Η ομάδα Codex του OpenAI κυκλοφόρησε ένα προϊόν ενός εκατομμυρίου γραμμών κώδικα χωρίς καμία γραμμή γραμμένη από άνθρωπο

Ο περιορισμός που καθόρισε όλα: κανένας χειρόγραφος κώδικας

Το πρώτο commit έγινε σε ένα άδειο repository στα τέλη Αυγούστου 2025. Πέντε μήνες μετά, σύμφωνα με το άρθρο, το repository περιέχει περίπου ένα εκατομμύριο γραμμές κώδικα, και καμία από αυτές δεν πληκτρολογήθηκε από άνθρωπο. Ακόμη και το αρχικό σκελετό — δομή repository, ρυθμίσεις CI, κανόνες μορφοποίησης, ρύθμιση πακέτων — δημιουργήθηκε από το Codex CLI που τρέχει το GPT-5, και το πρώτο AGENTS.md που λέει στους agents πώς να εργάζονται στο repository γράφτηκε κι αυτό από τον agent.

Η ομάδα αναφέρει περίπου 1.500 συγχωνευμένα pull requests, κατά μέσο όρο 3,5 PR ανά μηχανικό την ημέρα, και ένα προσωπικό που μεγάλωσε από τρεις σε επτά μηχανικούς, ενώ η απόδοση αυξήθηκε αντί να μειωθεί. Το προϊόν έχει εκατοντάδες εσωτερικούς χρήστες και καθημερινούς power users, οπότε δεν πρόκειται για παραγωγή για την παραγωγή.

Ο κανόνας «κανένας χειρόγραφος κώδικας» ακούγεται σαν επίδειξη, αλλά το άρθρο είναι ξεκάθαρο ότι επιλέχθηκε σκόπιμα ως μηχανισμός εξαναγκασμού. Αν οι άνθρωποι δεν μπορούν να διορθώσουν πράγματα πληκτρολογώντας, κάθε αποτυχία γίνεται ερώτημα για το περιβάλλον και όχι για τον κώδικα: ποια δυνατότητα λείπει και πώς την κάνουμε αναγνωρίσιμη και επιβαλλόμενη για τον agent;

Κάνοντας την εφαρμογή που τρέχει αναγνωρίσιμη στον agent

Το σημείο συμφόρησης που συνάντησε η ομάδα δεν ήταν η ικανότητα του Codex να γράφει κώδικα — ήταν η ανθρώπινη χωρητικότητα ελέγχου ποιότητας (QA). Η απάντησή τους ήταν να δώσουν στον agent άμεση πρόσβαση σε όσα θα έβλεπε κανονικά ένας άνθρωπος. Έκαναν την εφαρμογή εκκινήσιμη ανά git worktree, ώστε το Codex να μπορεί να ξεκινά τη δική του instance για κάθε αλλαγή, συνέδεσαν το Chrome DevTools Protocol στο runtime του agent, και έφτιαξαν δεξιότητες για DOM snapshots, screenshots και πλοήγηση.

Το ίδιο έκαναν και για την παρατηρησιμότητα (observability). Κάθε worktree αποκτά ένα εφήμερο τοπικό σύνολο logs, μετρικών και traces που καταστρέφεται μόλις ολοκληρωθεί η εργασία. Επειδή ο agent μπορεί να κάνει ερωτήματα στα logs με LogQL και στις μετρικές με PromQL, εντολές όπως «βεβαιωθείτε ότι η εκκίνηση της υπηρεσίας ολοκληρώνεται σε λιγότερο από 800ms» ή «κανένα span σε αυτά τα τέσσερα κρίσιμα ταξίδια χρήστη δεν ξεπερνά τα δύο δευτερόλεπτα» γίνονται εφαρμόσιμες οδηγίες και όχι απλές επιθυμίες.

