OpenAI：Greptile 用 Astra 当用户去砸应用，知识库接到 Codex 后回滚更少、推理也省

结论

OpenAI 这篇客户故事写的是代码审查公司 Greptile 已经怎么用 AI 把「读完 diff」推进到「真的跑起来当用户去砸」，不是再发一篇模型发布稿。Greptile 做会审查、会测改动的 Agent，并且带着整仓上下文。联合创始人兼 CEO Daksh Gupta 的原话是：他们干的是减少缺陷、让软件更可靠。只读代码不够——按钮在 iPhone 视口里消失这种事，眼睛扫 diff 经常看不到。他们用 GPT-6 Astra 的计算机使用（computer use：模型自己开浏览器、点页面、看屏幕）给 PR 开开发服务器、把窗口缩到 iPhone 大小、模拟用户走一遍。Gupta 的判断：第一次可以把「找个用户来砸你的应用」自动化，大公司才敢跟着模型发版的速度走。另一头，他们把仓库 Knowledge Base（把代码库怎么工作写成人和 Agent 都能读的说明）经 MCP（把外部系统接到模型上的协议）交给 Codex；Gupta 说已有数千客户接上。他们盯的是 AI 写出的代码多久被回滚：给 Agent 上下文之后，回滚更少，客户省时间，也省推理。

要点

• 验收 PR 有四件事，其中几件必须把应用跑起来。 Gupta 把验证拆成：逻辑对不对、是不是开发者想做的那件事、安不安全、会不会砸掉已有功能。前半段读代码往往够；后半段不够。他举的例子很具体：网站在 iPhone 上有个按钮消失了。Astra 给这次 PR 起开发服务器，把浏览器缩成 iPhone 视口，再当用户往下点；模型能看屏幕，才能发现那个被藏起来的按钮。这不是「再写一条更严的 lint」，是补上代码审查本来看不到的那一层。

• QA 公司跟不上现在的发版速度，所以要把「当用户去砸」收进同一条流水线。 Gupta 说：请一家 QA 公司把你每次改动都测一遍，相对模型已经把写代码加速到什么程度，慢得不现实。他们的用法是：审查和测试共用整仓上下文，计算机使用负责「跑起来、看一眼、点一下」。大公司要的是敢发，不是多一份测试报告。

• 模型变强，攻击也会变容易；Daybreak 要让创业公司也用得起更强的防守。 Gupta 写的是：更强的模型让利用应用变得更容易，以前不太像目标的公司也会被盯上。他们想让创业公司也能把系统守住。Daybreak（OpenAI 面向行业客户的合作项目）被他用来补这一层：用起来要安全，而且客户的防守要压过对方的进攻。这篇没有给出攻防前后的数字，只把这件事标成和「测行为」并列的产品活。

• 少回滚靠的是把仓库怎么工作交给写代码的 Agent，不是再催一版模型。 Greptile 的知识库给人和 Agent 读同一套「这仓库怎么工作」。经 MCP 接到 Codex 后，Codex 按客户已有模式写，而不是凭空猜。验收指标是回滚次数：上下文给够，回滚下降，省下的时间和推理拿去做新活，而不是把同一处改两遍。Gupta 说他们自己也是 Codex 的重度用户，几乎每个职能都在用，工程尤其多。

• 下一截瓶颈是「想法变成能跑的软件有多快」，不是模型够不够聪明。 Gupta 觉得很多活的智力已经够用，所以看重 Ultrafast（更快出结果的那一档）当加速杆。更长的目标是：改关键企业软件、发出去，要像发一个 side project 一样容易；OpenAI 帮他们补的是这件事需要的验证，而不是再换一个聊天窗。

怎么做

面向正在给 PR 上 AI 审查、却还只让模型读 diff 的 junior：不必复制 Astra 或 Greptile 这个名字，按同一组顺序挡一遍。

1. 先写清「读代码看不见、跑起来才看得到」的那一类缺陷。 例如某个视口按钮消失、某条用户路径走到一半空白。这是计算机使用要补的活，不是再加一条静态规则。

2. 给一次 PR 起能点的环境，再让 Agent 当用户走预定路径。 开开发服务器、缩到真实视口、看屏幕、点关键按钮。路径写成几步可重复的检查，不要一句「帮我测一下」。

3. 审查、行为测试、安全分成三件活，不要塞进同一个提示。 逻辑和意图可以继续读 diff；会不会砸现有功能要跑起来；防利用是另一条。Greptile 把后两件分别交给计算机使用和 Daybreak。

4. 写代码的 Agent 必须读你们自己的仓库说明。 把「我们怎么分层、接口怎么命名、测试怎么补」写成人和 Agent 都能读的知识库，接到 Codex 或你们正在用的编码 Agent。验收看回滚和返工，不看「它回了很长一段字」。

5. 省下的推理拿去做新活。 Gupta 的算法是：上下文给够 → 回滚少 → 时间和 token 省下来。如果回滚没动，先查知识库是不是过时，不要先换模型。

6. 人仍对「能不能跟模型的速度发版」负责。 Agent 可以当用户去砸、按现有模式写；合并、对客户说「我们测过」，还是人看证据再拍板。

关键图表

flowchart TD
    A["PR 要过: 逻辑 / 意图 / 安全 / 不砸现有功能"] --> B{"只读 diff 看不看得见?"}
    B -->|看得见| C["继续做代码审查"]
    B -->|看不见, 例如 iPhone 上按钮消失| D["Astra 开这次 PR 的开发服务器"]
    D --> E["浏览器缩到真实视口, 当用户点一遍"]
    E --> F["看屏幕找出被藏起来的缺陷"]
    A --> G["知识库: 这仓库怎么工作"]
    G --> H["经 MCP 交给 Codex"]
    H --> I["按已有模式写, 少回滚, 省时间和推理"]
    C --> J["QA 公司跟不上发版速度时仍能测"]
    F --> J
    I --> J

OpenAI 原文的用法：审查之外补一层「跑起来当用户去砸」；知识库接到写代码的 Agent 之后，回滚和推理一起降