Am 16. Mai 2025 führte das OpenAI Codex-Team ein AMA (Ask Me Anything) auf Reddit durch, in dem es über die Ursprünge, die Entwicklung, die aktuellen Funktionen und die Zukunftspläne von Codex berichtete.
**Herkunft und Entwicklung**
Codex begann als Nebenprojekt für OpenAI-Ingenieure, um die unzureichende Nutzung interner Modelle bei der täglichen Arbeit zu beheben. Die wichtigste Neuerung bei Codex war die drastische Verbesserung der Codierungserfahrung durch die Generierung mehrerer kleiner "Umgebungs-Encoder" und die anschließende Auswahl des besten Code-Ergebnisses. Codex wurde unter Verwendung der Codex CLI und einer früheren Version von Codex entwickelt, um seine Effektivität bei der schnellen Behebung lokaler Fehler und der Fernverwaltung mehrerer paralleler Aufgaben zu demonstrieren. Die Codex CLI und frühere Versionen von Codex wurden verwendet, um die Effektivität bei der schnellen Behebung von lokalen Fehlern und der Fernverwaltung mehrerer paralleler Aufgaben zu demonstrieren.
Aktuelle Funktionen und Fähigkeiten
Codex bietet zwei Modi: Im "Query Mode" können Benutzer Designdokumente oder detaillierte Anforderungen einfügen und in kleinere Teile zerlegen; im "Code Mode" werden Aufgaben in einer Container-Umgebung bis zu einer Stunde lang ausgeführt. Nehmen Sie gezielte Änderungen auf der Grundlage von Benutzeranfragen vor, bleiben Sie im Rahmen der Anfrage und verwenden Sie die Repository-Historie oder alle zugänglichen Containerdateien als Kontext. codex eignet sich besonders gut für die Arbeit mit großen Repositories, testgetriebene Entwicklung und die Befolgung der Anweisungen in den AGENTS[.] Direktiven in md-Dateien (z. B. Tests, Codeprüfungen, Formatierungsprüfungen und Commit-Vorlagen). Aus Gründen der sicheren Skalierung und um sich auf bekannte Ausgaben zu konzentrieren, wird der Internetzugang deaktiviert, sobald der Agent die Laufzeitumgebung betritt.
Viele macOS-, iOS- und Android-Ingenieure nutzen Codex aktiv bei ihrer täglichen Arbeit: Ein praktischer Arbeitsablauf ist das Hinzufügen einer TODO[.] md-Datei hinzuzufügen und Codex anzuweisen, ein TODO auszuwählen und es zu beheben, oder einen Plan für Funktion X zu erstellen und in eine TODO[.] md.
Aktuelle Verfügbarkeit und Förderung
Codex wurde vollständig für Pro-Benutzer ausgerollt, die Einführung für Team-Benutzer ist für Montag geplant, nachdem der Lastausgleich abgeschlossen ist. Codex-1 ist jetzt für die ChatGPT-Benutzeroberfläche optimiert, und der API-Zugang zum Codex-Agenten ist in Arbeit. Kostenlose API-Credits für Plus- und Pro-Benutzer, die die Codex-CLI verwenden, sind in Kürze verfügbar.
Leistungs- und Produktivitätsverbesserung
Interne Teams haben festgestellt, dass Code- und Feature-Releases bis zu dreimal effizienter sind, wenn Codex verwendet wird, insbesondere wenn die Abstraktion klar ist, die Testabdeckung hoch und die Tests schnell sind.
Preisgestaltung und Datenpolitik
Flexible Preisoptionen (einschließlich Pay-as-you-go) werden derzeit geprüft. Für Team-, Enterprise- und Edu-Nutzer wird OpenAI nicht auf Codex-Inhalte trainieren; Pro- (und eventuell Plus-) Nutzer werden eine hervorgehobene Option auf dem Frontend erhalten.
Technische Realisierung und Umfeld
Die aktuelle Version ist eine MVP-Forschungsvorschau mit Plänen zur Integration mit anderen Quellcode-Verwaltungstools, Issue-Trackern und Kommunikationstools über GitHub hinaus. Benutzer können Skripte zur Umgebungskonfiguration definieren, die Dockerdateien oder das Abrufen von Images aus der Benutzerregistrierung unterstützen. Es wird in Betracht gezogen, Benutzern die Möglichkeit zu geben, ihre eigenen Computerumgebungen in stark abgeschotteten Systemen einzuführen.
