OpenAI Sora 适用于 Android：使用 Codex 在 28 天内构建

OpenAI 在 28 天内使用四名工程师的精简团队和 GPT-5.1-Codex 模型开发了 Sora Android 应用的生产版本，从原型到全球发布。这一快速开发周期表明，AI 辅助工程可以在保持高可靠性的同时大幅提升个人影响力，从而得到崩溃率仅为 0.1% 的应用。

AI 驱动的开发工作流程

OpenAI 将 Codex 视为一名“新聘的高级工程师”，重点放在指导和审查代码，而不是手动编写。团队发现，虽然 Codex 在有限范围内擅内擅长处理繁重工作，但对于高层架构决策和用户体验，仍需要人类的指导。

Codex 的能力和优势

  • 快速代码库分析： Codex 能够快速读取并理解多种编程语言的大型代码库。
  • 测试覆盖： 该模型在编写广泛的单元测试以防止回归方面非常有效。
  • 反馈集成： 在提供 CI 失败日志时，Codex 能够快速提出修复方案。
  • 并行执行： 团队并行运行多个 Codex 会话，同时处理不同模块（例如播放、搜索、错误处理）。
  • 研究与优化： Codex 被用来筛选 SDK，为视频播放器提出内存优化方案，以最小化最终应用的内存占用。

局限性和人类需求

  • 缺乏直觉： Codex 无法推断未明确表达的偏好、产品策略或内部规范。
  • 经验差距： 该模型无法运行应用来感知用户流程是否令人困惑或滚动是否感觉“不对”。
  • 架构判断： 单独留下时，Codex 更倾向于优先考虑即时功能而非长期整洁，可能会引入不必要的视图模型或放置不当的逻辑。

技术实施策略

为确保应用保持可维护性，工程团队在利用 AI 生成之前专注于建立一个刚性的基础。

手动基础和模式设定

工程师手动实现了系统设计，包括架构、模块化、依赖注入、导航、身份验证和基础网络流程。随后，他们编写了若干具有代表性的特性，从头到尾实现，以作为“正确”的示例。这种方法确保了 Codex 编写的约 85% 的代码遵循了团队既定标准，从而避免了昂贵的重构。

规划循环

对于非平凡的更改，团队实施了多步骤规划工作流，以使 Codex 能够在更长时间内无监督工作：

  1. 系统理解： 要求 Codex 概述某个功能的工作方式（例如，从 API 到 UI 的数据流）。
  2. 细化： 人类纠正模型对抽象和层次的理解。
  3. 实施规划： Codex 创建了一份微型设计文档，详细说明文件更改和状态引入。
  4. 执行： Codex 按步骤应用该计划，并将计划保存到文件中，以在上下文窗口限制下保持一致性。

通过 AI 进行跨平台翻译

OpenAI 将现有的 Sora iOS 应用作为 Android 版本的主要真实来源。团队没有使用像 Flutter 或 React Native 这样的共享抽象框架，而是使用 Codex 将逻辑从 Swift 翻译到 Kotlin。

  • 逻辑可移植性： 团队利用了这样一个原则：应用逻辑（数据模型、网络调用、验证规则）在不同平台上保持不变。
  • 上下文提示： 提示 Codex 读取 iOS 模型和端点，并使用现有的 API 客户端和模型类提出等效的 Android 实现。
  • 跨仓库导航： 团队使用 ~/.codex/AGENTS.md 文件帮助 Codex 发现并在 iOS、后端和 Android 仓库之间导航。

对软件工程的影响

该项目将开发瓶颈从编写代码转移到了决策、提供反馈和集成更改上。OpenAI 得出结论，AI 辅助开发增加了对人类在系统理解和架构方面严谨性的需求，因为 AI 的主要目标是快速实现功能目标。软件工程师的角色正在向“指挥家”演变，他们管理 AI 代理来处理样板和琐碎任务，从而让人类能够专注于可扩展的系统和复杂算法。

Sources