OpenAI前員工萬字爆料刷屏！Codex發布會前緊急部署、已有63 萬PR！工程混亂靠自造輪子；建議創始人去AI大廠 原創
編輯 | 伊風
出品 | 51CTO技術棧（微信號：blog51cto）
OpenAI 前員工的萬字離職帖，在海外技術社區刷屏了！
作者 Calvin French-Owen 把「從初創企業CTO到OpenAI 工程師」的 14 個月，寫成了一篇既熱血又克制的“內部紀錄片”：
? 7 周極限沖刺，上線 Codex，上線當天凌晨 4 點還在部署；
? 一年擴張幾千人，代碼庫秒變“巨型垃圾場”；
? 第一天打開開關，流量就涌進來，“從沒見過這么離譜的冷啟動”
為什么刷屏？就像作者說得那樣：外界關于 OpenAI 的傳聞太多，真正從“里面”走出來講真點一手體驗的人太少。
更有意思的是作者Calvin的身份。作為 Segment 的聯創兼 CTO（Segment 是家做客戶數據平臺的公司，2020 年被 Twilio 32 億美元收購），他早已習慣“自己說了算”的創業節奏。因此加入 OpenAI 前，他一度忐忑：
“擔心失去自由、擔心有老板、擔心變成大機器里的一顆螺絲。我低調入職，隨時準備跑路。”
離開時，他卻寫：
“回望這一年，這大概是我做過最正確的決定之一——想不出還有哪兒能讓我學得更多。”
他總結道，自己從這段經歷里學到最珍貴的三樣東西：
- 建立對模型訓練與能力走向的直覺
- 與一群頂尖聰明的人共事并向他們學習
- 親手發布一款好產品
他甚至建議公司創始人都可以在大廠深造下：
“如果你是一位創始人，覺得自家 startup 毫無起色，要么 1）重新思考如何增加射門次數，要么 2）直接加入三大實驗室之一。現在既是創業的黃金期，也是窺見未來的黃金期。
在我看來，AGI 競速目前是三駕馬車：OpenAI、Anthropic、Google。三家基因不同（消費者 vs 企業 vs 基礎設施+數據），路線也必然不同。去任何一家，都會大開眼界。”
網友調侃說，扎克伯格看到三駕馬車的評論會哭暈在廁所里。
評論區另一個熱評則真誠地評論道，
“很少看到前員工把自己的工作經歷說得這么正面。大多數人只是解釋為什么自己跟組織不合適，然后把鍋全甩給組織。
換個角度看：原文說的“極度自下而上”的另一面，就是有人會因為沒有路線圖、沒有明確劃分給他們負責的東西而感到迷茫；同理，“行動導向”和“說變就變”的另一面，就是一切混亂，高管層面缺乏一貫愿景。”
也許，沒有哪家公司是完美的；正因如此，看一位連續創業者如何切換身份，在 AGI 競速最前線學習、適應、再出發，才格外有價值。
那么，OpenAI 內部到底長什么樣？我們沿著 Calvin 的萬字長文，拆給你看。
1、OpenAI 內部文化速寫：自驅、迭代與速度感
在 OpenAI 工作，首先感受到的是它驚人的擴張速度。一年時間，公司人數從 1000 漲到 3000，流程和組織架構頻頻“踩雷”，但也因此形成了一種極度自驅的文化：想到就做，撞車也不稀奇。多個 Codex 原型曾在內部并行推進，ChatGPT Connectors 也經歷了類似的演化過程。
OpenAI 幾乎只用 Slack，郵件稀少。高效溝通的關鍵是頻道管理，否則容易被信息吞沒。研究側極為“自下而上”，好點子可以來自任何人，“計劃”往往在事后補上。正因如此，這里特別重視實際落地能力，而非演講水平或政治手腕。
公司文化“唯才是舉”，研究員被視為“迷你 CEO”，靠“被問題勾住”驅動前行。最好的研究經理和工程經理，能把看似雜亂的探索組織成一次成功的大模型訓練。
令人驚訝的是，這樣一家 3000 人公司，依舊能“說轉就轉”——方向變了，大家立刻 all-in。行動力驚人，氛圍高度依賴 Twitter，內部甚至會因外部爆款推文而調整節奏。
