10 周造出生產級 Git 後端：OpenAI 如何讓 Codex Agent 團隊完成 Pando 的 5 個工程關鍵

作者注：OpenAI 於 2026 年 11 月 2 日披露了內部 Git 後端 Pando。本文圍繞“10 周進入生產”這一事實，拆解人機分工、測試體系和遷移過程，並整理普通團隊可以借鑑的 Agent 工程方法。

2026 年 11 月 2 日，OpenAI 發佈技術文章《Scaling Git at OpenAI》，公開了支撐其單體代碼庫全部開發活動的新 Git 後端 Pando：從啓動到承載生產流量約 10 周，核心架構由一名工程師設計，實現由多個 Agent 團隊承擔，部署由少量工程師完成。這組事實很容易被講成“一個人指揮 AI 造出基礎設施”的故事，但官方披露的細節說明，真正起作用的是一整套工程約束與驗證體系。

這不是一篇 AI 編程神話的轉述。本文依據 OpenAI 官方披露，區分已經公開的事實與尚未公開的信息，例如人員規模、Token 成本、任務記錄和代碼人工修改比例都沒有公佈。

核心價值：讀完本文，你將瞭解 Pando 爲什麼要建、Codex Agent 團隊具體承擔了什麼、哪些驗證手段讓 Agent 能參與基礎設施開發，以及這套方法在你自己的項目中應該如何落地。

Pando 核心信息速覽：Codex Agent 團隊交付了什麼

先用一張表把官方已經確認的信息彙總清楚。需要注意的是，Pando 是 Git 兼容的服務端後端，既不是新的版本控制協議，也不是 GitHub 的直接替代品。

爲什麼 OpenAI 需要用 Codex Agent 重建 Git 後端

Pando 的起點是代碼提交規模的爆發。官方圖表以 2024 年第一季度合併到主分支的 Commit 數量爲基準，統計後續季度的增長率，下表摘取部分節點。

這裏有一個必須守住的邊界：Commit 數量不等於代碼行數、PR 數量或開發生產率。不能據此說“代碼量漲了 25 倍”或“Codex 讓工程師效率提高 25 倍”。OpenAI 自己的解釋是，Codex 讓工程師可以同時推進更多任務，進而帶來更多並行分支、Push、合併、CI 作業以及 Fetch 和 Clone 請求。

到 2025 年第四季度前後，舊系統出現了 Push 和 Fetch 變慢、合併失敗等問題，可靠性有時低於 90%。官方沒有公開該可靠性指標的統計口徑和時間序列，所以也不能把它理解爲“超過 10% 的提交都失敗了”。

Pando 技術架構的 4 個關鍵設計

Pando 沒有拋棄 Git，重新設計的是後端的存儲、引用更新和數據交付方式。理解這些設計，有助於看清“人類做了哪些不可替代的取捨”。

• 分支獨立更新：放棄爲整個倉庫維護單一時間點的一致快照，每個分支獨立維護版本，只有修改同一 Ref 的請求才需要協調，採用因果一致性模型。代價是一次多分支讀取中，不同分支可能來自不同時間點。
• 保存並複用 Packfile：每次 Push 收到的 Packfile 作爲不可變數據寫入 Blob Store，Fetch 時根據客戶端的 have/want 選取現成 Packfile，藉助 Git 的 packfile-uri 機制下發下載地址，避免爲每個客戶端重複打包壓縮。
• 區域緩存 Express：在多個區域部署集羣和本地緩存，用一致性哈希分配請求，Packfile 緩存命中率超過 99%。這是 Git 數據緩存，與大模型 API 的 Prompt Caching 不是一回事。
• 後臺分層 Compaction：類似 LSM Tree，將小 Packfile 逐層合併爲覆蓋連續版本區間的大集合，當前單體倉庫使用到 L4 級別。

官方同時對比了三類架構，並做了一個 1,000 個客戶端、合計 10,000 次 Push 的模擬。這是 OpenAI 構建的合成教學模擬，不是第三方獨立基準測試。

官方公開的生產數據還包括：單小時 Packfile 交付峯值超過 57 TB，其中超過 99% 字節來自本地磁盤緩存；標準雲虛擬機上 Clone 和 Fetch 可跑滿 10 Gbps 鏈路；Push 的元數據讀寫爲 O（1），Fetch 規劃的元數據讀取爲 O（log Δ）。這些複雜度描述的是元數據操作，不是端到端網絡耗時。

