OpenAI Codex para tareas largas: las técnicas de Jason Liu para conservar el contexto

OpenAI ha publicado un artículo sobre cómo el desarrollador y especialista en AI Jason Liu utiliza Codex para tareas largas de varias etapas. El texto también explica por qué el enfoque estándar de «un prompt, una respuesta» no funciona en proyectos reales.

¿Por qué no basta con un solo prompt?

La mayoría de los usos de los asistentes de programación con AI son tareas cortas: corregir un bug, escribir una función, explicar un fragmento de código. Pero el desarrollo real es más complejo. Un proyecto acumula un historial de decisiones, dependencias entre módulos y convenciones de estilo y arquitectura: todo aquello que es imposible meter en un solo prompt.

Ahí es donde la mayoría de los desarrolladores se topa con un muro. Cada vez hay que volver a explicar el contexto, y el agente «no recuerda» que ayer se decidió descartar un enfoque concreto o que los tests solo cubren una parte de los casos.

Codex de OpenAI se diseñó para trabajar en modo agente: puede ejecutar tareas de forma asíncrona, lanzar tests e iterar en función de los resultados. Es precisamente en este modo —como ejecutor completo y no como autocompletado— donde Liu ve el mayor potencial de la herramienta.

Técnicas de «codex-maxxing»

El enfoque de Liu se basa en varias prácticas que permiten a Codex «recordar» y retomar el trabajo entre sesiones:

• Transferencia de estado: al inicio de cada sesión, Codex recibe un archivo estructurado con el estado actual del proyecto, las decisiones tomadas y las cuestiones abiertas.
• Descomposición de tareas: las tareas grandes se dividen en subárboles independientes que el agente puede resolver por su cuenta, sin necesitar el contexto completo de todo el proyecto.
• Prompts de checkpoint: al final de la sesión, el agente genera un informe con lo que se ha hecho y lo que queda pendiente. Ese informe se convierte en el punto de partida de la siguiente ejecución.
• Delegación de ramas completas: en lugar de supervisar paso a paso, el desarrollador describe el objetivo y los criterios de aceptación, y Codex itera por su cuenta hasta obtener el resultado deseado.
• Fijación del entorno: las versiones de dependencias y herramientas se fijan de forma estricta para que el agente no rompa la reproducibilidad entre ejecuciones.

En conjunto, estas técnicas permiten que Codex trabaje durante horas en tareas complejas sin que el desarrollador tenga que estar presente todo el tiempo.

El nuevo papel del desarrollador

Lo más importante del enfoque de Liu no son los trucos técnicos, sino el cambio de mentalidad. El desarrollador deja de ser un ejecutor y pasa a ser un arquitecto de tareas. Su habilidad clave ya no es escribir código a mano, sino describir con precisión la intención, gestionar el contexto y evaluar con espíritu crítico los resultados del agente.

Un desarrollador que sabe «alimentar» bien al agente con contexto y formular las tareas se vuelve mucho más productivo. Con una buena organización, una sola persona puede llevar varias ramas en paralelo, cada una a cargo de Codex.

¿Por qué OpenAI publica esto?

El artículo llega en un momento en que OpenAI impulsa activamente los usos de Codex en modo agente. Forma parte de un relato más amplio: las herramientas de AI pasan de ser asistentes a ejecutores autónomos en determinadas partes del trabajo.

Cabe destacar que Liu no es un usuario cualquiera: creó la biblioteca Instructor, que se ha convertido en el estándar de facto para obtener respuestas estructuradas de los LLM. Su visión de los workflows con agentes se basa en experiencia real desarrollando sistemas de AI, no en promesas de marketing.

Para el mercado laboral, la publicación apunta a un desplazamiento del valor. La demanda de desarrolladores dedicados a tareas rutinarias irá a la baja. En cambio, crecerá la de quienes sepan descomponer tareas complejas, construir contexto para los agentes y verificar la calidad de los resultados.

Qué significa esto

El caso de Liu es uno de los primeros ejemplos estructurados de cómo trabajar de verdad con agentes de AI en proyectos complejos, y no en escenarios de demostración. Si el modo agente de Codex se incorpora a los flujos de trabajo habituales, las habilidades de «codex-maxxing» se convertirán en una herramienta imprescindible para cualquier desarrollador serio.