OpenAI在11月19日的官方推文中提到,Codex不只参与打造ChatGPT,也开始帮助它提升运行速度。支撑这项工作的,是一套内部系统,名为“性能工厂”。当线上服务变慢或出现报错,Codex会自动进入调查流程,寻找原因、提出修复建议,并在变更上线后继续观察数据,确认问题是否真正缓解。
ChatGPT性能团队负责人Martin Spier曾说明,团队承受着双重压力:用户规模持续扩大,工程师更新代码的频率也在加快。到2026年2月,每周使用ChatGPT的人数已超过9亿;而2025年10月,OpenAI披露,使用Codex的工程师每周合并的代码变更请求增加了70%。每项新功能上线,都要从同一份速度预算中分走一部分,单次影响或许很小,但多次叠加后,就会表现为用户可见的卡顿。
在三个多月内,这套系统跟进1700多次故障调查,平均每天出警17次,其中600多起问题找到了真正的根因。
Spier还提到,过去软件每次上线的改动都有人能完全理解,如今这一默认前提在OpenAI已经不再成立。改动数量多到难以靠人工逐一消化,排查性能问题的工作便交给AI承担。
具体流程从监控告警开始。一旦ChatGPT变慢或报错,系统会建立任务,并派出一个Codex调查。它先确认哪些指标发生变化、变化从何时开始,随后翻阅代码、日志和请求链路,检查CPU与内存等运行情况。若同一问题触发多条告警,它还会合并告警并排列优先级。调查之后,Codex会给出修复方案,交由工程师审核。
这条流水线并非一开始就如此。早期排查全靠人工,性能团队积累了30多个专用工具。后来,工程师让Codex协助翻数据,再由自己解读结果。再往后,团队把资深成员的排查经验整理成可复用技能,Codex收到告警后便能按套路完成诊断。随着调查量增加,工程师一度变成“人肉传话筒”,每天把告警逐条复制给Codex。团队于是把告警直接接入Codex,让报告自动发到Slack。问题最终变成一张张任务单,由智能体逐步推进,性能工厂由此形成。
但AI给出的结论并不总能直接采信。早期智能体抓到第一个看似合理的解释就可能停止调查,事后复盘发现不少判断站不住脚。OpenAI曾人工抽查100条AI根因判断,其中70条准确,另外30条要么仍需打磨,要么证据不足。若工程师被错误方向带偏,可能比查不出原因更耗时。
为降低误判,OpenAI加入对抗性审查:让一个独立的Codex扮演审查员,专门尝试推翻前一个Codex的诊断。官方博客记录过一次真实案例:一批ChatGPT对话连续失败,调查组Codex认为是图片下载错误,但审查员发现负责定位文件的内部服务早已恢复正常,前方图片请求却仍在报错,这份诊断因此被打回重查。修复方案也要经过类似审查,检查是否对准根因、是否会引入新问题。

Codex生成的任务报告会列出性能变化、根因和修复方案,供工程师审核。即便有双重检查,OpenAI仍认为开对药方比查出病根更难。智能体的修复建议有时会把简单问题复杂化,有时会拆东墙补西墙。加缓存就是典型例子:响应慢时增加缓存能加快回答,但用户可能刷出过期内容。要速度还是新鲜度,并非改几行代码就能解决,而是架构层面的取舍。AI可以计算毫秒级延迟,却无法替人类决定产品体验。因此,每个修复方案仍需工程师确认后才能上线。
代码上线后,盯盘任务又交回智能体,直到指标恢复,任务才会结案。安全方面,OpenAI为智能体设置独立服务身份和权限边界,每个动作都能追溯到具体AI。除了被动救火,团队还运行主动专项智能体,全天关注CPU、内存、网络请求和数据库查询,寻找性能优化空间。这些智能体以团队中擅长对应领域的工程师命名,例如“Ben智能体”“Brendan智能体”。顶尖工程师的能力被复制成24小时在线、不知疲倦的AI分身。



