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。