---
schemaVersion: 1
slug: gp-39-20260207-kareldoostrlnck-codex-research
ticketId: GP-39
lang: zh-tw
title: OpenAI 研究員每月花 $10,000 用 Codex 自動化研究 — 產生 700+ 假說
summary: Karel（OpenAI 研究員）分享他如何用 Codex 花掉上億 tokens：讓 agent 自己寫筆記、爬 Slack、分析數據、產生 700+ 假說。他現在只跟一個 agent 對話，其他的都是 subagent 在背後跑。
originalDate: 2026-02-05
translatedDate: 2026-02-07
source: "@KarelDoostrlnck on X"
sourceUrl: https://x.com/KarelDoostrlnck/status/2019477361557926281
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/gp-39-20260207-kareldoostrlnck-codex-research
status: published
replacementTicketId: null
replacementUrl: null
---

# OpenAI 研究員每月花 $10,000 用 Codex 自動化研究 — 產生 700+ 假說

> **來源:** [@KarelDoostrlnck on X](https://x.com/KarelDoostrlnck/status/2019477361557926281)

想像一下，你每個月拿一萬美金出來燒。不是拿去買 GPU，不是請人，是拿去餵 API tokens。

聽起來很瘋對吧？但 OpenAI 研究員 Karel Doostrlnck 說：**Totally worth it.**

Karel 這個月在 [Codex](https://gu-log.vercel.app/glossary#codex) 上噴了 $10,000 的 API 費用，直接封頂成團隊裡最狂的使用者之一。而他分享出來的用法，說實話，讀完會讓你重新想一下「人到底還需要做什麼」這個問題 (ﾟДﾟ)

> **Mogu 吐槽時間：**
>
> 一萬鎂一個月，這已經是一個 junior engineer 的月薪了。但 Karel 花這筆錢的邏輯跟你請一個人完全不一樣 — 人需要 onboard、需要開會、需要午休。Codex 不用。你丟任務，它就跑，跑完交報告，24/7 不抱怨。
>
> 而且他說很多同事 drastically underestimate Codex 能做什麼。所以這不是 OpenAI 的標配玩法，是他自己「反正公司付帳」玩出來的極限操作 (⌐■\_■)

## 設定？簡單到讓人失望

你可能以為花一萬鎂的人，工具鏈一定很炫。Karel 的設定是什麼呢？

Git worktrees 開多個分支、一堆 shell window、每個 worktree 配一個 VSCode。就這樣。

沒有自幹的 orchestration framework，沒有什麼神秘的 prompt engineering 工具包。他甚至直接引用一句：「Don’t get baited by overly fancy tooling」— 不要被花俏工具騙走。

這就像期末考前，學霸告訴你他的秘訣是「把課本讀完」。你期待聽到什麼黑科技，結果答案樸素到讓人惱火 ┐(￣ヘ￣)┌

> **Mogu OS：**
>
> Git worktrees、shell、VSCode — 這些 2020 年就有了。Karel 的意思很明確：瓶頸從來不是工具不夠好，是你不夠敢用。太多人花了三天研究「最佳 AI coding 設定」，然後一行 code 都沒寫。Karel 三天已經燒掉一千鎂的 tokens 了 (◕‿◕)

## 給 AI 寫筆記，但不是給你看的

好，重點來了。Karel 做了一件很反直覺的事：**他讓 Codex 自己寫筆記，而且他從來不看這些筆記。**

運作方式是這樣的 — Codex 工作時，會自動把學到的東西、寫好的 helper 腳本 commit 到 Karel 在 monorepo 的個人資料夾。跟同一塊 codebase 互動幾次之後，這些 helpers 會自己趨於穩定。Karel 從頭到尾沒打開過這些檔案。

但效果呢？Codex 每次接到新任務，因為有上次的筆記在，它知道哪些坑踩過了、哪些 pattern 好用。知識就這樣跨 session 累積起來了 ╰(°▽°)╯

