OpenAI
通过将团队隐性经验编码化并在后台进行智能体对抗辩论,未来的软件审查指标将从人类提示AI转向AI反向提示人类仲裁。
AI-assisted summary of Qodo - The Last Human Code Review | DevDay 2026 — original source. Check the original for full context.
Source published:
Key ideas
- Qodo 定位为 Codex 的核心治理与审查伙伴,通过利用“休眠算力”(sleep-time compute)持续绘制全量软件拓扑地图,有效预防局部正确但破坏下游依赖的架构漂移。 (0:13)
- 研发范式正从 Prompt 与 Flow Engineering 跃迁至 Swarm Engineering(群体工程),主张由专精 Agent 蜂群在后台基于事实证据对抗辩论,分歧时才提示人类介入仲裁。 (5:07)
- AI 协作衡量标准发生颠倒:从“人类提示 AI 多少次”转变为“人类被 AI 提问/打扰了多少次”,到 2027 年在 PR 页面逐条阅读 AI 审查评论的工作流将被淘汰。 (7:21)
- Qodo 推出“工作包分类分流”(Work Package Triage)功能,打破以单个 PR 为核心的局限,将跨代码库的 5 至 15 个关联 PR 聚合为端到端任务进行整体审查。 (13:56)
Detailed notes
## Background 本内容由 OpenAI 于 2026 年 10 月 9 日在 YouTube 官方频道发布。视频记录了 OpenAI DevDay 2026 期间的主题对谈,重点探讨 Qodo 如何借助 OpenAI 基础模型构建对抗性代码审查机制、挑战编码 Agent 的假设,以及在模型具备高置信度时为何仍需保留人类判断。
## TL;DR Qodo 首席执行官 Itamar Friedman 与 OpenAI 开发者体验团队的 Danielle 深入剖析了 AI 时代代码审查范式的重构。Qodo 的架构经历了从提示工程、流程工程到群体工程(Swarm Engineering)的演进,核心在于利用“休眠算力”绘制全局软件拓扑图,避免局部代码正确却引发下游故障的隐患。系统通过将团队隐性“部落知识”转化为永久沉淀的智慧库,实现编码 Agent 与对抗性审查 Agent 内部辩论对齐,仅在出现实质分歧时反向提示人类仲裁。此外,Qodo 提出告别以单 PR 为中心的传统模式,转向跨多仓库的端到端“工作包”协同治理,旨在大幅减少人类认知过载并终结重复性的人工代码审查。
## Atmosphere & style 整场对话兼具前沿技术的硬核拆解与老友重逢般的轻松默契,现场互动活跃而充满笑意。Itamar 的分享直率犀利且带着几分不拘小节的幽默,敢于直面多智能体共同犯错等真实系统工程窘境;Danielle 的控场与追问则精准切中一线开发者的痛点。随着尾声揭示两人早期的职场渊源,整场对谈在展望未来软件工厂的理性架构设计之余,流露出见证行业与彼此共同演进的温情闭环感。
## Bulletin - [00:13](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=13s) Qodo 定位为 Codex 的核心治理与审查伙伴,通过利用“休眠算力”(sleep-time compute)持续绘制全量软件拓扑地图,有效预防局部正确但破坏下游依赖的架构漂移。 - [05:07](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=307s) 研发范式正从 Prompt 与 Flow Engineering 跃迁至 Swarm Engineering(群体工程),主张由专精 Agent 蜂群在后台基于事实证据对抗辩论,分歧时才提示人类介入仲裁。 - [07:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=441s) AI 协作衡量标准发生颠倒:从“人类提示 AI 多少次”转变为“人类被 AI 提问/打扰了多少次”,到 2027 年在 PR 页面逐条阅读 AI 审查评论的工作流将被淘汰。 - [13:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=836s) Qodo 推出“工作包分类分流”(Work Package Triage)功能,打破以单个 PR 为核心的局限,将跨代码库的 5 至 15 个关联 PR 聚合为端到端任务进行整体审查。
## Key takeaways - [00:13](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=13s) Qodo 承担工程治理角色,核心职责在于提取团队非正式经验(tribal knowledge)、实时对抗审查代码生成,并绘制全景软件地图以监控架构漂移。 - [02:05](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=125s) “智能”与“智慧”的本质差异在于“经验”:资深工程师的不可替代性来自真实系统的踩坑历练,软件工厂的前提是将这些经验系统化编码并赋予 Agent。 - [03:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=201s) 代码常出现局部正确但引发全局下游雪崩的问题;Qodo 借助休眠算力(sleep-time compute)预先计算全量调用图谱,解决即时分析导致的盲区。 - [05:07](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=307s) 从《AlphaCodium》固化人类思考流水线的流程工程演进至今,群体工程(Swarm Engineering)的核心在于精确定义专精 Agent 的边界、护栏与证据链,而非放任其失控派生。 - [07:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=441s) 审查机制前置化:编码 Agent 与审查 Agent 在后台预先对抗辩论,唯有产生实质分歧时才唤醒人类仲裁,大幅降低开发者的认知过载。 - [08:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=536s) 双 Agent 分歧多源于信息切片不一致,需通过“事实锚定”(grounding)严格绑定代码与契约证据来消解冲突。 - [08:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=536s) 面对系统全部误判导致线上事故(incident)的情况,核心诉求不是幻想“永不犯错”,而是将错误沉淀为智慧库闭环,确保“同一错误不犯第二次”。 - [11:01](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=661s) 通过扫描代码托管平台与聊天工具(Slack/Teams)沉淀的历史沟通记录,Qodo 将即将流失的隐性部落知识转化为永久性的结构化智慧库与跨服务调用拓扑。 - [13:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=836s) 重新定义任务单元:端到端业务交付往往跨越多个仓库、涉及 5 至 15 个 PR,必须从单 PR 审查转向多 PR 聚合的“工作包”(Work Package)统一治理。 - [15:44](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=944s) 智能体落地工程实践:针对不同细分工作负载组建由 2 到 5 个微型 Agent 构成的蜂群,并根据决策复杂度匹配不同成本梯度的模型以兼顾准确率与 ROI。 - [17:34](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=1054s) “终结人类代码审查”不等于完全脱离人类:即使日常合并卡点被 AI 接管,依然必须保留对工程师的专业培训以及必要的人机协同闭环。
## Detailed walkthrough ### [00:13](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=13s) Qodo 定位:Codex 的最佳拍档与软件地图治理
活动由 OpenAI 开发者体验团队的 Danielle 主持开场。在 DevDay 现场轻松热烈的氛围中,她邀请 Qodo 首席执行官 Itamar Friedman 上台,深入探讨 Qodo 的核心定位与服务对象。Itamar 指出,客户常把 Qodo 形容为 "Codex 的最佳拍档"(Codex's best friend)。在软件研发的生命周期中,Qodo 承担着三大核心职责:首先是从工程团队的非正式经验与潜规则(tribal knowledge,部落知识)中萃取上下文并注入 Codex,同时利用这些知识在 Codex 编码过程中提供实时审查,确保从源头上就能生成干净、清晰的 Pull Request(PR);其次,Qodo 扮演着工程治理层的角色,负责绘制全量“软件地图”(software map)并监控其随时间的架构漂移(drift),从而为工程团队提供可控性。
谈及 OpenAI 基础模型与 Codex 如何整合进 Qodo 的审查流程,Itamar 解释称 Qodo 针对三个独特的工作负载搭建了定制化系统架构。Qodo 的架构演进经历了三个明确阶段:从最初的提示工程(prompt engineering)迈向流程工程(flow engineering),最终发展到当前的群体工程(swarm engineering)。尽管行业普遍认为智能体蜂群的协作极其困难,但当集中于明确边界的场景时能释放巨大价值。其中一个至关重要的场景,正是利用所谓的“基于智慧”(wisdom-based)机制来构建软件拓扑地图与工程上下文,用于支撑代码生成与审查。
```mermaid flowchart LR accTitle: Qodo 治理与审查架构流向 accDescr: 展示从团队隐性知识到上下文注入、编码审查与软件地图漂移监控的完整闭环。
