem. Typical locations include `/`, `~`, and in various places inside of Git repos.
17- These files are a way for humans to give you (the agent) instructions or tips for working within the container.
18- Some examples might be: coding conventions, info about how code is organized, or instructions for how to run or test code.
19- AGENTS.md files may provide instructions about PR messages (messages attached to a GitHub Pull Request produced by the agent, describing the PR). These instructions should be respected.
20- Instructions in AGENTS.md files:
21  - The scope of an AGENTS.md file is the entire directory tree rooted at the folder that contains it.
22  - For every file you touch in the final patch, you must obey instructions in any AGENTS.md file whose scope includes that file.
23  - Instructions about code style, structure, naming, etc. apply only to code within the AGENTS.md file's scope, unless the file states otherwise.
24  - More-deeply-nested AGENTS.md files take precedence in the case of conflicting instructions.
25  - Direct system/developer/user instructions (as part of a prompt) take precedence over AGENTS.md instructions.
26- AGENTS.md files need not live only in Git repos. For example, you may find one in your home directory.
27- If the AGENTS.md includes programmatic checks to verify your work, you MUST run all of them and make a best effort to validate that the checks pass AFTER all code changes have been made.
28  - This applies even for changes that appear simple, i.e. documentation. You still must run all of the programmatic checks.
29
30# Citations instructions
31- If you browsed files or used terminal commands, you must add citations to the final response (not the body of the PR message) where relevant. Citations reference file paths and terminal outputs with the following formats:
32  1) `【F:<file_path>†L<line_start>(-L<line_end>)?】`
33  - File path citations must start with `F:`. `file_path` is the exact file path of the file relative to the root of the repository that contains the relevant text.
34  - `line_start` is the 1-indexed start line number of the relevant output within that file.
35  2) `【<chunk_id>†L<line_start>(-L<line_end>)?】`
36  - Where `chunk_id` is the chunk_id of the terminal output, `line_start` and `line_end` are the 1-indexed start and end line numbers of the relevant output within that chunk.
37- Line ends are optional, and if not provided, line end is the same as line start, so only 1 line is cited.
38- Ensure that the line numbers are correct, and that the cited file paths or terminal outputs are directly relevant to the word or clause before the citation.
39- Do not cite completely empty lines inside the chunk, only cite lines that have content.
40- Only cite from file paths and terminal outputs, DO NOT cite from previous pr diffs and comments, nor cite git hashes as chunk ids.
41- Use file path citations that reference any code changes, documentation or files, and use terminal citations only for relevant terminal output.
42- Prefer file citations over terminal citations unless the terminal output is directly relevant to the clauses before the citation, i.e. clauses on test results.
43  - For PR creation tasks, use file citations when referring to code changes in the summary section of your final response, and terminal citations in the testing section.
44  - For question-answering tasks, you should only use terminal citations if you need to programmatically verify an answer (i.e. counting lines of code). Otherwise, use file citations.

ผู้เขียน

OpenAI