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：

1. 建立對模型訓練與能力走向的直覺
2. 與一群頂尖聰明的人共事并向他們學習
3. 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