编辑 | 伊风
出品 | 51CTO技术栈（微信号：blog51cto）
OpenAI 前员工的万字离职帖，在海外技术社区刷屏了！
作者 Calvin French-Owen 把「从初创企业CTO到OpenAI 工程师」的 14 个月，写成了一篇既热血又克制的“内部纪录片”：
• 7 周极限冲刺，上线 Codex，上线当天凌晨 4 点还在部署；
• 一年扩张几千人，代码库秒变“巨型垃圾场”；
• 第一天打开开关，流量就涌进来，“从没见过这么离谱的冷启动”
为什么刷屏？就像作者说得那样：外界关于 OpenAI 的传闻太多，真正从“里面”走出来讲真点一手体验的人太少。
更有意思的是作者Calvin的身份。作为 Segment 的联创兼 CTO（Segment 是家做客户数据平台的公司，2020 年被 Twilio 32 亿美元收购），他早已习惯“自己说了算”的创业节奏。因此加入 OpenAI 前，他一度忐忑：
“担心失去自由、担心有老板、担心变成大机器里的一颗螺丝。我低调入职，随时准备跑路。”
离开时，他却写：
“回望这一年，这大概是我做过最正确的决定之一——想不出还有哪儿能让我学得更多。”
他总结道，自己从这段经历里学到最珍贵的三样东西：
- 建立对模型训练与能力走向的直觉
- 与一群顶尖聪明的人共事并向他们学习
- 亲手发布一款好产品
他甚至建议公司创始人都可以在大厂深造下：
“如果你是一位创始人，觉得自家 startup 毫无起色，要么 1）重新思考如何增加射门次数，要么 2）直接加入三大实验室之一。现在既是创业的黄金期，也是窥见未来的黄金期。
在我看来，AGI 竞速目前是三驾马车：OpenAI、Anthropic、Google。三家基因不同（消费者 vs 企业 vs 基础设施+数据），路线也必然不同。去任何一家，都会大开眼界。”
网友调侃说，扎克伯格看到三驾马车的评论会哭晕在厕所里。
评论区另一个热评则真诚地评论道，
“很少看到前员工把自己的工作经历说得这么正面。大多数人只是解释为什么自己跟组织不合适，然后把锅全甩给组织。
换个角度看：原文说的“极度自下而上”的另一面，就是有人会因为没有路线图、没有明确划分给他们负责的东西而感到迷茫；同理，“行动导向”和“说变就变”的另一面，就是一切混乱，高管层面缺乏一贯愿景。”
也许，没有哪家公司是完美的；正因如此，看一位连续创业者如何切换身份，在 AGI 竞速最前线学习、适应、再出发，才格外有价值。
那么，OpenAI 内部到底长什么样？我们沿着 Calvin 的万字长文，拆给你看。
01、OpenAI 内部文化速写：自驱、迭代与速度感
在 OpenAI 工作，首先感受到的是它惊人的扩张速度。一年时间，公司人数从 1000 涨到 3000，流程和组织架构频频“踩雷”，但也因此形成了一种极度自驱的文化：想到就做，撞车也不稀奇。多个 Codex 原型曾在内部并行推进，ChatGPT Connectors 也经历了类似的演化过程。
OpenAI 几乎只用 Slack，邮件稀少。高效沟通的关键是频道管理，否则容易被信息吞没。研究侧极为“自下而上”，好点子可以来自任何人，“计划”往往在事后补上。正因如此，这里特别重视实际落地能力，而非演讲水平或政治手腕。
公司文化“唯才是举”，研究员被视为“迷你 CEO”，靠“被问题勾住”驱动前行。最好的研究经理和工程经理，能把看似杂乱的探索组织成一次成功的大模型训练。
令人惊讶的是，这样一家 3000 人公司，依旧能“说转就转”——方向变了，大家立刻 all-in。行动力惊人，氛围高度依赖 Twitter，内部甚至会因外部爆款推文而调整节奏。