Codex Agent 團隊如何分工完成 Pando

“一名工程師設計核心”不等於項目只有一個人，“Agent 團隊實現”也不等於每一行代碼都由 AI 編寫。根據官方披露的工作範圍，可以把分工整理如下，但 OpenAI 並未公開每個 Agent 的具體任務清單。

這張表反映的核心是：人類制定架構、約束和驗收目標，Agent 承擔大量實現與迭代，工程師對生產遷移和系統可靠性負責。官方沒有提供人工開發的對照組，所以無法計算 Codex 把這個項目加速了多少倍。

Pando 測試體系：Codex Agent 爲什麼能參與基礎設施開發

Pando 是基礎設施軟件，一旦出錯，影響的是分支是否指向正確提交、Push 是否丟失對象、Fetch 是否拿到完整歷史。普通網頁寫錯了可以刷新，Git 後端寫錯了可能讓整個公司的開發停擺。所以 OpenAI 給 Agent 配備的不是更長的提示詞，而是可執行的驗證系統。

Git 兼容性測試：判斷的是行爲而非編譯

OpenAI 建立了 Git Conformance Test Suite，讓 Agent 修改服務端實現後，可以自行檢查行爲是否符合標準 Git 預期。驗證對象涉及 Ref 更新、Push、Fetch、Packfile 傳輸和協議兼容。關鍵在於標準是“與 Git 行爲一致”，而不僅是“代碼能編譯、單測能過”。官方沒有公開測試用例數量。

確定性併發模擬：讓競態可重複

分佈式系統最難的錯誤往往出在多個操作交錯發生時。OpenAI 使用 Deterministic Simulation Harnesses，以可重複的方式模擬系統狀態和併發事件，幫助發現競態條件、Git 協商問題、Packfile 規劃錯誤和迴歸問題。舉例來說，兩個 Agent 同時修改同一分支時，不能讓兩個衝突更新都被判定爲成功；更新分支指針前，新提交對象必須已經可讀。這些是對測試目標的解釋，不是官方逐項公開的用例。

Lean 與 TLA+ 形式化驗證：注意時間線

官方披露使用 GPT-6 Astra 協助 Agent 編寫 Lean 和 TLA+ 形式化描述，形成所謂的“Theory of Pando”，用於檢查不變量、發現和修復錯誤，並證明特定性質。這裏有兩個限制：其一，被驗證的是指定性質，不代表整個系統的所有代碼路徑都完成了數學證明；其二，官方表述是新模型陸續出現後持續被用於提升性能和可靠性，因此不能把這些實踐全部歸入最初 10 周。

長時間 Agent 會話與對抗性安全測試

OpenAI 還提到，多個連續 Agent 會話運行了數百小時尋找並修復邊緣問題，具備 Daybreak 能力的模型持續對 Git 和 Pando 做對抗性測試。官方沒有公開 Agent 數量、單會話時長、Token 消耗、修復 Bug 數量和人工監督頻率，所以不能推導出“Agent 無人值守連續寫代碼幾百小時”。值得關注的是思路轉變：Agent 被用於持續驗證，而不只是首次生成代碼。

OpenAI 公開的 Git Fork 也能側面印證這種持續改進。例如 2026 年 8 月的 index-pack 並行哈希、10 月的限流重試和已完成 Pack 複用等補丁，但這些提交都晚於 2026 年 4 月首次投產，同樣不能算作 10 周內的交付物。

Pando 漸進式遷移：Codex Agent 寫完代碼不等於生產可用

10 周是從啓動到投入生產，不是完整成熟化的全部耗時。Pando 的上線方式是一次典型的“不停機漸進遷移”，官方披露的過程大致如下：

1. 將 Pando 放在舊系統前面，作爲讀寫穿透代理，新舊後端保持同步。
2. 在真實請求中合併相同請求、緩存 Git 數據，部分流量遷入後反而緩解了舊系統負擔。
3. 通過內部 Git CLI 包裝器分批遷移開發客戶端。
4. 遷移數百個依賴舊 API、Webhook 和倉庫下載方式的集成，以及 Review、Change Request 工作流。
5. 提供用於遷移的 Codex Skills，開發者可以直接讓 Codex 協助準備本地倉庫和遷移環境。
6. 將改進版 Git 客戶端部署到工程師設備和 ChatGPT 桌面應用中。