subgraph Data["知识沉淀"] TK["工程团队隐性知识<br/>(Tribal Knowledge)"] SM["全局软件地图<br/>(Software Map)"] end
subgraph Core["协作引擎"] QD["Qodo 治理与上下文层"] CX["Codex 编码 Agent"] CR["Qodo 审查 Agent"] end
subgraph Output["交付物与监控"] PR["高质量干净 PR"] DF["架构漂移监控<br/>(Drift Governance)"] end
TK --> QD QD -->|"注入业务上下文"| CX CX <-->|"实时对抗与审查"| CR CR --> PR PR --> SM SM --> DF ```
- **Qodo 的核心职责**:提取团队隐性知识、实时审查 AI 编码过程、绘制架构地图以防软件漂移。 - **技术范式演进路径**:Prompt Engineering(2023) $\to$ Flow Engineering(2024) $\to$ Swarm Engineering(当下)。
---
[02:05](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=125s) “智能”与“智慧”的区别:隐性经验的系统化编码
Danielle 深入追问了“基于智慧”(wisdom-based)的深层含义,以及智能(intelligence)与智慧(wisdom)之间究竟有何本质差异。对于代码审查而言,究竟有哪些组织层面的维度是单凭阅读代码本身无法习得的?Itamar 引用了认知金字塔的递进过程:从底层原始数据(raw data),到信息(information),再到知识(knowledge)和智能(intelligence),而跃迁到“智慧”的关键催化剂在于“经验”(experience)。
Itamar 打了个形象的比方:智能就像是大脑本身,而经验必须依赖一具完整的身体在物理或业务系统中经历历练才能形成。资深软件工程师之所以不可替代,是因为他们拥有通过长年系统踩坑、运维事故和架构演进所沉淀下的真实经验。若要构建端到端的“软件工厂”(software factory),让人类退居幕后专心制定策略与管理智能体蜂群,核心前提就是把这些工程智慧与业务经验沉淀、编码化,并直接赋予编码 Agent 和代码审查 Agent。
---
[03:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=201s) 局部正确性 vs 下游隐患:休眠算力构建全局软件图谱
为了让技术价值更具象,Danielle 提到了代码看似毫无纰漏却潜藏重大隐患的情形。Itamar 直言这种情况屡见不鲜,不仅 AI 容易犯,人类工程师也常掉入这一陷阱:一段代码在局部(locally)审视时完全挑不出毛病,语法规范、语义无误;然而一旦置于全局软件系统当中,就会对下游依赖(downstream surface)产生致命的连锁破坏,而大多数编码 Agent 根本无法预见这种后果。
他分享了一个标杆客户的真实案例:该客户为数百万中小企业提供极其灵活的定制化建站与业务搭建服务,灵活性极高,甚至允许部分功能直接与底层数据库交互。因此,该团队大量的代码变更都会触碰核心数据库。如果只从 PR 的局部变更来看,代码逻辑毫无瑕疵;但由于某处修改破坏了未显式关联的下游服务,极易在生产环境引发全盘宕机事故。Qodo 正是凭借后台的“休眠算力”(sleep-time compute)持续运算、构建并更新完整的全局软件调用图谱(software graph),成功阻截了这类故障。Itamar 形象地对比道:这就好比让人类去理解单一网页,人类能胜过搜索引擎;但若要扫描通读并理清一整个庞大图书馆的交叉引用关系,人类根本无法匹敌机器。
- **局部感知与全局感知的矛盾**:编码 Agent 和人类审查者往往受限于上下文局部窗口,难以洞察跨服务、跨数据库的下游雪崩效应。 - **休眠时间算力(Sleep-time Compute)**:Qodo 在后台持续运行分析任务,在代码尚未进入审查环节前就已经计算好全量软件拓扑图,避免仅依靠即时计算(just-in-time)导致的漏判。
---
[05:07](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=307s) 从 AlphaCodium 流程工程到可信群体工程(Swarm Engineering)
谈及工程范式的跃迁,Itamar 回顾了技术迭代的飞速步伐。在 2023 年,“提示词工程师”(prompt engineer)甚至是一个独立的职业头衔,当时大模型只能完成简单的问答交互以及初级的编程竞赛题目。到了 2024 年,Qodo 团队发表了开创性的论文《AlphaCodium》,提出不能再把代码生成当作单轮或多轮的简单一问一答,而是应该构建“流程工程”(flow engineering)——将人类专业开发人员在头脑中构思架构、编写测试、逐步迭代排错的完整思考流水线用代码固化下来。