Αυτή είναι η κεντρική ιδέα του άρθρου: όπως το θέτει ο συγγραφέας, από τη σκοπιά του agent, οτιδήποτε δεν μπορεί να προσπελάσει εντός του context ουσιαστικά δεν υπάρχει. Η γνώση σε νήματα Slack, σε Google Docs ή στο μυαλό των ανθρώπων είναι αόρατη. Γι' αυτό η ομάδα αντιμετωπίζει έναν δομημένο κατάλογο docs/ ως το επίσημο σύστημα καταγραφής και διατηρεί το AGENTS.md σε περίπου 100 γραμμές — έναν πίνακα περιεχομένων, όχι μια εγκυκλοπαίδεια — με έναν επαναλαμβανόμενο agent «κηπουρικής τεκμηρίωσης» που ανοίγει διορθωτικά PR όταν η τεκμηρίωση αποκλίνει από την πραγματική συμπεριφορά.

Η αυστηρή αρχιτεκτονική ως μοχλός ταχύτητας, όχι ως φρένο

Η ομάδα περιέβαλε τη βάση κώδικα με περιορισμούς που οι περισσότεροι οργανισμοί αναβάλλουν έως ότου αποκτήσουν εκατοντάδες μηχανικούς. Κάθε επιχειρησιακός τομέας χωρίζεται σε σταθερά επίπεδα — Types, Config, Repo, Service, Runtime, UI — με εξαρτήσεις που επιτρέπεται να ρέουν μόνο προς τα εμπρός, και εγκάρσια ζητήματα όπως η αυθεντικοποίηση και η τηλεμετρία περνούν αναγκαστικά μέσα από ένα ενιαίο interface Providers. Όλα τα υπόλοιπα απαγορεύονται και ελέγχονται μηχανικά από προσαρμοσμένους linters, οι οποίοι, φυσικά, έχουν δημιουργηθεί κι αυτοί από το Codex.

Η λογική αυτή αντιστρέφει τον συνηθισμένο συμβιβασμό. Τα αυστηρά όρια φαίνονται σχολαστικά σε μια ανθρώπινη ροή εργασίας· εδώ λειτουργούν ως πολλαπλασιαστές, αφού μόλις ένας κανόνας κωδικοποιηθεί, εφαρμόζεται παντού ταυτόχρονα. Τα προσαρμοσμένα μηνύματα σφαλμάτων lint μάλιστα εισάγουν οδηγίες αποκατάστασης πίσω στο context του agent, οπότε μια παράβαση γίνεται ένας βρόχος αυτοδιόρθωσης και όχι ένα μπλοκαρισμένο PR.

Αυτό το είδος αρχιτεκτονικής συνήθως αναβάλλεται μέχρι να υπάρχουν εκατοντάδες μηχανικοί. Με agents κώδικα, αποτελεί πρώιμη προϋπόθεση: οι περιορισμοί είναι αυτό που επιτρέπει την ταχύτητα χωρίς φθορά ή αρχιτεκτονική παρέκκλιση.Montana Labs

Αξίζει να σημειωθεί ότι η ομάδα επιβάλλει τα όρια κεντρικά αλλά αφήνει ελεύθερη την υλοποίηση. Απαιτούν την ανάλυση (parsing) των μορφών δεδομένων στο όριο, χωρίς όμως να επιβάλλουν συγκεκριμένη βιβλιοθήκη — το μοντέλο έγειρε μόνο του προς τη Zod. Επέλεξαν επίσης να ξαναφτιάξουν μικρά εργαλεία, όπως έναν βοηθό ταυτοχρονισμού, αντί να χρησιμοποιήσουν ένα γενικό πακέτο, επειδή μια εσωτερική έκδοση είναι πλήρως επιθεωρήσιμη και ενσωματωμένη με το δικό τους σύστημα καταγραφής. Η «βαρετή» τεχνολογία κερδίζει εδώ επειδή είναι σταθερή, συνδυαστική και καλά εκπροσωπημένη στα δεδομένα εκπαίδευσης.

Η εντροπία είναι το επαναλαμβανόμενο κόστος, και η εκκαθάριση είναι πλέον αυτοματοποιημένη

Η πλήρης αυτονομία δημιούργησε έναν νέο τύπο αστοχίας: το Codex αναπαράγει πιστά τα υπάρχοντα πρότυπα, ακόμη και τα κακά, με αποτέλεσμα η βάση κώδικα να παρεκκλίνει. Η ομάδα αρχικά αφιέρωνε κάθε Παρασκευή — το ένα πέμπτο της εβδομάδας — καθαρίζοντας αυτό που αποκαλούν «AI slop». Αυτό προφανώς δεν είχε δυνατότητα κλιμάκωσης.