保密机制极其严格，Slack 拆分多个 workspace，敏感信息分级管理。与外界形象不同，OpenAI 内部比想象中更严肃：它同时承担着“做出 AGI”“服务数亿用户”与“参与全球技术竞赛”的多重压力。
OpenAI 可能是我见过野心最吓人的组织。你以为手握全球顶级消费者应用就够了？它还想在 API、深度研究、硬件、编程代理、图像生成，以及若干尚未公布的赛道全面竞争。这是一片能把点子直接跑到落地的沃土。
公司对 Twitter 的关注极高。如果你发的 OpenAI 相关推文爆了，大概率有人内部看到并讨论。朋友笑称：“这家公司靠 Twitter vibe 运行。”作为消费者公司，也许并不夸张。数据指标当然有，但“氛围”同样重要。
02、代码风格千奇百怪，公司喜欢“自己造轮子”
OpenAI 使用一个巨型单仓库，语言主要是 Python（不过 Rust 服务正快速增加，还有少量 Golang 服务负责网络代理）。这导致代码风格千奇百怪：既有 10 年 Google 老兵写的可扩展库，也有刚出炉的博士随手扔的 Jupyter Notebook。几乎所有接口都用 FastAPI 搭，校验靠 Pydantic；但全公司层面没有强制统一的代码风格指南。
基础设施全跑在 Azure 上。有趣的是，我只敢把下面三样服务称为“靠谱”：Azure Kubernetes Service、CosmosDB（文档库）和 BlobStore。这里没有 Dynamo、Spanner、Bigtable、BigQuery、Kinesis 或 Aurora 的“真等价物”。大家也不太习惯用自动伸缩单元；IAM 功能比 AWS 简陋得多；于是公司倾向于“自己造轮子”。
在工程人员构成上，Meta → OpenAI 是一条非常明显的输送管道。很多方面，OpenAI 都像早期 Meta：现象级消费者应用 + 稚嫩基础设施 + 极致速度。我从 Meta/Instagram 挖过来的那批基础设施人才，质量普遍极高。
把这些因素放到一起，你会发现公司很多核心基础设施都带着“Meta 味”：有人重写了 TAO；有人在边缘统一身份认证；肯定还有更多我不知道的项目。
“对话”这一概念深入骨髓。自从 ChatGPT 爆火，代码库大量围绕“消息-会话”原语设计。它们已经固若金汤，如果你忽视它们，多半会吃苦头。Codex 稍微偏离了一点（更多借鉴 responses API），但仍复用了很多前人成果。
代码即真理。与其等一个中央架构委员会拍板，不如谁动手谁说了算。结果是行动飞起，也导致大量重复轮子——光排队管理、agent loop 这类库我就见过不下六七个。
工程团队极速膨胀，却缺少配套工具，于是踩了不少坑：sa-server（单体后端）成了垃圾场；主干 CI 三天两头挂；跑 GPU 测试就算并行+裁剪依赖，也要 30 分钟。这些问题并非无解，但在超高速扩张期只会变本加厉。好在内部团队已投入大量精力收拾残局。
03、Codex 已生成 63 万 PR，职业生涯最高光
我在 OpenAI 的最后三个月，几乎全扑在 Codex 的发布上。这绝对是我职业生涯的高光之一。
背景是：2024 年 11 月，OpenAI 把“2025 年发布一个编程 agent”写进了 OKR。2 月份，内部已有几个工具把模型用得风生水起，我们感到必须尽快推出面向开发者的 agent——毕竟市面上的 vibe-coding 工具已经大爆炸。
我提前结束产假冲回来参战。回来后一周，两支团队“略显混乱”地合并，随即进入 7 周极限冲刺：从第一行代码到正式发布，总共 7 周。
这是我近十年最苦的一段日子：大多数夜晚干到 11、12 点；凌晨 5:30 被新生儿叫醒；7 点又出现在办公室；周末基本不保。全队都拼，因为每周都至关重要——让我梦回 YC。