然而行至当下,基础模型已经具备自行规划并构建工作流的能力。此时最具工程价值的环节,转向了群体工程(swarm engineering)的高级架构设计:开发者需要精确定义不同专精 Agent 的职责边界、目标定位、可用工具链、安全护栏(guardrails)以及治理策略。Itamar 特别提及在本次 DevDay 上 OpenAI 专家的警告:目前若完全放任主 Agent 随意派生子 Agent 并自行探寻工具,极易导致失控与算力浪费,技术仍处于极早期。对于企业级产品而言,其生命线在于“信任”,所有产出必须基于确凿数据并附带证据链(evidence-backed)。因此,当下最理性的工程路径是为模型划定清晰的大任务框架,而不是完全无约束地自生智能体。
---
[07:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=441s) 软件工厂的目标:Agent 提示人类,而非人类提示 Agent
针对“如何量化代码审查 Agent 真正改善了工程交付”这一核心问题,Itamar 引入了“软件工厂”的成熟度维度。在最原始的初级阶段,代码审查工具往往只是机械地在 GitHub PR 页面上堆砌告警与建议。Itamar 大胆断言:"到 2027 年,在 PR 页面逐条读 AI 评论的做法将显得滑稽可笑",因为那会带来极其沉重的认知过载。
未来的审查机制必须前置,让审查 Agent 在开发者与编码 Agent 编写代码的同时实时介入并给出反馈。理想的工作流是:编码 Agent 与对抗性审查 Agent(code review agent)在后台先行辩论,达成一致;只有在两者出现实质性分歧时,才打扰人类开发者介入仲裁。衡量系统优劣的关键指标因此发生了颠倒:不再是人类给 AI 提供了多少次 Prompt,而是**人类被 AI 提问/打扰了多少次(how many times the developer was prompted)**。人类被唤醒做决定的次数越少、产出的 PR 质量越高,软件工厂的效能就越高。Danielle 对此深有同感,并转述了一位 OpenAI 内部 API 开发者的原话:“我现在不再去提示 Codex 了,是 Codex 在反过来提示我。”
```mermaid flowchart TD accTitle: 对抗审查与人类仲裁流程 accDescr: 展示编码智能体与审查智能体在证据链支撑下辩论,达成共识则直接生成PR,发生分歧则呼叫人类裁决的逻辑。
subgraph DualAgent["双智能体对抗阶段"] CA["Coding Agent<br/>(生成代码)"] RA["Review Agent<br/>(对抗审查)"] end
subgraph ConsensusCheck{"是否达成共识?"} Branch{"两者观点一致?"} end
subgraph Resolution["解决路径"] CleanPR["自动生成高质量 Clean PR"] HumanPrompt["Agent 反向提示人类工程师<br/>(基于事实证据请求裁决)"] end
CA <-->|"基于事实证据 (Grounding) 辩论"| RA CA --> Branch RA --> Branch Branch -- "是" --> CleanPR Branch -- "否" --> HumanPrompt ```
---
[08:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=536s) 分歧裁决与“两者皆错”的兜底保障
探讨深入到异常分支:当编码 Agent 与审查 Agent 发生分歧时,该如何向人类呈现信息?当它们达成共识却双双犯错时,又该如何构建防护网?针对分歧,Itamar 引用了博弈论与决策理论:两个具备理性推理能力的智能体(无论人类或 AI),在拥有完全相同的信息上下文时,理应得出相同的结论。编码 Agent 与审查 Agent 之所以产生冲突,往往是因为彼此掌握的上下文切片不一致。因此解决争端的关键在于“事实锚定”(grounding)——利用生成式对抗/批判网络(critic/generative patterns)的研究机制,将所有的争论点都严格绑定到具体的代码行、接口契约与事实证据上,一旦数据充分对齐,系统内部往往就能自行消解分歧。
随后 Danielle 抛出了更棘手的情况:“如果它们达成了一致,但两者全都错了呢?”面对这一尖锐问题,Itamar 坦诚而幽默地回应道:“这种破事确实会发生(shit happens, pardon my French),而且未来必定还会发生。”当编码 Agent、审查 Agent 乃至一线开发者和人工 Reviewer 全部被蒙蔽,导致缺陷悄悄流入生产环境并引发线上故障(incident)时,终极的系统性诉求绝非妄想“永不犯错”,而是“同样的错误绝不犯第二次”(we don't do a mistake twice)。工程体系必须具备将线上事故、Bug 反馈自动沉淀回业务智慧库的能力,使系统在闭环中持续强化防御。
[11:01](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=661s) 从隐性“部落知识”到永久沉淀的“智慧库”
