OpenAI Codex для долгих задач: приёмы сохранения контекста от Джейсона Лю

OpenAI опубликовала материал о том, как разработчик и AI-практик Джейсон Лю применяет Codex для долгих, многоэтапных задач — и почему стандартный подход «один промпт — один ответ» не работает для реальных проектов.

Почему одного промпта недостаточно

Большинство сценариев использования AI-кодинг-ассистентов — это короткие задачи: исправить баг, написать функцию, объяснить кусок кода. Но реальная разработка сложнее: проект накапливает историю решений, зависимости между модулями, соглашения по стилю и архитектуре — всё то, что невозможно уместить в один промпт. Именно здесь большинство разработчиков упирается в стену. Каждый раз нужно заново объяснять контекст, и агент «не помнит», что вчера было решено отказаться от конкретного подхода или что тесты покрывают только часть кейсов. Codex от OpenAI проектировался для работы в агентном режиме: он может выполнять задачи асинхронно, запускать тесты и итерировать по результатам. Именно в этом режиме — как полноценного исполнителя, а не автодополнения — Лю видит наибольший потенциал инструмента.

Техники «codex-maxxing»

Подход Лю строится на нескольких практиках, которые позволяют Codex «помнить» и продолжать работу между сессиями: Передача состояния — в начале каждой сессии Codex получает структурированный файл с текущим статусом проекта, принятыми решениями и открытыми вопросами. Декомпозиция задач — большие задачи разбиваются на независимые поддеревья, каждое из которых агент может решать самостоятельно, не требуя полного контекста всего проекта. * Чекпойнт-промпты — в конце сессии агент формирует итоговый отчёт о сделанном и незавершённом.

Этот отчёт становится точкой старта для следующего запуска. Делегирование целых веток — вместо пошагового контроля разработчик описывает цель и критерии приёмки, а Codex самостоятельно ведёт итерации до получения нужного результата. Фиксация окружения — версии зависимостей и инструментов жёстко фиксируются, чтобы агент не нарушал воспроизводимость между запусками.

В совокупности эти приёмы позволяют Codex работать часами над сложными задачами — без постоянного присутствия разработчика.

Смена роли разработчика Самое важное в подходе Лю — не технические трюки, а сдвиг в мышлении.

Разработчик перестаёт быть исполнителем и становится архитектором задач. Его главный навык теперь — точно описывать намерение, управлять контекстом и критически оценивать результаты агента, а не писать код руками. Разработчик, который умеет правильно «кормить» агента контекстом и формулировать задачи, становится значительно продуктивнее. При правильной организации один человек может вести несколько параллельных веток, каждую из которых ведёт Codex.

Зачем

OpenAI это публикует Материал появился в момент, когда OpenAI активно продвигает агентные сценарии использования Codex. Это часть более широкого нарратива: AI-инструменты переходят от роли помощника к роли самостоятельного исполнителя на отдельных участках работы. Примечательно, что Лю — не рядовой пользователь: он создал библиотеку Instructor, которая стала стандартом де-факто для получения структурированных ответов от LLM. Его взгляд на агентные workflows основан на реальном опыте разработки AI-систем, а не на маркетинговых обещаниях. Для рынка труда публикация означает смещение ценности. Спрос на разработчиков, занятых рутинными задачами, будет снижаться. Зато вырастет спрос на тех, кто умеет декомпозировать сложные задачи, выстраивать контекст для агентов и проверять качество результатов.

Что это значит

Кейс Лю — один из первых структурированных примеров того, как реально работать с AI-агентами на уровне сложных проектов, а не демонстрационных сценариев. Если агентный режим Codex войдёт в стандартные рабочие процессы, навыки «codex-maxxing» станут обязательным инструментом каждого серьёзного разработчика.