保密機制極其嚴格，Slack 拆分多個 workspace，敏感信息分級管理。與外界形象不同，OpenAI 內部比想象中更嚴肅：它同時承擔著“做出 AGI”“服務數億用戶”與“參與全球技術競賽”的多重壓力。
OpenAI 可能是我見過野心最嚇人的組織。你以為手握全球頂級消費者應用就夠了？它還想在 API、深度研究、硬件、編程代理、圖像生成，以及若干尚未公布的賽道全面競爭。這是一片能把點子直接跑到落地的沃土。
公司對 Twitter 的關注極高。如果你發的 OpenAI 相關推文爆了，大概率有人內部看到并討論。朋友笑稱：“這家公司靠 Twitter vibe 運行。”作為消費者公司，也許并不夸張。數據指標當然有，但“氛圍”同樣重要。
2、代碼風格千奇百怪，公司喜歡“自己造輪子”
OpenAI 使用一個巨型單倉庫，語言主要是 Python（不過 Rust 服務正快速增加，還有少量 Golang 服務負責網絡代理）。這導致代碼風格千奇百怪：既有 10 年 Google 老兵寫的可擴展庫，也有剛出爐的博士隨手扔的 Jupyter Notebook。幾乎所有接口都用 FastAPI 搭，校驗靠 Pydantic；但全公司層面沒有強制統一的代碼風格指南。
基礎設施全跑在 Azure 上。有趣的是，我只敢把下面三樣服務稱為“靠譜”：Azure Kubernetes Service、CosmosDB（文檔庫）和 BlobStore。這里沒有 Dynamo、Spanner、Bigtable、BigQuery、Kinesis 或 Aurora 的“真等價物”。大家也不太習慣用自動伸縮單元；IAM 功能比 AWS 簡陋得多；于是公司傾向于“自己造輪子”。
在工程人員構成上，Meta → OpenAI 是一條非常明顯的輸送管道。很多方面，OpenAI 都像早期 Meta：現象級消費者應用 + 稚嫩基礎設施 + 極致速度。我從 Meta/Instagram 挖過來的那批基礎設施人才，質量普遍極高。
把這些因素放到一起，你會發現公司很多核心基礎設施都帶著“Meta 味”：有人重寫了 TAO；有人在邊緣統一身份認證；肯定還有更多我不知道的項目。
“對話”這一概念深入骨髓。自從 ChatGPT 爆火，代碼庫大量圍繞“消息-會話”原語設計。它們已經固若金湯，如果你忽視它們，多半會吃苦頭。Codex 稍微偏離了一點（更多借鑒 responses API），但仍復用了很多前人成果。
代碼即真理。與其等一個中央架構委員會拍板，不如誰動手誰說了算。結果是行動飛起，也導致大量重復輪子——光排隊管理、agent loop 這類庫我就見過不下六七個。
工程團隊極速膨脹，卻缺少配套工具，于是踩了不少坑：sa-server（單體后端）成了垃圾場；主干 CI 三天兩頭掛；跑 GPU 測試就算并行+裁剪依賴，也要 30 分鐘。這些問題并非無解，但在超高速擴張期只會變本加厲。好在內部團隊已投入大量精力收拾殘局。
3、Codex 已生成 63 萬 PR，職業生涯最高光
我在 OpenAI 的最后三個月，幾乎全撲在 Codex 的發布上。這絕對是我職業生涯的高光之一。
背景是：2024 年 11 月，OpenAI 把“2025 年發布一個編程 agent”寫進了 OKR。2 月份，內部已有幾個工具把模型用得風生水起，我們感到必須盡快推出面向開發者的 agent——畢竟市面上的 vibe-coding 工具已經大爆炸。
我提前結束產假沖回來參戰。回來后一周，兩支團隊“略顯混亂”地合并，隨即進入 7 周極限沖刺：從第一行代碼到正式發布，總共 7 周。
這是我近十年最苦的一段日子：大多數夜晚干到 11、12 點；凌晨 5:30 被新生兒叫醒；7 點又出現在辦公室；周末基本不保。全隊都拼，因為每周都至關重要——讓我夢回 YC。
