AI 编码 · 代码维护 · 精华速读

五人两周，删掉 80 万行死代码

OpenAI 核心实验团队把代码维护交给 Codex 里的 GPT-6 系列：一句模糊提示就能换来附证据的删除 PR，累计合并 1,400 多个。更便宜的一档模型只要 14% 的成本，就能拿到 92% 的发现——前提是提示词写清护栏与举证标准。

来源 · OpenAI Developers《Maintaining software with the GPT-6 family》 · 阅读约 5 分钟

Fig. 1维护的瓶颈不在改代码，而在举证：模型把「为什么可以删」的证据一起交上来，审查才跟得上生成速度。

30 秒速览

记住这 4 句就够了

规模
五名工程师在两周业余时间里，于多个代码库合并 1,400 多个维护 PR，删除 80 万行以上死代码。
证据
模型自己去翻历史 PR、Slack 讨论、项目跟踪器和生产性能表，为每处删除写出理由。
成本
同一提示词下，GPT-6.1 Sol Ultra 用 14% 的 API 成本拿到 Astra Ultra 92% 的发现数。
边界
有些提案增加的复杂度超过收益，排序与度量仍是流程的一部分，不是交给模型就结束。

01 · 死代码清理

模糊提示能成立，是因为模型自己去补证据

Fig. 2四个来源彼此独立，任何一处「看起来没用」都要被交叉验证后才会变成删除。

过去团队靠与运行时日志集成的静态分析删死代码，误删事故仍会发生：反射会干扰分析，看似无用的分支也可能留着应急。到 GPT-5.6 Sol，作者还得指定范围与验证标准；换到 GPT-6 Astra 后，一句连拼写错误都没改的提示就够用了。

Fig. 3删掉的死代码直接变成可测量的体积：一个服务的镜像减半，另一组清理从测试套件移除了约 400 个视觉快照变体。

02 · 过期实验

代码还在跑，所以要先写护栏再放大范围

过期实验比死代码难：它们的代码可能仍在生产运行，或依赖随时变化的资格评估。团队过去用确定性静态分析加数据库查询，自己也知道产生了大量假阴性。作者于是让 Astra 先起草一版带护栏的提示词，再逐级放大。

Fig. 4每一级都把上一级的人工判断沉淀成提示词约束，范围放大时护栏不会丢。

全库提示词要求模型审计所有 Statsig 项目而不只看标了 stale 的对象，追查枚举、包装函数、别名、动态拼接名与跨服务调用方，并结合埋点估算每个对象的 CPU 成本，最后输出按负责人分组、可并行执行的 markdown 报告。

判断力案例

几年前有工程师写了一行 Python，把「测试用覆盖开关」映射到所有其他功能开关，混在数百行同类映射里毫不起眼。Astra 发现它造成显著的 CPU 扇出，但因为它被标为 “Permanent”，只提交人工复核，没有直接删。复核后开关被移除，主服务预计省下 0.42% 的 CPU。

03 · 成本对比

同一提示词：14% 的钱，92% 的发现

Fig. 5条形长度是每项发现的成本：Astra 是 Sol Ultra 的 6.4 倍，多花的钱只换来 11 项额外发现。

原文给出的三组模型 / 努力程度结果（标准 API 定价，含研究子代理与自动后续轮次）
模型 · 努力程度	API 成本	发现数	每项发现的成本
GPT-6 Astra Ultra	$109.06	142	$0.77
GPT-6.1 Sol Ultra	$15.12	131	$0.12
GPT-6.1 Sol Medium	$5.27	86	$0.06

差异不是随机的：Ultra 档上两者的大部分差距，来自被其他开关依赖的常量开关——Astra 找到了，Sol 漏掉了。把这类错误模式写成提示词补丁，便宜模型就能逼近贵模型；但新模型发布会让补丁过期，需要重测。

04 · 可复用提示词

三个短提示，都可以先从小处试

稳定测试

修 flaky 测试

让 Codex 翻最近的 CI 运行，为每个不稳定测试尝试修复并开 PR；明确要求只找简单问题的明确修法，不做穷举。

改进上下文

回放 AGENTS.md 的一条指令

找出最近一次被错误指令带偏的会话，在同一快照上把同一提示跑两遍：一次保留该指令，一次删掉它，比较质量、工具调用、token 与耗时。

CI 负载

按可省分钟数排序

让 Codex 基于本仓库的 CI 历史，列出减轻负载的想法并按每日可省 CI 分钟排序，再挑前几条跟进。

Fig. 6约 30 个 CI 优化 PR 后，完成时间腰斩；补上一个缺失的 mock 又把 63 个测试的套件压到原来的 5%。

风险与边界

便宜的配置会漏，贵的配置会过量

假阴性

便宜模型漏掉依赖型开关

过度设计

提案的复杂度超过收益

会过期

提示词补丁随模型更新失效

人工兜底

标了 Permanent 就交给人

Fig. 7同一套流程的四种偏差：漏检靠换模型或补提示词，过量靠排序，过期靠重测，真正需要判断的留给人工。

作者提醒：在更大的代码库里，很容易被模型找出的优化数量淹没；而有些提案增加的复杂度超过其收益。优先级排序与度量，仍要靠埋点和提示词技巧共同完成。

金句赏析

两句话，把成本账和边界都说清了

In this comparison, GPT-6.1 Sol Ultra produced 92% as many findings as GPT-6 Astra Ultra at 14% of the API cost.
原文 · Improving cost effectiveness with GPT-6.1 Sol

赏析 · 这句把两个比率压在同一行，读者不用换算就能看出性价比的量级差：少 8 个百分点的产出，省 86% 的钱。它也是全文主张的证据支点——模型升级值得追，但先测成本再决定用哪一档。注意它只说「发现数」，不说「被采纳数」，质量差异要靠后文的漏检分析补上。

However, some proposals added more complexity than their expected benefit justified, so prioritization and measurement remained an important part of our workflow.
原文 · Start small, review, and expand

赏析 · 在报出 1,400 个 PR、80 万行删除之后，作者没有顺势宣布「维护问题已解决」，而是用 however 把复杂度成本摆回桌面。关键在 prioritization and measurement 这组词：它把 Agent 的产出重新定义为待排序的候选，而不是待执行的结论。这句话划定了全文的适用边界——自动化提高的是发现与举证的速度，取舍仍然是人做的。

来源

原文：Maintaining software with the GPT-6 family（OpenAI Developers，2026-10-14）。本篇为约 5 分钟精华版，删去了招聘信息、提示词逐行说明与部分背景；数字、单位与限定条件均按原文保留，未引入外部信息。文内第一节标题为 “Removing unused code”，与篇名不同。