知识与教训的沉淀是软件工程中最顽固的痛点之一。在 AI 普及之前,团队高度依赖资深工程师口耳相传的“部落知识”(tribal knowledge)。一旦核心员工离职,这些关于系统边界和踩坑经验的记忆便随之蒸发。Qodo 正在构建的不仅是基础知识库,更是一个具备持续学习能力的“智慧库”(wisdom base)。系统会将过往犯过的错误与踩坑细节固化为代码级规范,永久存入开发者的“智慧记忆”中,直到该规范因业务演进而被主动修剪剔除。
主持人在现场幽默地表示要“稍微脱离一下提纲”,嘉宾随即打趣反问:“什么提纲?我们哪有提纲!”主持人提到自己此前在 OpenAI 负责技术入职培训(technical onboarding),后来转岗至开发者体验(DevEx),期间听到最多的痛点就是部落知识流失。针对知识库如何取代部落知识的提问,Qodo 创始人分享了一个大型金融机构的典型案例:该客户拥有数百个代码仓库与庞杂的微服务架构,业务容错率为零。随着经历过系统搭建的老员工离职,没人敢轻易改动跨服务逻辑。Qodo 的智慧库通过向后扫描 GitHub、GitLab、Bitbucket 以及 Slack 和 Microsoft Teams 中沉淀多年的讨论记录,将隐性知识形式化,梳理出服务之间不易被静态代码察觉的调用依赖与数据流拓扑。
```mermaid flowchart TD accTitle: 部落知识转化为智慧库的流程 accDescr: 展示从非结构化历史沟通记录到结构化软件地图与智慧库的转化过程。
subgraph Sources["多源历史数据挖掘"] VCS["代码托管平台讨论<br/>GitHub / GitLab / Bitbucket"] IM["即时通讯沟通记录<br/>Slack / Microsoft Teams"] end
subgraph Mining["语义解析与依赖映射"] Analyze["扫描历史错误与决策脉络"] DataFlow["解析隐式数据流与跨服务连接"] end
subgraph WisdomEngine["Qodo 智慧库 (Wisdom Base)"] Map["生成全景软件地图 (Software Map)"] Rules["固化代码规范与避坑规则"] Prune["动态修剪过时知识"] end
Sources --> Analyze Analyze --> DataFlow DataFlow --> Map Map --> Rules Rules --> Prune ```
- **金融级容错要求**:金融客户希望推进“软件工厂”式的高效流水线,但受监管与业务性质约束,“绝不能再次搞砸”("cannot fuck up again, sorry for my French")。 - **隐式跨服务依赖**:微服务间的调用常经由消息流或流式数据中转,仅凭静态代码难以直接追踪影响面,需要结合历史讨论与实时数据流建立全景软件地图。
---
[13:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=836s) 告别 PR 局限:以完整“工作包”重构研发任务
针对“今天的模型将是未来最笨的模型”这一行业共识,开发者需要重新定义何为软件工程中的“任务”(Task)。长期以来,开发者受限于工具与版本控制机制,习惯将一个拉取请求(Pull Request,PR)视作一个标准处理单元。然而,当 AI 智能体具备自主执行长流程任务的能力时,用户真正关心的并非单个 PR 的合并,而是能否端到端交付一项完整的新功能或新业务能力。
这项新能力往往跨越多个仓库,涉及 5 到 15 个相互关联的 PR。传统的 GitHub PR 页面根本无法支持这种全局视角下的上下文沟通与代码审查。为了打破这种割裂,Qodo 即将发布名为“工作包分类分流”(Work Package Triage)的功能,帮助工程团队将分散的关联 PR 聚合为一个完整的“任务整体”,进行统一的上下文理解与代码审查。
```mermaid flowchart LR accTitle: 从单个 PR 到端到端工作包任务的演进 accDescr: 对比传统单 PR 处理模式与未来工作包协同模式的差异。
subgraph Legacy["传统模式:以单个 PR 为中心"] PR1["PR #1 (单一服务)"] PR2["PR #2 (配置变更)"] PR3["PR #3 (前端适配)"] end
subgraph Future["Qodo 演进:工作包分类分流 (Work Package Triage)"] WP["全局功能任务 (Work Package)"] Swarm["多 PR 关联上下文理解"] UnifiedReview["端到端整体代码审查"] end
Legacy -.->|"重塑任务边界"| WP WP --> Swarm Swarm --> UnifiedReview ```
---
[15:44](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=944s) 智能体蜂群架构与决策 API 的工程实践
面向在现场使用 OpenAI 技术构建应用的开发者,Qodo 创始人给出了极具操作性的架构设计建议,并特别强调了对决策 API(Decision API)前景的看好。他在创立 Qodo 之前曾在向量嵌入模型公司任职,深谙高效决策模型对于复杂推理链路的重要性。面对复杂的开发负载,开发者不应试图用单一巨型模型解决所有问题,而应构建分工明确的智能体蜂群(Swarm)。