Die Community hat starkes Interesse an der Integration der Codex CLI direkt in IDEs gezeigt. Derzeit sind Container vollständig isoliert. Für die Zukunft ist die Unterstützung von Multi-Repository-Setups und gemeinsamem Speicher über Tasks hinweg geplant.
Zukunftspläne und Forschung
GPT-5 ist das nächste Basismodell und soll alle Funktionen der bestehenden Modelle verbessern und die Notwendigkeit eines Modellwechsels verringern. Zukünftige Pläne sehen vor, Codex, Operator, Deep Research und Memory zu integrieren, damit es sich wie aus einem Guss anfühlt. Großangelegtes Reinforcement Learning wird bereits eingesetzt, um die Codierfähigkeiten, den Stil und die Genauigkeit von Codex zu verbessern. Das Team plant KI-gestützte Code-Reviews, die Codeänderungen zusammenfassen und auf tatsächlichen Ausführungsergebnissen und Zitaten beruhen.
Künftige Aufgaben der Softwareentwicklung können sich zu technischen Führungspositionen entwickeln, die große Systemkomponenten verwalten und mit KI-Codierern zusammenarbeiten.
---
Codex wurde offiziell veröffentlicht und soll die traditionelle manuelle Codeüberprüfung revolutionieren. Das Tool analysiert automatisch Code-Repositories oder -Zweige und erstellt selbstständig eine Liste von Aufgaben, die behoben werden müssen.
Diese Automatisierungsfunktion ist insofern beeindruckend, als sie nicht nur die Codequalität verbessert, sondern auch den Zeitaufwand der Entwickler für die Codeüberprüfung erheblich reduziert. Stellen Sie sich einen zukünftigen Arbeitsablauf vor, bei dem jeder Pull Request (PR) mit Hilfe von Codex automatisch optimiert werden kann, was die Produktivität des Teams und die Konsistenz des Codes drastisch verbessern wird.
AnwendungsszenarioEinschließlich, aber nicht beschränkt auf:
- Qualitätskontrolle von umfangreichen Code-Basen
- Unmittelbares Feedback bei schneller, iterativer Entwicklung
- Überprüfung der Codespezifikation zu Beginn eines neuen Projekts
Das Potenzial von Codex ist enorm, und sein Einfluss verspricht, eine Revolution in der Softwareentwicklungsbranche auszulösen. Was die technischen Details betrifft, so nutzt Codex fortschrittliche Algorithmen zur Verarbeitung natürlicher Sprache und zum maschinellen Lernen, um die Struktur und Logik des Codes zu verstehen und spezifische Verbesserungen vorzuschlagen. Dies ist wichtig für die Verbesserung der Entwicklungseffizienz und der Codequalität.
---
Kürzlich berichtete ein Entwickler über seine Erfahrungen mit Codex für die Codemigration. Er verwendete Codex, um ein altes Projekt von Python 2.7 auf 3.11 und das Django-Framework von Version 1.x auf 5.0 zu aktualisieren.Der gesamte Vorgang dauerte nur 12 Minuten.Diese Migration dauert in der Regel mehrere Wochen.
Die bahnbrechende Bedeutung dieser Technologie liegt in der Tatsache, dass sie den Zeit- und Energieaufwand von Entwicklungsteams bei der Codemigration erheblich reduziert und die Arbeitseffizienz verbessert. Codex gewährleistet Codekompatibilität und -stabilität durch automatische Codekonvertierung und -optimierung. Darüber hinaus ist Codex in der Lage, komplexe Anwendungsszenarien zu bewältigen, wie z. B. umfangreiche Codebasen und Projekte mit mehreren Modulen, was seinen praktischen Anwendungswert weiter erhöht.
Für die Entwickler vereinfacht Codex nicht nur die mühsame Aufgabe der Migration, sondern hilft ihnen auch, sich stärker auf die Implementierung und Optimierung der Geschäftslogik zu konzentrieren und so die Iteration und Entwicklung von Projekten zu beschleunigen.
---
Datenwissenschaftler werden diesen MCP-Server lieben!
Es erzeugt automatisch** hochwertige synthetische Daten**, wertet sie aus und validiert sie mit Visualisierungstools. Dies alles geschieht ganz einfach in der Cursor-IDE.