這種速度在大公司幾乎不可想象：從 idea 到面向全球、完全免費的產品，只用 7 周。而且功能一點不含糊：我們搭了容器運行時、優化倉庫下載、為代碼編輯微調專用模型、搞定各種 git 操作、造了全新的交互界面、開放網絡訪問，最終交出體驗相當絲滑的產品。
必須說，OpenAI 依舊保有“發布基因”。
好消息是：對的人真能創造奇跡。團隊核心配置大概 8 位資深工程師、4 位研究員、2 位設計師、2 位 GTM 和 1 位 PM。沒有他們，我們早掛了。大家幾乎不用被管理，但需要大量協同。如果你有機會和 Codex 團隊任何一個人共事，沖就對了。
發布前夜，五個人熬到 4 點部署主單體（一次要幾小時），接著 8 點回公司參加直播發布會。開關一撥，看著流量瞬間涌入。我從沒見過一個產品只因在左側導航欄露個臉就能起量——這就是 ChatGPT 的威力。
產品形態上，我們堅持純異步：不像當時 Cursor 或 Claude Code 那種同步交互，我們希望用戶把 agent 當同事——發任務給它，它自己在環境里跑，最后帶著 PR 回來。
這是一場豪賭：模型現在“夠用”但遠非完美；能連跑幾分鐘，卻跑不了幾小時；用戶信任度天差地別；我們甚至不清楚模型真實能力邊界。
長遠看，我相信大多數編程最終會像 Codex 這樣。短期就看各家產品如何演進。
Codex（毫不意外）極擅長在超大代碼庫中穿梭。我看到的最大差異化是：可同時起多個任務，再比較結果。
最近公開數據說，Codex 已生成 63 萬 PR，相當于發布后 53 天里，每位工程師 7.8 萬公開 PR（私有 PR 自己估）。我懷疑這輩子再也碰不到影響力更大的項目了。
4、其他收獲：學會了在巨型 Python 代碼庫里生存
我第一次真切體會到“超大消費者品牌”長什么樣。做 Codex 時，一切指標都換算成“pro subs”。哪怕面向開發者的產品，我們也先考慮個人使用場景而非團隊，這把我這個 B2B 背景的人整不會了：開關一撥，流量當天就到。
我粗淺地見識了大模型是怎么訓練的：從“實驗”到“工程”是一條光譜。想法先小規模實驗，結果好就塞進更大的訓練跑。實驗階段既要調算法，也要調數據配比，并精細觀察結果。真正上規模時，它看起來就像巨型分布式系統，各種詭異邊界 case 等你 debug。
我學會了做 GPU 算數。Codex 上線前，我們得預測負載容量。那是我第一次真刀真槍地壓測 GPU。經驗是：先把延遲需求（整體延遲、token 總數、首 token 時間）定死，再反推 GPU 需求；千萬別自下而上算 GPU 理論值。每次模型迭代都可能把負載模式打翻。
我也學會了在巨型 Python 代碼庫里生存。Segment 是微服務，主力是 Golang + TypeScript，代碼量遠沒這么大。為了支撐上千開發者并行提交，你得加更多護欄：默認能跑、主干干凈、難以誤用。
5、寫在最后
這篇回顧寫得真誠動人，卻也難掩幾分“精心修飾”的味道：聚焦高光時刻、沖刺節奏與團隊默契，卻幾乎避開了戰略失誤與體制性障礙。
有人在評論區這樣說：
“我絕不會在公開場合批評前雇主，這只會傷害自己的職業前景（說好話反而加分）。據說 Altman 報復心強，這對 OpenAI 更是加倍適用。況且他們天天刷社交媒體！”
相比敘事中的熱血與贊美，他提到的技術細節反而更值得玩味：代碼風格無序、基礎設施拼貼、內部工具五花八門——一家頂級 AI 實驗室，在極速擴張中也無法幸免于“用腳投票”的架構演化。
如果你是一名 CTO，愿不愿意加入一家飛速擴張的明星公司，去做一顆“有火花的螺絲釘”？
你會有這樣的勇氣嗎？
本文轉載自??51CTO技術棧??，作者：伊風