高效落地的关键在于三步走:首先重新拆解任务的工作负载(Workloads);其次为每个负载定制专属的智能体群(例如 2 到 5 个专注于特定子任务的 Agent);最后依据每个智能体在“棋盘”上的角色精细匹配不同成本与能力梯度的底层模型。由于审查与交付任务极其频繁,只有兼顾高准确率与极致的成本效益(Cost efficiency),AI 代码审查方案才具备规模化落地的可行性。
- **任务拆解原则**:将宏观目标细分为具体的细分工作负载,避免单个 Agent 上下文过载。 - **智能体蜂群配置**:针对特定工作负载组建由 2 至 5 个微型智能体构成的 Swarm 协同作战。 - **成本与模型分级**:依据决策复杂度分配顶尖推理模型或轻量高速模型,确保高频调用的 ROI。
---
[17:34](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=1054s) 闭环时刻与“终结最后一次人类代码审查”
访谈尾声流露出深厚的个人渊源。主持人动情地分享道,自己在加入 OpenAI 之前曾在 Intuit 负责技术培训,而 Qodo 正是她当年最早进行技术培训的产品之一。如今能够以 OpenAI 员工的身份在 DevDay 舞台上共同探讨代码审查的未来,有一种见证双方成长与行业演进的“圆满闭环时刻”(full circle moment)。
嘉宾最后向全场开发者送上祝福,幽默地鼓励大家“祝大家顺利消灭自己的最后一次人类代码审查”("Good luck on killing your last human code review"),但同时也认真提醒团队:即便 AI 审查接管了日常合并卡点,依然必须保留对开发人员的持续工程培训以及必要的人机协同闭环(Human in the loop)。
## Notable quotes > [00:13](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=13s) Codex 的最佳拍档 — Itamar Friedman
> [07:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=441s) 到 2027 年,在 PR 页面逐条读 AI 评论的做法将显得滑稽可笑 — Itamar Friedman
> [07:21](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=441s) 我现在不再去提示 Codex 了,是 Codex 在反过来提示我。 — Danielle
> [08:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=536s) 这种破事确实会发生(shit happens, pardon my French),而且未来必定还会发生。 — Itamar Friedman
> [08:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=536s) 同样的错误绝不犯第二次(we don't do a mistake twice) — Itamar Friedman
> [11:01](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=661s) 绝不能再次搞砸(cannot fuck up again, sorry for my French) — Itamar Friedman
> [13:56](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=836s) 今天的模型将是未来最笨的模型 — Itamar Friedman
> [17:34](https://www.youtube.com/watch?v=bQ3-pXCpCTg&t=1054s) 祝大家顺利消灭自己的最后一次人类代码审查(Good luck on killing your last human code review) — Itamar Friedman
## Mentioned Qodo, OpenAI, Danielle, Itamar Friedman, Codex, AlphaCodium, GitHub, GitLab, Bitbucket, Slack, Microsoft Teams, Intuit, DevDay 2026
## Video description See how Qodo uses OpenAI to review AI-generated code. Explore an adversarial reviewer that challenges coding agents’ assumptions and output, and learn when model confidence still needs human judgment.
[Source](https://www.youtube.com/watch?v=bQ3-pXCpCTg)