Der Server ist vollständig quelloffen und bietet eine detaillierte Schritt-für-Schritt-Anleitung: https://t.co/fOgViRFHQQ
Wesentliche Merkmale:
- Automatische Generierung hochwertiger synthetischer Daten
- Automatisierte Bewertung und Validierung
- Unterstützung von Visualisierungswerkzeugen
- Integration in Cursor IDE
- 100% Java Open Source
Er ist zweifellos ein leistungsstarkes Werkzeug für Datenwissenschaftler, die große Datenmengen für das Training, Testen und die Validierung von Modellen benötigen. Ob es um die Entwicklung von Projekten des maschinellen Lernens geht oder um die Notwendigkeit des Datenschutzes, MCP Server bietet effiziente und zuverlässige Unterstützung.
---
Google DeepMind hat kürzlich AlphaEvolve veröffentlicht, einen von Gemini betriebenen Programmieragenten, der die algorithmische Entdeckung revolutionieren soll.
Die wichtigsten Merkmale von AlphaEvolve sind:
- Entwicklung schnellerer Algorithmen für die Matrixmultiplikation zur Verbesserung der Rechenleistung
- Suche nach neuen Lösungen für offene mathematische Probleme und Förderung der mathematischen Forschung
- Verbesserung der Effizienz von Rechenzentren, Chipdesign und KI-Schulungen für eine Vielzahl von Anwendungen
Technische Details von AlphaEvolveDer Agent basiert auf den leistungsstarken Rechenfähigkeiten von Gemini und ist in der Lage, Algorithmen automatisch zu untersuchen und zu optimieren. Durch tiefe und verstärkende Lerntechniken ist AlphaEvolve in der Lage, effizient mit großen Datensätzen zu arbeiten und in kurzer Zeit optimale Lösungen zu finden.
AnwendungsszenarioAlphaEvolve zeigt nicht nur großes Potenzial in der akademischen Forschung, sondern hat auch eine breite Palette von Anwendungen in der Industrie. In der Verwaltung von Rechenzentren kann es beispielsweise den Energieverbrauch durch eine optimierte Ressourcenzuweisung senken; im Chipdesign kann es den Simulationsprozess beschleunigen und die Designqualität verbessern; beim KI-Training kann es die Modellkonvergenz beschleunigen und die Trainingseffizienz verbessern.
Die Veröffentlichung von AlphaEvolve stellt einen bedeutenden Durchbruch in der KI auf dem Gebiet der algorithmischen Entdeckung dar und wird voraussichtlich die Entwicklung verwandter Technologien vorantreiben.
---
AliCloud hat vor kurzem eine optimierte Version von Qwen 2.5 Omni mit Leistungsverbesserungen durch GPTQ- und AWQ-Techniken herausgebracht, die auf der Hugging Face-Plattform veröffentlicht wurde.GPTQ ist eine Quantisierungstechnik, die den Speicherbedarf und die Berechnungsanforderungen des Modells erheblich reduziert, während AWQ die Inferenz-Effizienz des Modells weiter verbessert.
Diese Version von Qwen 2.5 Omni-optimierte Version verbessert nicht nur die Leistung, sondern zeichnet sich auch in realen Anwendungen aus. Sie eignet sich für eine breite Palette von Aufgaben der Verarbeitung natürlicher Sprache, wie z. B. Texterzeugung, Dialogsysteme, maschinelle Übersetzung und so weiter.
Entwicklern und Forschern bietet diese optimierte Version effizientere und flexiblere Werkzeuge, die leistungsstarke Aufgaben zur Verarbeitung natürlicher Sprache in ressourcenbeschränkten Umgebungen ermöglichen.
Darüber hinaus unterstützt Qwen 2.5 Omni Optimised eine breite Palette von Hardware-Plattformen, einschließlich GPUs und CPUs, so dass der Benutzer seine Wahl auf der Grundlage seiner eigenen Hardware-Bedingungen treffen kann, was die Benutzerfreundlichkeit und Flexibilität des Modells weiter verbessert.
---
Wir haben den Prozess der Verwendung eines beliebigen Modells auf der Replicate-Plattform vereinfacht, was die Verwendung von KI-Code-Editoren und Large Language Models (LLMs) erheblich erleichtern wird. Dieses Update fällt mit der Einführung von Codex zusammen, der Entwicklern noch mehr Flexibilität bietet.
Jetzt können die Benutzer:
- Kopieren von Seiten ins Markdown-Format
- Direkt in Claude oder ChatGPT laden
- Ansicht der Datei llms.txt für jedes Modell
Der Link zur Datei llms.txt für Google Veo-2 lautet zum Beispiel wie folgt: https://t.co/PwbpQe1JYS.
