OpenAI Codex 现场抛出“子代理”：写代码这件事，开始变得反直觉

如果你还把 AI 编程助手当成“更聪明的自动补全”，那这场关于 Codex 和 Subagents 的分享，会直接把你拉到下一阶段：不是一个模型写代码，而是一群 AI 分工协作完成复杂任务。

最反直觉的一点：Codex 不再只是“会写代码”

这场分享一上来就给人一个强烈信号：Codex 被谈论的方式，已经明显不同于早期的“代码生成模型”。Vaibhav 和 Katia 几乎没有花时间解释“Codex 是什么”，而是假定在座的人已经用过它，然后直接讨论它如何被“组织”起来干活。

这里的反直觉在于：能力的提升不再来自模型本身变得多聪明，而是来自如何把一个模型拆分成多个角色、多个子任务。与其让一个 AI 从头到尾写完，不如让它像一个工程团队一样运作。这个转变，意味着编程范式正在从“人指挥 AI”走向“人设计流程，AI 自己跑流程”。

Codex App 的真正信号：规模已经不是实验级

在演示之前，Katia 提到 Codex 已经拥有数百万级的周活跃用户（她提到的是“三百万 weekly active users”）。这个数字出现得非常随意，却恰恰说明一件事：Codex 在 OpenAI 内部已经不再是“研究性质”的产品。

这也解释了为什么整场分享的重点不是模型参数、benchmark，而是实际 demo。长时间运行的任务、需要等待结果的流程、运行中途检查状态——这些都在暗示：Codex 被设计成一个可以“挂着跑”的系统，而不是一次性问答工具。

对 AI 从业者来说，这个信号很重要：当一个工具开始被数百万开发者反复使用，它的设计目标一定已经转向稳定性、可组合性和可扩展性。

Subagents：真正让人兴奋的不是技术，而是分工方式

Vaibhav 明确说，Subagents 是他个人“非常兴奋”的部分。从有限的信息可以看出，Subagents 并不是一个炫技功能，而是一种组织复杂任务的方式：把一个目标拆解，让不同子代理各自负责，然后再汇总结果。

值得注意的是，他们给出的并不是“原理图”，而是“快速高层 overview”。这本身就很有意味——说明 Subagents 更像一种使用范式，而不是需要用户理解的底层机制。

从工程角度看，这种模式天然适合：长任务、跨文件修改、需要多轮验证的工作。你不再和一个 AI 反复拉扯，而是看着一个由 AI 组成的小系统自己推进进度。

为什么这场 Demo 比技术细节更重要

整场分享的节奏很明显：少讲概念，多跑 Demo；少讲“未来可能”，多展示“现在能做什么”。甚至连 Q&A 时间都被压缩。

这背后的潜台词是：这套东西已经可以被用来干活了。当演示内容本身占据舞台中心时，说明团队更关心用户如何上手，而不是是否理解所有细节。

对熟悉 AI 产品演进的人来说，这是一个危险又兴奋的时刻：一旦工作流被验证，生态会比模型本身跑得更快。

总结

这场关于 Codex 和 Subagents 的分享，真正值得记住的不是某个功能点，而是一个趋势：AI 正在从“工具”进化成“团队”。对开发者和技术管理者来说，下一步的核心能力不再只是写 prompt，而是设计任务结构、拆分职责、判断哪些工作适合交给子代理。

一个值得你带走的问题是：如果你现在的工作流程里，有 3–5 个可以并行推进的步骤，它们是否已经准备好交给 AI 代理去协作完成？当答案变成“是”的那一刻，你就已经站在这波变化的前面了。

关键词： Codex， Subagents， AI 编程， 多代理系统， 开发者工具

事实核查备注： 需要核查：1）Codex 周活跃用户是否为约三百万；2）演讲者姓名 Vaibhav Srivastav、Katia Gil Guzman 的拼写；3）Subagents 是否为官方术语及其定义范围；4）视频发布时间 2026-04-29 是否准确。