本期看点

• 编码 agent（coding agent） —— 原本专门处理代码任务的 AI 助手，能读项目、改文件、运行命令、看结果再继续。Codex 是 OpenAI 的代表作。
• agent 循环（agent loop） —— agent 干活的底层机制：接任务、拆步骤、调工具改环境、读反馈、再循环，直到完成。是它能干非编程活的根本原因。
• 知识工件（knowledge artifacts） —— 报告、备忘、合同、PDF、表格这类知识工作的最终产出物，OpenAI 把它们当成一个统计类目。
• 并行任务 —— 同一时间挂多个 Codex 任务一起跑，60% 以上的用户每天这么用。

一、把数据摆上桌：知识工作者增速是开发者的三倍

OpenAI 这次没讲愿景，先甩数字。Codex 周活跃用户超过 500 万，比 2 月桌面应用上线时翻了 6 倍多。这个量级里，开发者依然是主力，但 OpenAI 特意把另一群人单拎出来：知识工作者占了约 20%，增速是开发者的 3 倍多。

更值得看的是任务类目的增长率，因为它直接告诉你这些非程序员在拿 Codex 干什么。OpenAI 给出三个最快的方向：数据分析周环比增长 110%，研究增长 37%，知识工件（报告、备忘、文档、合同、多媒体素材、PDF、表格）增长 36%。

数据分析翻倍这件事，比绝对用户数更说明问题。一个被设计来写代码的工具，增长最快的用途是"分析数据"——这说明用户不是在用它的编程能力，而是在用它"把一个模糊任务拆成可执行步骤再跑出来"的能力。OpenAI 还提到一个使用习惯：超过 60% 的用户每天同时跑多个 Codex 任务，一边起草材料一边自动化例行流程。把 AI 当成可以并发指挥的一队下属，而不是一问一答的聊天框——这才是知识工作者真正在做的事。

二、一个写代码的 agent，凭什么也能做研究和分析

这是整件事的关键，也是最容易被略过的地方。Codex 没有为"知识工作"重新造一套大脑。它能写报告、能清洗数据、能做研究，靠的是和写代码完全相同的那套机制。

OpenAI 自己在《拆解 Codex 的 agent 循环》里讲过这个底层结构：每个 AI agent 的核心是一个循环——接收用户输入，整理成给模型的指令，模型生成响应，而因为 agent 能执行工具调用去修改本地环境，它的产出不只是一句回话，很多时候主要产出是它在你机器上写下或改动的文件。

把这句话里的"代码"换成任何东西，逻辑完全成立。写代码的本质是：理解目标 → 拆成一连串可执行步骤 → 调用工具（编辑器、编译器、测试）→ 看结果对不对 → 不对就改。做一份竞品分析报告的本质是什么？理解目标 → 拆步骤（搜资料、读文档、提数据、画表、成文）→ 调用工具（浏览器、表格、文件系统）→ 看产出对不对 → 不对就改。这是同一套循环，只是工具从编译器换成了浏览器和表格。

所以"编码 agent 外溢到通用知识工作"不是营销话术，是技术上的必然。一旦你做出一个能可靠地"拆任务、调工具、自我纠错"的 agent，它的能力边界就不再由"代码"划定，而由"你给了它哪些工具"划定。给它接上邮件、日历、文档、表格、设计软件和聊天工具——据报道 Codex 正是接了这些——它就能在这些场景里干活。代码只是第一个被证明能干的活，因为代码的对错最容易自动验证（能不能跑、测试过不过）。

三、它替代的不是某个软件，是"手动把信息拼起来"这件事

报告里有一句话点破了 Codex 真正吃掉的工作：它能自动化周期性简报，跨越互不连通的工具去对齐上下文，产出过去需要人工汇总才能得到的交付物。

这三件事拼起来，描述的是绝大多数知识工作者每天在干的低价值劳动。数据在 A 系统，文档在 B 系统，沟通在 C 系统，而人的大量时间花在"把这些东西手动搬到一起、对齐、再产出一份给老板看的东西"上。OpenAI 给出的具体用法包括：数据清洗与打标、起草、表格处理，以及搭一些过去要找工程师才能做的轻量工具。

最后这条——搭过去需要工程支持的轻量工具——是知识工作者权力结构的变化。以前一个运营想要个自动跑的小脚本，得排进工程团队的需求队列，等几周。现在他自己用自然语言对 Codex 说一遍就有了。这意味着"会不会编程"作为一道门槛正在塌掉，但门槛塌掉的方式不是人人去学 Python，而是人人学会指挥一个会 Python 的 agent。

这也是 OpenAI 这步棋的竞争意图。把编码 agent 定位成全体知识工作者的生产力工具，对标的是 Anthropic 把 Claude 往 Cowork（协作办公）方向推的路线。两家都看明白了同一件事：coding agent 是目前最成熟、最能可靠完成多步任务的 agent 形态，谁能先把它从程序员的终端搬到普通人的办公桌，谁就拿下了下一个十亿级的市场。

四、别忽略报告没大声说的那半句

OpenAI 的报告是增长叙事，但外部转述里有一条冷静的提醒值得带上：把 Codex 这类工具推进研究、数据分析、法务、财务这些高风险领域，准确性和偏差问题不会因为它"会写代码"就消失。代码的对错能自动验证，一份研究报告的判断对错不能。一个能流畅产出报告的 agent，恰恰最容易让人放松审查——它看起来太像对的了。

所以这场效率革命真正的变量，不在 Codex 能产出多少东西，而在产出之后人怎么把关。OpenAI 自己也承认，增强生产力和审慎的人工监督之间的平衡，决定这个"下一个时代"能不能兑现。

对从业者意味着什么

如果你是非程序员——这篇就是写给你的。结论很直接：你该花时间学会用一个 coding-grade（编码级）的 agent 干活，哪怕你一行代码不写。门槛已经从"会编程"降到"会清楚地描述任务、会拆步骤、会检查产出"，而这恰好是知识工作者本来就该有的能力。先从你每天最烦的那个手动汇总流程下手——把它说清楚交给 Codex 跑一遍，比读十篇教程有用。

如果你是团队管理者：数据分析周增 110% 是个信号，说明你团队里已经有人在用这类工具，只是没声张。与其等它野蛮生长，不如主动定规矩——哪些活可以交给 agent，哪些产出必须人工复核，尤其是财务、法务、对外材料。agent 能力越强，把关流程越要前置。

如果你做 AI 产品：Codex 的扩张路径给了一条明确的方法论——先做一个在"对错可自动验证"的窄场景（代码）里足够可靠的 agent，再靠同一套 agent 循环往工具更多、验证更难的宽场景外溢。别一上来就做"什么都能干"的通用 agent，先找到你的"代码"——那个能让 agent 自我纠错、建立可靠性口碑的窄入口。

引用

1. OpenAI《知识工作的下一个时代：Codex 正在成为人人可用的生产力工具》（The Next Era of Knowledge Work / Codex is becoming a productivity tool for everyone）：https://openai.com/index/codex-for-knowledge-work/
2. Axios：《OpenAI 的 Codex 成了办公生产力新引擎》（OpenAI's Codex is the new office productivity booster），2026-06-02：https://www.axios.com/2026/06/02/openai-codex-knowledge-workers
3. OpenAI《拆解 Codex 的 agent 循环》（Unrolling the Codex agent loop）：https://openai.com/index/unrolling-the-codex-agent-loop/