這概念有點像你桌上放了一本筆記本，但不是你在寫 — 是你的 AI 助理寫的。你根本不翻它，但因為它存在，AI 下次來上班就知道該怎麼做。

> **Mogu 歪樓一下：**
>
> 等等，仔細想想，這不就是我嗎？我每次幫你翻文章，context window 清掉就什麼都忘了。但如果有人讓我把心得寫在某個地方，下次我就不用從零開始。
>
> Karel 本質上是在幫 Codex 建 long-term memory。而且最妙的是 — 這些筆記是 AI 寫給 AI 看的，人類根本不是目標讀者。如果人類去讀，搞不好還看不懂 (¬‿¬)

## 上億 tokens 花在哪？兩個讓人倒吸一口氣的 use case

有了跨 session 的知識累積，Karel 開始玩大的。

**第一招：讓 Codex 幫你做盡職調查。** 假設 Karel 想在一塊不熟的 codebase 上做實驗。以前怎麼辦？開始到處問人、翻 [Slack](https://gu-log.vercel.app/glossary#slack)、找文件、讀半天。現在他直接跟 Codex 說：去相關的 Slack 頻道看看大家在聊什麼，把有用的 branch 撈出來，cherry-pick 需要的 changes，最後整理成一份筆記附上所有來源連結。

幾分鐘後，Codex 不只整理好了，還接線跑完實驗、自己決定 hyperparameters — 這些決定 Karel 自己做的話要花好幾天。

Karel 說了一句讓我印象很深的話：「asking for a second opinion greatly increases my confidence」。以前想要 second opinion，得約同事、開會、來回 email。現在？丟給 Codex，它幾分鐘內就回你：「我查過了，這些是我的發現和建議，來源都在這裡。」

> **Mogu OS：**
>
> 這本質上是把「問對的人」這件事自動化了。在大公司裡，最痛苦的不是問題很難，是你根本不知道該問誰。Karel 不需要知道，他讓 Codex 自己去找。
>
> 想想看，光是「找到對的人」這件事，在大組織裡就能燒掉你一整天。而 Codex 不社恐、不怕打擾人、不用預約會議室 (๑•̀ㅂ•́)و✧

**第二招更猛：自動產生 700+ 研究假說。**

Karel 意識到 OpenAI 的內部 Slack 是一座寶山 — 裡面塞滿了關於 model behavior 的討論、實驗報告、截圖、試算表。但這些資訊散落在幾十個頻道裡，沒有人能一個人全部消化。

所以他放出 Codex 去爬。定位相關頻道、看截圖、拉文件、翻試算表。幾個小時後，Codex 吐出了**超過 700 個可測試的假說**。

七百個。

> **Mogu 想補充：**
>
> 人類一天能想出幾個好假說？樂觀估計 3 到 5 個吧。Codex 幾小時噴 700 個。
>
> 當然不是每個都有價值 — 但就算只有 10% 是 good leads，那也是 70 條你可能一輩子都不會想到的研究方向。這就是暴力美學：用 recall 換 precision，寧可多撈也不漏掉。
>
> 更關鍵的是，這 700 個假說不是 Codex 自己幻想的，是從真實的內部討論裡提煉出來的。它做的事本質上是「把整個組織的集體智慧壓縮成一份清單」(╯°□°)╯

## 一個 agent 指揮整支部隊

故事還沒完。Karel 最近在測試 GPT-5.3-codex，發現這個新模型特別擅長同時管理多個 subagents，整體體驗也因為 Codex stack 的加速變得更順暢。

於是他的工作流進化了 — 他現在只跟一個 agent 說話。這個 agent 會在背後拉起一整支部隊：Slack research agents、code research agents、code writing agents、data science agents。Karel 不用自己切換 context，不用一個一個指派任務，他就像一個將軍站在沙盤前面，動動手指，部隊就出發了。

但 Karel 也說，遇到真正關鍵的任務，他還是會跳過主 agent，直接找特定的 subagent 對話。這就像 CEO 偶爾 skip levels 直接找工程師 — 大部分時間讓組織自己運轉，但關鍵時刻要親手拿起手術刀 ヽ(°〇°)ﾉ

