用 GPT-6 系列做软件维护:1400 个维护 PR 背后的工程方法
用 GPT-6 系列做软件维护:1400 个维护 PR 背后的工程方法
用 GPT-6 系列做软件维护:1400 个维护 PR 背后的工程方法
事件:OpenAI 公开内部维护工作流
OpenAI 内部团队(Core Experimentation)公开了用 GPT-6 系列维护自家大型代码库的实操。他们合并了 1400 多个由 GPT-6 提议发起的维护 PR,带来测试提速、镜像瘦身、CPU 占用下降等实测收益。
合并数、CI 耗时、镜像体积这些数字来自 OpenAI 自己跑的埋点统计。
工作流本身比结论更可复用:它规定了任务怎么起步、怎么比模型、怎么放大。
核心方法:从小任务起步,逐步放大
团队的做法是渐进式。没有一上来就全库扫描:
1. 先挑一个小维护任务:一段无用代码、一个过期的 feature flag、一个 flaky test。任务要小。让 Codex 找实例、收集证据、提一个小 draft PR。
2. 在同一小任务上比模型和 effort:GPT-6.1 Sol 系列在不同 effort 下跑同样的活,看便宜配置够不够用。实测里 GPT-6.1 Sol Ultra 用 14% 的 API 成本达到了 GPT-6 Astra Ultra 92% 的发现量。多数场景下便宜的够用。
3. 小任务跑通后放大:先扩到子目录,再到整个代码库。每一步都把代码评审反馈喂回下一轮 prompt,让模型逐渐贴合团队口味。
4. 用埋点做优先级:大代码库里 GPT-6 能找到的优化点多到能淹没团队。必须靠 instrumentation 量化每个优化的真实收益再排序。没度量就没法选。
实测收益数据
- CI 提速:30 个 CI 优化 PR 之后,中位 CI 完成时间从约 10 分钟降到 4.5 分钟。P90 那一档也从 12.5 分钟降到了 6 分钟。
- 单套件优化:补一个缺失的 mock,63 个测试的 resolver 套件从 592.6 秒降到 29.8 秒,缩减 95%,测试数量不变。
- 成本曲线:GPT-6.1 Sol Ultra 达到 GPT-6 Astra Ultra 92% 的发现量,只花 14% 的成本。
- 一个坑:部分提议的复杂度高于预期收益,因此优先级排序和收益度量要放进工作流的核心环节,缺了这两步就会退回靠感觉挑任务。
对从业者的影响
- 维护比新功能更值得自动化:多数团队的 AI 编码预算花在写新东西上,而维护(清死代码、修 flaky test、优化 CI)是持续消耗人力、收益又可量化的部分。这篇给了"从一个小任务验证 ROI"的起点。比直接全库跑稳得多。
- 选型要看性价比拐点:92% 对 14% 这组数字说明,维护类任务不需要最强模型。够用就行。先在一个小任务上比成本,别默认用旗舰。
- prompt 要随模型迭代重调:团队发现为旧模型写的纠错 prompt 在新模型上可能失效。所以 prompt 库得当版本管理对待。新模型上线就跑回归测试。
配套素材
CodexBar:菜单栏监控 AI 编码配额 —— 算"小任务验证 ROI"这笔账时,先用它把各模型的实时用量看住,再对比成本档位。
来源:OpenAI 技术博客《Maintaining software with the GPT-6 family》,2026-10-17。原文见 https://solo8.cn/article/9193