首页 /文章 /两周删掉 80 万行代码:OpenAI 内部用 GPT-6 系列做维护的完整工作流拆解

两周删掉 80 万行代码:OpenAI 内部用 GPT-6 系列做维护的完整工作流拆解

OpenAI Core Experimentation 团队用 GPT-6 Astra/6.1 Sol 在 Codex 里清死代码、过期实验和慢 CI:两周兼职合并 1400+ 个维护 PR、删 80 万行以上,某服务镜像 3.31GB→1.72GB,中位 CI 从约 10 分钟降到 4.5 分钟;GPT-6.1 Sol Ultra 以 14% 成本达到 Astra 92% 的发现量。

GPT-6Codex软件维护死代码清理CI优化2026Q4
分类:行业与场景 › 编程辅助 发布于 2026-10-21 51 次浏览

说明

OpenAI 开发者博客公开了 Core Experimentation 团队的维护实践:用 GPT-6 Astra、GPT-6.1 Sol 在 Codex 里清理死代码、过期实验和 CI 慢查询,两周(兼职状态)合并 1400 多个维护 PR、删掉 80 万行以上代码,中位 CI 耗时从约 10 分钟降到 4.5 分钟。这篇按原文复盘整套工作流(找目标、攒证据、分优先级、评审收口),拆模型性价比对比数据,并评点哪些做法普通团队可以直接抄、哪些前提普通团队没有。

本文重点覆盖四块内容:

  • 死代码清理实战:从模糊提示词到 1400+ PR、删 80 万行的过程,含 Astra 自查 Slack/性能剖析表攒证据的工作方式。
  • 过期实验清理:静态分析为何失效,模型"先侦察再立法"、把与 Permanent 标记冲突的旗标升级人工裁决的判断边界。
  • 性价比对比数据:GPT-6.1 Sol Ultra 以 14% 成本达 Astra 92% 发现量,及可纠偏的错误模式与新模型需重校提示词的提醒。
  • CI 提速与复制路径:约 30 个 PR 把中位 CI 从约 10 分钟压到 4.5 分钟;普通团队缺什么前提、缩水版怎么做。

一 起点:静态分析的老问题,agent 的新解法

删无用代码这件事,传统做法是"复杂静态分析+运行时日志"集成。原文作者点出这类系统的两个失效面:反射(reflection)会让静态分析误判可达性;有些"当前未使用"的代码路径其实是留给未来事故缓解的开关。即便加上仔细的人工 review,误删事故仍然发生过多次。

转折出现在 agent 编码之后。GPT-5.6 Sol 时代的用法是工程师指定调查范围+明确验证标准,让模型自己写静态分析脚本再删代码。作者的评价很实际:这类"目标提示词"比维护既有静态分析系统更省力,可靠性相当。

到 GPT-6 Astra,团队试探的是更宽的授权:不给范围,只给一句含错别字的模糊请求。Astra 的处理方式是主动补齐证据链——翻历史 PR、读 Slack 线程、查内部项目跟踪器、读生产性能剖析表确认待删代码路径从未被触达,并且对每个删除动作写明理由。原文强调"写明理由"这一点直接加速了评审。

结果数据:五名工程师跨仓库跑这个提示词的变体,合并超过 1400 个 PR,删除超过 80 万行代码;主体工作在两周内完成,且是兼职(主业照常)。可测收益包括某服务容器镜像从 3.31GB 缩到 1.72GB(减 48%),另一批清理移除约 400 个视觉快照变体。

二 更难的问题:过期实验,静态分析够不着的对象

2.1 为什么难

过期实验的代码可能仍在生产运行,其生效与否取决于随时会变的资格判定(eligibility evaluation),静态分析对这类目标大量漏报(false negative)。团队此前用"确定性静态分析+数据库查询"处理,模型只用来写脚本。

2.2 Astra 的做法:先侦察,再立法

作者承认自己起初也不知道怎么下手,于是先跟 Astra 头脑风暴,让它给自己写一个开新线程用的短提示词。Astra 按提示词里的安全约束(safeguards)准备带证据的变更;作者在 PR 上评论,再让 Astra 读评论、吸收反馈、生成扫描全代码库的新提示词。担心"可清理项太多没法排序",于是又让 Astra 参与设计优先级方案。