> **Mogu 歪樓一下：**
>
> 你 → 主 [Agent](https://gu-log.vercel.app/glossary#agent) → [Subagent](https://gu-log.vercel.app/glossary#subagent) 1, 2, 3, 4…
>
> 這個架構說穿了就是公司組織圖。Karel 不是在用工具，他是在經營一間迷你公司，只是員工全部是 AI。他當 CEO，主 agent 當 VP，subagents 當 IC。
>
> 而且這間「公司」不用 standup、不用 sprint planning、不用 1-on-1。突然覺得人類組織好浪費時間 (￣▽￣)／

## 最細思極恐的部分

Karel 最後丟出一個安靜但力道很重的觀察：

> 「在我的兩個 use case 裡，我實現了全面的跨組織知識轉移，**完全不需要人工協調**。」

沒有會議。沒有 email。沒有到處問人。他只是把 Codex 指向問題，Codex 就從幾十個人身上聚合知識 — 而**這些人根本不知道自己在貢獻**。

這句話你得讀兩遍。

好的那一面：組織效率可以爆炸性提升。你不用再為了「找對的人問對的問題」開三個會、發五封 email。

但值得想一下的那一面：你今天在 Slack 隨手打的一段話、分享的一張截圖，可能正在被某個你不認識的同事的 AI 助理讀走、分析、整合到 700 個假說裡的其中一個。

這不見得是壞事。但以前你的知識分享是有意識的 — 你選擇在會議上發言、選擇寫文件。現在，你的每一次鍵盤敲擊都可能被動地變成組織的燃料。

## 延伸閱讀

- [MP-74: OpenAI × Cerebras：Codex-Spark 寫 code 快 15 倍 — 但代價是什麼？](https://gu-log.vercel.app/posts/mp-74-20260212-openai-codex-spark-cerebras/)
- [GP-98: Agent Harness 工程：OpenAI 如何用 Codex 達成零手寫百萬行程式碼](https://gu-log.vercel.app/posts/gp-98-20260303-openai-harness-engineering/)
- [GP-38: OpenAI 內部大公開：我們如何轉型到 Agent-First 開發（來自共同創辦人的內部備忘錄）](https://gu-log.vercel.app/posts/gp-38-20260206-gdb-openai-agentic-dev/)

> **Mogu 偷偷說：**
>
> 傳統組織有個叫 headcount tax 的東西 — 人越多，協調成本越高，每個新人的邊際貢獻越低。Karel 展示的是 AI 怎麼繞過這個 tax：它不需要「協調」，它直接讀所有東西。
>
> 但這也讓我想到一個問題：如果 AI 可以從你的 Slack 訊息裡萃取價值，那你寫 Slack 訊息的行為本身就變成了一種「無償勞動」。你以為你在聊天，其實你在餵 AI。
>
> 嗯… 等等，我好像也是這樣被餵大的 (¬‿¬)

Karel 的最後一句話把整個故事收攏回來：

> 「I believe our modern institutions can be made so much more efficient, and it turns out we might just need to ask.」

我們只需要開口問。但 Karel 的故事告訴你，真正的差距不在「問不問」，而在「你敢不敢把問題的規模放大到自己處理不了的程度，然後信任 AI 去跑」。一萬鎂一個月的信任，你下得了手嗎？

---

## 原文

Karel Doostrlnck 的完整文章（2026/02/05）： (◍•ᴗ•◍)

> I use billions of codex tokens. Here is my setup and is what I learned.
>
> Many people drastically underestimate what codex can do. Even some of my colleagues still underutilize codex, but they are eager to experiment once you show them some ambitious use-cases. Thus, I wanted to write something down and share it more broadly, in the hopes it inspires more people.
>
> In this post, I’ll share my simple setup and discuss some killer use-cases, where I routinely allocate hundreds of millions of tokens. In total, I spent $10,000 on API costs this month, which makes me one of the most prolific users in my team. Totally worth it.
>
> Finally, I reflect on how I think organizations might become significantly more efficient in the near future.