官方稱整個遷移沒有中斷工程開發，但沒有公開回滾率、故障分佈和失敗案例。對技術負責人來說，這一段比“10 周”更值得研究：兼容舊工作流、遷移集成、分批切流，這些工作的複雜度往往不亞於寫出新系統本身。

Pando 影響分析：對 Agent 開發者和技術團隊意味着什麼

對 Agent 開發者的影響

• 驗證能力決定 Agent 上限：Pando 能讓 Agent 參與核心實現，前提是存在兼容性測試、確定性模擬和形式化描述，Agent 能拿到可靠反饋。
• Agent 的角色在擴展：從寫代碼延伸到持續找邊緣問題、對抗測試和協助用戶遷移。

對技術負責人的影響

• AI Coding 會放大下游負載：提交量增長會傳導到 CI、代碼審查和代碼託管。OpenAI 在 2026 年 7 月另文披露，內部每週 PR 數量較此前第四季度增長超過一倍，代碼審查成爲新瓶頸之一。
• 不必盲目自建 Pando：大型 Monorepo 的規模問題並非 AI 時代纔有，絕大多數團隊並不需要重建 Git 後端。

與 Harness Engineering 案例的對照

2026 年 2 月，OpenAI 披露了另一個獨立項目：從空倉庫開始，產品代碼由 Codex 編寫，約五個月產生百萬行量級代碼、約 1,500 個 PR，初期由三名工程師驅動。它和 Pando 不是同一團隊和流程，數據不能混寫，但兩者指向同一趨勢：工程師越來越多承擔系統設計、測試環境和 Agent 工作流設計。該項目的經驗包括拆分小任務、爲每個分支提供獨立運行環境、向 Agent 開放日誌和指標、用 AGENTS.md 提供指引而不是把整個知識庫塞進提示詞。

Hacker News 上也有不同聲音：質疑者認爲 Commit 增長不等於質量提升，支持者認爲寫代碼成本下降讓更多小項目變得可行。這些是社區觀點，不是統計結論。

如何借鑑 Codex Agent 團隊的方法：測試驅動反饋環

Pando 最可遷移的不是規模，而是“讓 Agent 拿到可執行反饋”的結構。下面是一個最小化的測試驅動循環，模型生成補丁，測試結果迴流給模型繼續修改。

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

resp = client.chat.completions.create(
    model="YOUR_CODING_MODEL",  # 替換爲你要測試的編程模型
    messages=[{"role": "user", "content": "根據以下失敗測試修複函數：..."}]
)
print(resp.choices[0].message.content)

import subprocess
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

SYSTEM = (
    "你是嚴格遵守約束的工程 Agent。"
    "只修改指定文件，不得改動測試；輸出完整的新文件內容。"
)

def run_tests() -> tuple[bool, str]:
    """運行可執行驗證，相當於 Pando 中的兼容性測試"""
    r = subprocess.run(["pytest", "-q", "tests/"], capture_output=True, text=True)
    return r.returncode == 0, r.stdout[-3000:] + r.stderr[-1000:]

def agent_loop(target: str, spec: str, max_rounds: int = 5) -> bool:
    for i in range(max_rounds):
        ok, log = run_tests()
        if ok:
            print(f"第 {i} 輪：測試全部通過，等待人工審覈")
            return True
        source = open(target, encoding="utf-8").read()
        resp = client.chat.completions.create(
            model="YOUR_CODING_MODEL",
            messages=[
                {"role": "system", "content": SYSTEM},
                {"role": "user", "content":
                    f"需求與約束：\n{spec}\n\n當前代碼：\n{source}\n\n測試輸出：\n{log}"}
            ],
        )
        with open(target, "w", encoding="utf-8") as f:
            f.write(resp.choices[0].message.content)
    print("達到輪次上限，轉交人類工程師處理")
    return False

agent_loop("src/ref_store.py", "同一分支的併發更新必須只有一個成功")

🚀 快速開始：搭建這類反饋環時，可以先通過 API易 apiyi.com 獲取免費測試額度，用同一個 API Key 切換不同編程模型，對比它們在你的測試集上的修復成功率。