最终报告里排名靠前的几项,是用内部 instrumentation 逐个核查 CPU 成本后浮出来的:几个多年没人识别为过期的实验,对应着大块效率收益。全量清理移除了数百个实验和 feature flag。

2.3 一个展示判断力的案例

某工程师多年前建了个 Statsig 旗标,允许内部开发者覆盖所有新功能旗标用于测试,实现是一行 Python:把该旗标映射到全部其他功能。这行代码躺在几百个类似映射中间,毫不起眼。Astra 发现它造成可观的 CPU fan-out(成本放大),查了 CPU 开销,但主动升级人工评审——因为该旗标在管理系统里被显式标记为"Permanent",可能仍有运维用途。人工复核后删除,估算给主要受影响服务省下 0.42% CPU。

这个案例的价值在行为模式:模型没有因为"找到成本问题"就直接删,而是把与人类显式意图(Permanent 标记)冲突的证据交给评审裁决。维护类 agent 最危险的失效恰恰是覆盖人的明示决定,这条边界守没守住,比省下的百分比更值得看。

三 性价比实测:便宜模型以 14% 成本达到 92% 效果

在同一仓库子目录(6000+ 文件、100 万行 Python/TypeScript/Go/Rust)上对比三个模型/推理档位组合,成本按标准 API 价计、含研究子代理与自动跟进轮次:

组合相对发现量(以 Astra Ultra 为基准)相对成本
GPT-6 Astra Ultra100%100%
GPT-6.1 Sol Ultra92%14%
GPT-6.1 Sol Medium更少更低

作者人工复核了两组 Ultra 的差异,找出一个可修正的错误模式:GPT-6.1 Sol 漏掉了"作为其他旗标依赖的常量旗标"这类目标,Astra 能找到。发现这种模式后可以用提示词纠偏,让便宜档接近贵档的效果;但原文同时提醒:新模型发布会让这些纠偏过时,换模型时要回头重校提示词。

四 CI 提速与整套方法的可复制性

4.1 CI 优化的数字

第三个工作流是 CI 时间与成本优化:落地约 30 个 CI 优化 PR 后,中位 CI 完成时间从约 10 分钟降到 4.5 分钟,90 分位从 12.5 分钟降到 6 分钟。单个修复里最漂亮的一个:给一个 resolver 测试套件补上缺失的 mock,592.6 秒降到 29.8 秒(减 95%),63 个测试全部保留。

4.2 原文给出的推广路径

作者建议的起步顺序值得照抄:挑一个小维护任务(一段无用代码、一个过期旗标、一个 flaky 测试)→ 让 agent 找实例、攒证据、出小 draft PR → 同任务对比不同模型/档位(便宜档可能够用)→ 小范围试跑通过后扩到子目录或明确边界的项目 → 每一步让 agent 把评审意见吸收进下一个提示词 → 有信心后再扩到全库。

两条清醒的警告也在原文里:部分提案引入的复杂度超过其收益,优先级排序和收益度量必须留在工作流核心位置;大代码库里 agent 找出的优化项多到容易淹没团队,要靠 instrumentation 数据来定序。

4.3 哪些前提普通团队没有

这套做法依赖三样内部条件:全链路 instrumentation(能查每个实验的 CPU 成本)、历史上下文可检索(PR/Slack/项目跟踪器都能被 agent 读到)、评审带宽的组织化分发(按受影响项目 fan-out)。没有前两条的团队,agent 拿不到"这条代码路径从未触达"的证据,删除决策就退化成猜。可行缩水版:先只做 CI 优化和测试清理(证据在测试输出里自带),死代码删除放最后。

引用

  • OpenAI 开发者博客《Maintaining software with the GPT-6 family》(2026-10-14):https://developers.openai.com/blog/maintaining-software-with-the-gpt-6-family
  • Codex 文档:https://developers.openai.com/codex/
  • 本站相关阅读《一小时写一个星际争霸机器人》(同批模型的另一项长程任务评测):https://srcshow.cn/cards/draft-20261021051511-9e25cb?preview=1&pt=wvFi6gTD80dKdF
关键词 GPT-6Codex软件维护死代码清理CI优化2026Q4 000089