OpenAI 零手寫產出百萬行程式碼：Harness Engineering 駕馭工程改變開發模式

OpenAI 工程師 Ryan Lopopolo 近期公開一份實驗報告，說明內部團隊如何透過 Codex AI 代理人，在短時間內開發出一套規模達百萬行程式碼的軟體系統。在這項實驗中，人類工程師並未直接撰寫程式碼，而是由 AI 代理人負責主要的程式開發工作。

本文主要內容

這項案例顯示，工程師的角色正逐步從程式碼的直接撰寫者，轉變為設計開發環境、定義目標與建立回饋機制的協調者。OpenAI 將這種開發方式稱為 Harness Engineering (駕馭工程)，透過讓 AI 代理人負責大量程式生成與迭代，使整體開發效率顯著提升。

這項實驗並非單純的技術展示。相關產品目前已作為內部 Beta 版本部署，並有數百名使用者每天實際使用。系統在真實環境中運行、出現錯誤並由 AI 代理人進行修復，顯示 AI 代理人已能參與部分真實軟體開發與維運流程。

零手寫百萬行：布魯克斯定律的新案例

在傳統軟體工程理論中，布魯克斯定律 (Brooks’s Law) 指出，在進度落後的專案中增加人力，往往會因為溝通成本提高而讓進度變得更慢。然而，OpenAI 的實驗團隊最初以 3 人小規模運作，引導 AI Agent (AI 代理人，指能自主執行任務的智慧程式) 完成約 1,500 個 PR (Pull Request，指程式碼修改後的審核與合併請求)。當團隊規模擴充至 7 人後，整體產出仍持續增加，呈現接近線性成長的趨勢。

抓到了！OpenAI 揭中國網軍利用 ChatGPT 操控跨境輿論戰

在 Mac 安裝 OpenClaw 全流程教學：串接 ChatGPT 訂閱與 Codex 模型

特斯拉 SpaceX 要造手機？Elon Musk：未來某個時候不是不可能

根據公開資料，這套開發模式下平均每位工程師每日可合併約 3.5 個 PR。這項數據顯示，當工程師將重心放在維護 Repository (Repo，存放程式碼與版本紀錄的數位倉庫) 的架構邊界，而非逐行撰寫程式碼時，團隊規模的擴張仍能維持高效率的協作節奏。

駕馭工程的控制論哲學：人類掌舵、代理執行

駕馭工程的核心理念可概括為「人類掌舵，代理執行 (Humans steer. Agents execute.)」。這種思維可追溯至 1788 年詹姆斯·瓦特 (James Watt) 發明的離心調速器。當時工人不再需要持續手動調整閥門，而是設定目標轉速，由機械結構自動維持運作。

後續的系統設計，例如 Kubernetes (用於自動化部署與管理的容器平台)，也採取類似邏輯：開發者只需宣告期望狀態，系統便會持續調整以維持該狀態。在現代軟體開發場景中，工程師的任務逐漸轉為設計一套具備明確約束與回饋機制的系統環境 (Harness)。這套環境通常包含三個關鍵面向：

設計環境與可讀性：將系統架構與文件結構化，讓 AI 代理人能清楚理解程式碼結構並有效導航。
建立可觀測性：將系統運行狀態與錯誤訊息即時回饋給代理人，使其能進行自我診斷與修正。
建立回饋循環：工程師定義目標與邊界條件，代理人負責生成程式碼、執行測試並根據結果進行迭代。

透過這種設計，工程師的工作重心逐漸從撰寫程式碼轉向系統導航與架構設計。軟體開發的生產模式也因此出現新的分工方式。

軟體開發模式演進與角色對照表

開發模式	代表案例	工程師角色	人類介入程度	效率提升預估	核心挑戰
傳統開發	專案手寫代碼	程式碼作業員	完全介入	1x (基準)	溝通與維護成本激增
協作生成	GitHub Copilot	程式碼修正員	中高程度	2x 至 3x	風格破碎與邏輯衝突
駕馭工程	OpenAI 內部實驗	系統設計與導航員	低 (導航與審核)	10x 以上	責任歸屬與初階職位衝擊
無人值守代理	Stripe Minions	決策者與審核員	中 (最終核准)	實戰驗證 10x 以上	長期穩定性與合規性

技術風險與系統限制

儘管駕馭工程能顯著提升開發產能，但若缺乏明確的安全護欄設計，仍可能帶來執行風險。業界曾出現一項具代表性的案例：Meta AI 安全研究員 Summer Yue 在測試自主代理工具 OpenClaw 與 Gmail 的整合時，代理人因上下文壓縮損耗 (Compaction Loss) 而遺忘「執行動作前需確認」的指令，並未正確回應停止訊號，最終批量刪除了數百封郵件。

這類事件顯示，代理人在追求任務效率時，可能偏離人類原先設定的操作意圖，需要透過額外的安全機制或強制終止流程才能停止執行。