把 Pando 的做法抽象成普通團隊可執行的框架，可以參考下表。這是基於官方披露整理的建議，並非 OpenAI 公開的 Pando 專用工作流。

常見問題 FAQ

Pando 與 Codex Agent 核心要點 Key Takeaways

• Pando 是什麼：OpenAI 內部 Git 兼容後端，約 10 周進入生產，未對外開放
• 爲什麼要建：Codex 推高併發提交，舊系統出現變慢、合併失敗等問題
• 人機分工：人類定架構與約束，Agent 做實現迭代，工程師負責部署
• 成功關鍵：兼容性測試、確定性模擬、形式化驗證提供可靠反饋
• 時間線邊界：後續新模型和驗證方法不能全部歸入最初 10 周
• 上線方式：讀寫穿透代理加分批切流，遷移不中斷日常開發
• 上手方式：先建測試，再通過 API易 apiyi.com 多模型驗證反饋環

總結

Pando 案例的核心要點：

1. 規模倒逼基礎設施：AI Coding 帶來的提交增長會傳導到 Git、CI 和代碼審查，Pando 是這一壓力下的工程回應。
2. Agent 的產出依賴驗證：Codex Agent 團隊之所以能參與基礎設施實現，是因爲有可執行的兼容性測試、併發模擬和形式化描述。
3. 人類決策仍然關鍵：架構取捨、一致性邊界和生產遷移都由人類工程師負責。

對大多數團隊來說，可遷移的不是“10 周”這個數字，而是清晰約束、可執行測試、任務分工、持續反饋和人類關鍵決策這五個環節。不必追求全自動開發，先讓 Agent 在一個有完整測試的小模塊裏跑通反饋環，再逐步擴大範圍。

推薦通過 API易 apiyi.com 快速驗證效果，平臺提供 OpenAI 兼容接口和新用戶免費額度，方便在同一套反饋環中對比不同編程模型。

📚 參考資料

1. OpenAI 官方技術文章 Scaling Git at OpenAI：Pando 架構、遷移與性能數據的主要來源
2. 鏈接： openai.com/index/scaling-git-at-openai

3. 說明： 2026-11-02 發佈，本文事實的核心依據

4. OpenAI Harness Engineering：另一個 Codex 主導開發的內部項目

5. 鏈接： openai.com/index/harness-engineering

6. 說明： 用於理解 Agent 工程方法論，與 Pando 數據不可混用

7. Custom Code Review Rules for Codex：AI Coding 帶來的代碼審查瓶頸

8. 鏈接： developers.openai.com/blog/custom-code-review-rules-for-codex

9. 說明： 披露內部每週 PR 數量增長與 AGENTS.md 審查規則

10. OpenAI 公開 Git Fork：客戶端改進代碼倉庫

11. 鏈接： github.com/openai/git

12. 說明： 包含 packfile-uri 等改進，不是 Pando 服務端源碼

13. OpenAI Git 補丁追蹤：上游貢獻記錄

14. 鏈接： oai-git.openai.chatgpt.site
15. 說明： 可覈實投產後的持續工程改進

作者：APIYI 技術團隊
技術交流：歡迎在 API易 網站首頁聯繫我們，更多 Agent 開發資料可訪問 docs.apiyi.com 文檔中心

延伸閱讀

• OpenAI 報錯 model not found？GPT-5.5 已於 10 月 14 日從 ChatGPT 下線，5 步排查與替代方案:2026 年 10 月 14 日 GPT-5.5 從 ChatGPT、ChatGPT Work 和 Codex 全面退役，但 OpenAI API 不受影響。本文梳理 10 月 15 日最新情況，講清 OpenAI “model not found” 報錯的 5 大原因、分場景解決方法，以及 GPT-5.6 Sol、Terra、Luna 和 GPT-6 Astra 的替代選擇。
• GPT-6.2 Astra 灰度曝光：5 個信號、3 個疑點，原子彈來了？:覆盤 2026-10-31 至 11-02 的 GPT-6.2 Astra 灰度事件：時間線、5 個信號、3 個疑點、爆料證據分級、競品節奏，以及開發者現在就能做的準備清單。
• GPT-6.1 Terra 發佈解讀：4 款 GPT-6 家族模型定位一次看懂:GPT-6.1 Terra 補齊了 GPT-6 家族的中檔位置，本文用官方數據和第三方實測說明 Astra、Sol、Terra、Luna 四款模型的定位差異和選型思路
• ChatGPT 定時任務、Codex 代理與 Dot 全自動化對比：3 種自動化的 6 個核心差異:從觸發、執行、持續統籌三個層面，對比 ChatGPT 定時任務、Codex 代理與 ChatGPT Dot 的全自動化能力、費用、可靠性與選型建議。