OpenAI 详解 Codex 驱动的 Performance Factory 如何自动保持 ChatGPT 高性能
OpenAI 于 2026 年 11 月 19 日发布工程博客,介绍由 Codex 驱动的云端自主系统 Performance Factory。其首个工作流 Regression Workflow 在三个多月里跟踪 1,700 多次调查、根因定位 600 多起,平均每天 17 次自动调查,自动完成从排查、修复到验证恢复的全流程。
2026 年 11 月 19 日,OpenAI 发布工程博客《How OpenAI's Performance Factory keeps ChatGPT fast》,由技术团队成员 Okay Zed 与 Cyrus Forbes 撰写,介绍了由 Codex 驱动的云端自主系统 Performance Factory(性能工厂),用于自动发现、诊断、修复并验证性能回归。其第一个工作流 Regression Workflow 在"三个多月"里跟踪了 1,700 多次调查,对 600 多起问题完成根因定位,平均每天执行 17 次自动调查。

OpenAI 官方配图:Performance Factory 的概念示意图
传统性能工程为何难以为继
OpenAI 在博客中写道:"智能体开发惊人的速度,让传统的性能工程方法难以为继。"在引入 Codex 之前,排查一次变慢需要工程师手动查看指标与日志、对比请求追踪(trace)、在线上机器上调试,并阅读代码来定位原因。这类工作耗时、依赖对服务的深厚了解,而且"相关信号很容易被漏掉"。
OpenAI 称,工程师此前已针对 ChatGPT 首 token 延迟回归等问题,陆续积累了 30 多种性能工具。但随着智能体参与开发的速度加快,靠人把告警、追踪、代码和修复串起来的方式,已经跟不上路线图的节奏。

从手工排查到"智能体工厂"的演进(OpenAI 官方图)
Codex 如何被写进工作流
OpenAI 的做法是把性能团队的排查经验固化下来:工程师定义工作流与指令,由 Codex 智能体执行。其中一项关键资产是名为 perf-forensics 的共享技能(skill),它告诉 Codex 有哪些工具可用、什么时候用,以及如何一步步分析一次变慢——先确定变慢从何时开始、哪些请求受影响,再排查部署或配置变更是否解释得通。
在系统层面,OpenAI 建立了一个内部 API,用于以编程方式在云端启动 Codex 会话。该会话运行在公司网络内的环境中,可访问代码仓库以及工程师日常使用的可观测性工具,包括指标、日志、追踪、CPU 性能分析与内存快照。智能体以服务身份运行,便于限定权限并区分哪些操作来自性能智能体。OpenAI 表示,把智能体工作搬到云端,可以并行执行任务,而不必依赖工程师的笔记本一直开着。

Performance Factory 的编排器架构(OpenAI 官方图)
从告警到恢复的六个环节
Regression Workflow 把一次回归的处理拆成六个环节:系统检测告警、智能体定位根因、智能体提出修复、工程师审核并部署、智能体验证恢复、任务标记为已解决。任务在"待调查、已定位根因、已提出修复、已解决"等状态间流转,进展和结论随任务保存,便于交接,也能在审核或部署后继续。
为避免误判,OpenAI 加入了"对抗性审查":另起一个独立的 Codex 会话,专门试图推翻已提出的诊断,重新检查假设、测试反事实情形,例如核对未暴露的相似请求是否仍然健康、回滚后是否恢复。审查不过关,调查就会被重新打开。OpenAI 给出的数字是:在人工复核的 100 份根因建议中,70% 被判定为准确,另外 30% 仍需进一步完善,或未能完全确立因果关系。
OpenAI 还说,"把修复做对,比找到原因更难"。通过审查后,Codex 会实现修复并提交拉取请求(PR),由工程师决定是否合并;对修复本身也有对抗性审查,以检查是否触及根因、是否引入副作用。部署完成后,订阅机制会唤醒智能体,核对性能是否回到此前的基线:完全恢复则任务了结;部分恢复则结束原回归、另开新任务处理剩余变慢;没有改善则记录情况并退回调查。
一份自动生成的调查报告
博客配图中的一份任务报告(编号 REG-482,涉及 2026 年 10 月 27 日至 28 日)展示了这套流程产出的内容。报告标题是"工作进程启动时间翻倍以上":一次对工作进程注册机制的改动,让每个工作进程加载了父进程原本只加载一次的工作流代码,使中位启动时间从 20.6 秒升至 45 至 50 秒。
报告记录,10 月 27 日上午 9 点 16 分(太平洋时间)首个新构建工作进程启动变慢,25 分钟内中位启动时间达到 45 秒;在配对的追踪中,同一启动阶段旧构建耗时 1.18 秒,新构建耗时 46.34 秒。10 月 28 日回滚后,车队中位启动时间在上午 10 点恢复到 20.6 秒。Codex 起草的修复方案在父进程分叉前预加载相关模块,据报告已通过独立审核和全部九项启动测试。

Regression Workflow 自动生成的调查报告示例(OpenAI 官方图)
自我修复与后续方向
这套系统也在监控自己:每天运行一个智能体,检查近期 Codex 会话的消息与日志,寻找工具失败和访问错误;同一类工具错误阻塞多项调查时,系统会创建修复任务,由智能体提出方案、工程师审核后决定是否合并。
OpenAI 还提到,Codex 的原始输出可能是"一堵难以解析的文字墙",因此工作流会关联相关事件、按团队关心的指标分组并按估计影响排序,还会用过往生产事故回测调查效果。
接下来,OpenAI 计划让 Performance Factory 在没有告警的情况下也能主动发现变慢和优化机会,分析更细粒度的性能数据、CPU 与内存快照、跨版本的请求追踪;同时把已知模式固化成工作流,例如用"服务规格调整"技能识别自动扩缩容配置中保留了过多副本的情况。OpenAI 在博客结尾写道:"Codex 已经在帮我们更快地构建 ChatGPT,现在它也在帮我们保持 ChatGPT 的速度。"目前这套流程的瓶颈可能仍在于等待工程师审核并合并修复。