Diese Verbesserungen erhöhen nicht nur die Erfahrung der Entwickler, sondern verbessern auch die Zugänglichkeit und Integration des Modells.Ganz gleich, ob Sie mit der Code-Vervollständigung, dem Debugging oder der Generierung neuer Codeschnipsel beschäftigt sind, diese Funktionen können die Entwicklungseffizienz erheblich verbessern.
Durch die Unterstützung mehrerer gängiger KI-Plattformen erleichtert Replicate Entwicklern die Nutzung der neuesten KI-Technologien, um Softwareentwicklung und Innovation zu beschleunigen.
---
Die neu eingeführte Emergent AI-Technologie ermöglicht die Erstellung kompletter Anwendungen durch einfache Chat-Konversationen, die Backend-Entwicklung, automatisierte Tests und die Live-Bereitstellung von URLs umfassen. Die Einführung dieser Technologie markiert einen bedeutenden Wandel in der Art und Weise, wie Programmierung durchgeführt wird.
Durch die Interaktion mit der KI können die Nutzer die Funktionen, die sie für ihre Anwendungen benötigen, einfach beschreiben, ohne komplexen Code schreiben zu müssen. Dieser hochgradig automatisierte Entwicklungsprozess verbessert nicht nur die Entwicklungseffizienz, sondern senkt auch die technische Barriere, so dass mehr Menschen an der Softwareentwicklung teilnehmen können.
Hier sind 10 Beispiele für den Wahnsinnund demonstriert damit die Leistungsfähigkeit von Emergent AI:
- Airbnb-Klonen
Interessierte Entwickler können diese revolutionäre Technologie unter dem angegebenen Link ausprobieren und erleben.
Da sich die KI-Technologie weiter entwickelt, wird erwartet, dass Emergent AI von einer breiten Palette von Anwendungen in einer Reihe von Bereichen profitieren wird, von Anwendungen auf Unternehmensebene bis hin zu privaten Projekten.
---
Die Codex CLI wird ständig verbessert, um Entwicklern leistungsfähigere Werkzeuge zur Verfügung zu stellen. Langfristig werden lokale (z. B. Codex CLI) und entfernte (z. B. Codex) Coding Agents allmählich zu einem neuen Modell der kollaborativen Arbeit verschmelzen.
Stellen Sie sich diese Kombination als einen entfernten Kollegen vor, der Sie nicht nur aus der Ferne unterstützt, sondern sich auch Ihren Code in Echtzeit ansieht und Vorschläge unterbreitet. Diese Art der Zusammenarbeit würde die Effizienz der Programmierung und die Teamarbeit erheblich verbessern.
Wir haben die folgenden Verbesserungen an der Codex CLI vorgenommen, die auf dem Feedback der Benutzer basieren:
- Verbinden Sie Ihre API-Organisation schnell, indem Sie sich über ChatGPT anmelden.
- Einführung eines neuen Modells codex-mini, das speziell für Codeabfragen und Editierfunktionen mit geringer Latenz optimiert ist
Diese Verbesserungen werden den Nutzen und die Benutzerfreundlichkeit der Codex-CLI weiter steigern und es Entwicklern ermöglichen, effizienter zu programmieren.
Die Zukunft des Programmierens ist voller unendlicher MöglichkeitenFreuen wir uns auf die Entwicklung dieser Technologie.
---
Kürzlich hat LangChain ein Tutorial über seine neue Integration mit Box veröffentlicht. Mit dem KI-Agenten-Toolkit von LangChain und MCP Server können Unternehmen intelligente Agenten erstellen, die den Abgleich von Rechnungen mit Bestellungen automatisieren und so die Beschaffungsabläufe optimieren.
Diese Lösung kann die Effizienz und Genauigkeit der Verarbeitung erheblich verbessern und manuelle Eingriffe reduzieren, insbesondere bei umfangreichen Beschaffungsvorgängen. Durch die Integration von Technologien zur Verarbeitung natürlicher Sprache ist das System in der Lage, Schlüsselinformationen in Dokumenten, wie z. B. Bestellnummern, Beträge und Daten, automatisch zu erkennen und zu vergleichen, um die Konsistenz und Integrität der Daten sicherzustellen.
Anwendungsszenarien:
- Beschaffungsabteilungen von Großunternehmen
- Plattform für den elektronischen Handel
- Kettenmanagement
Sehen Sie sich das Demovideo an, um mehr über die Implementierung zu erfahren: https://t.co/g9DoOldIjf