Η λύση τους ήταν να κωδικοποιήσουν αυστηρές «χρυσές αρχές» απευθείας στο repository και να τρέχουν εργασίες Codex στο παρασκήνιο σε τακτά διαστήματα, ώστε να εντοπίζουν αποκλίσεις, να ενημερώνουν βαθμολογίες ποιότητας και να ανοίγουν στοχευμένα PR αναδιάρθρωσης — τα περισσότερα ελέγξιμα σε λιγότερο από ένα λεπτό και με αυτόματη συγχώνευση. Αντιμετωπίζουν το τεχνικό χρέος ως δάνειο με υψηλό επιτόκιο, το οποίο εξοφλείται καλύτερα σε μικρές καθημερινές δόσεις. Η ανθρώπινη κρίση καταγράφεται μία φορά και στη συνέχεια επιβάλλεται συνεχώς σε κάθε γραμμή.

Η φιλοσοφία συγχώνευσης αλλάζει αναλόγως. Τα σημεία φραγής είναι ελάχιστα, τα PR έχουν σύντομη διάρκεια ζωής, και τα ασταθή τεστ (flaky tests) αντιμετωπίζονται με επαναληπτικές εκτελέσεις και όχι με αόριστο μπλοκάρισμα. Η ομάδα παραδέχεται ανοιχτά ότι αυτό θα ήταν ανεύθυνο σε ένα περιβάλλον χαμηλής απόδοσης· λειτουργεί μόνο επειδή οι διορθώσεις είναι χαμηλού κόστους και η αναμονή είναι το ακριβό στοιχείο.

Το συγκεκριμένο μάθημα: η υποδομή (harness) είναι το προϊόν που φτιάχνουν πλέον οι μηχανικοί

Το OpenAI είναι προσεκτικό στα όρια του ισχυρισμού. Αναφέρουν ότι η πλήρης αυτονομία χαρακτηριστικών από άκρη σε άκρη — αναπαραγωγή σφάλματος, καταγραφή βίντεο της αστοχίας, διόρθωση, επικύρωση μέσω χειρισμού της εφαρμογής, καταγραφή βίντεο επίλυσης, άνοιγμα και συγχώνευση του PR — «εξαρτάται σε μεγάλο βαθμό από τη συγκεκριμένη δομή και τα εργαλεία αυτού του repository και δεν θα πρέπει να θεωρηθεί ότι γενικεύεται χωρίς αντίστοιχη επένδυση». Παραδέχονται επίσης ότι δεν γνωρίζουν ακόμη πώς διατηρείται η αρχιτεκτονική συνέπεια μέσα σε ένα σύστημα που παράγεται πλήρως από agents στη διάρκεια χρόνων.

Το μεταφερόμενο δίδαγμα δεν είναι το εκατομμύριο γραμμών κώδικα. Είναι ότι η μηχανική προσπάθεια αυτής της ομάδας μετατοπίστηκε σχεδόν εξ ολοκλήρου στην κατασκευή του περιβάλλοντος μέσα στο οποίο λειτουργεί ο agent: instances εφαρμογής ανά worktree, εφήμερη παρατηρησιμότητα, δομημένη τεκμηρίωση με εκδόσεις, μηχανικά επιβαλλόμενη διαστρωμάτωση, και μηνύματα lint που αυτοδιορθώνονται. Κάθε φορά που το Codex αντιμετώπιζε δυσκολία, η απάντηση ήταν να προστεθεί ένα εργαλείο, ένα προστατευτικό μέτρο ή ένα έγγραφο που έλειπε — και να αναθέσουν και αυτή τη διόρθωση στο Codex.

Για κάθε ομάδα που αξιολογεί μια ανάπτυξη με πρωταρχικό ρόλο στους agents, το ειλικρινές σήμα κόστους σε αυτό το άρθρο είναι η υποδομή, όχι το prompting. Το σημείο συμφόρησης ήταν η ανθρώπινη προσοχή, και όλα όσα έχτισαν ήταν μια προσπάθεια να τη δαπανούν λιγότερο. Το ερώτημα που αξίζει να τεθεί είναι πόση από αυτήν την επένδυση σε υποδομή μπορεί να αντέξει μια μικρότερη ομάδα, προτού η απόδοση την αποπληρώσει.