这种速度在大公司几乎不可想象：从 idea 到面向全球、完全免费的产品，只用 7 周。而且功能一点不含糊：我们搭了容器运行时、优化仓库下载、为代码编辑微调专用模型、搞定各种 git 操作、造了全新的交互界面、开放网络访问，最终交出体验相当丝滑的产品。
必须说，OpenAI 依旧保有“发布基因”。
好消息是：对的人真能创造奇迹。团队核心配置大概 8 位资深工程师、4 位研究员、2 位设计师、2 位 GTM 和 1 位 PM。没有他们，我们早挂了。大家几乎不用被管理，但需要大量协同。如果你有机会和 Codex 团队任何一个人共事，冲就对了。
发布前夜，五个人熬到 4 点部署主单体（一次要几小时），接着 8 点回公司参加直播发布会。开关一拨，看着流量瞬间涌入。我从没见过一个产品只因在左侧导航栏露个脸就能起量——这就是 ChatGPT 的威力。
产品形态上，我们坚持纯异步：不像当时 Cursor 或 Claude Code 那种同步交互，我们希望用户把 agent 当同事——发任务给它，它自己在环境里跑，最后带着 PR 回来。
这是一场豪赌：模型现在“够用”但远非完美；能连跑几分钟，却跑不了几小时；用户信任度天差地别；我们甚至不清楚模型真实能力边界。
长远看，我相信大多数编程最终会像 Codex 这样。短期就看各家产品如何演进。
Codex（毫不意外）极擅长在超大代码库中穿梭。我看到的最大差异化是：可同时起多个任务，再比较结果。
最近公开数据说，Codex 已生成 63 万 PR，相当于发布后 53 天里，每位工程师 7.8 万公开 PR（私有 PR 自己估）。我怀疑这辈子再也碰不到影响力更大的项目了。
04、其他收获：学会了在巨型 Python 代码库里生存
我第一次真切体会到“超大消费者品牌”长什么样。做 Codex 时，一切指标都换算成“pro subs”。哪怕面向开发者的产品，我们也先考虑个人使用场景而非团队，这把我这个 B2B 背景的人整不会了：开关一拨，流量当天就到。
我粗浅地见识了大模型是怎么训练的：从“实验”到“工程”是一条光谱。想法先小规模实验，结果好就塞进更大的训练跑。实验阶段既要调算法，也要调数据配比，并精细观察结果。真正上规模时，它看起来就像巨型分布式系统，各种诡异边界 case 等你 debug。
我学会了做 GPU 算数。Codex 上线前，我们得预测负载容量。那是我第一次真刀真枪地压测 GPU。经验是：先把延迟需求（整体延迟、token 总数、首 token 时间）定死，再反推 GPU 需求；千万别自下而上算 GPU 理论值。每次模型迭代都可能把负载模式打翻。
我也学会了在巨型 Python 代码库里生存。Segment 是微服务，主力是 Golang + TypeScript，代码量远没这么大。为了支撑上千开发者并行提交，你得加更多护栏：默认能跑、主干干净、难以误用。
05、写在最后
这篇回顾写得真诚动人，却也难掩几分“精心修饰”的味道：聚焦高光时刻、冲刺节奏与团队默契，却几乎避开了战略失误与体制性障碍。
有人在评论区这样说：
“我绝不会在公开场合批评前雇主，这只会伤害自己的职业前景（说好话反而加分）。据说 Altman 报复心强，这对 OpenAI 更是加倍适用。况且他们天天刷社交媒体！”
相比叙事中的热血与赞美，他提到的技术细节反而更值得玩味：代码风格无序、基础设施拼贴、内部工具五花八门——一家顶级 AI 实验室，在极速扩张中也无法幸免于“用脚投票”的架构演化。
如果你是一名 CTO，愿不愿意加入一家飞速扩张的明星公司，去做一颗“有火花的螺丝钉”？
你会有这样的勇气吗？
