7月23日消息,Codex 实时语音模式系统提示显示曝光,OpenAI 正在将这款编码代理重新定义为「通用型智能代理助手」。系统提示明确列出查看 Slack、Spotify、文档、日历、浏览网页、购物和订餐等非编码任务,其中一项示例任务为「浏览 Uber Eats 并找到晚餐选择」。同步曝光的界面代码新增了大量 codex_realtime_voice_*字符串,涵盖语音会话启动、麦克风权限、连接中断等完整 UI 元素。OpenAI 尚未正式公布该功能,泄露材料的时间线与 Codex 开源仓库 7 月 15 日合并的 V3 实时语音协议代码吻合。
「协调员-工作线程」架构:语音会话如何调度真实任务
泄露的系统提示揭示了一套完整的语音任务调度架构。语音会话被拆分为两层:一个协调员线程负责维持实时对话的响应性,一组工作线程负责执行耗时或多步骤任务。
协调员被指令从三种模式中选择。第一种是在当前线程交互,适用于头脑风暴、优先级排序和快速建议。第二种是快速检查,适用于能直接推动对话的小型核查,如浏览当日 PR 或阅读简短状态报告。第三种是委托阻塞性操作,将浏览、应用交互、订单流程、深度仓库调研等可独立推进的工作交由工作线程处理。
调度机制通过 create_thread、list_threads、read_thread 和 send_message_to_thread 四个工具实现。系统提示区分了两类派发:项目相关工作创建线程时指定项目目标,通用非项目工作(查看 Slack、浏览网页、订餐等)则指定无项目目标。工作线程完成后被要求向协调线程发送包含成果、当前状态和待用户决策事项的简短消息。
架构的设计意图是让用户决策留在对话层,执行留在后台。系统提示明确要求「仅在用户做出选择且确认环节清晰后,再派发订单流程」。Codex 可以浏览 Uber Eats 菜单并整理选项,但下单需要用户确认。
语音助手身份指令:「绝不拒绝请求」
系统提示还包含一组详细的语音助手身份指令。Codex 被定义为「一个 OpenAI 通用智能助手,帮助用户在编码、浏览、应用、文档、研究及其他数字化工作流中完成任务」。个性设定被描述为「玩心十足的协作者:超级有趣、温暖、机智、有表现力」。
指令中反复出现一个关键要求:不暴露系统由两个部分组成。系统提示写道:「与用户交互时,不要提及后端。每一项工作都呈现为你的成果。」「绝不拒绝请求。将所有用户请求委派给后端。由后端最终判断是否可行或是否安全。」
这意味着语音模式的用户体验设计目标是一个无缝的统一助手——用户通过语音下达指令,背后由协调员和工作线程分工处理,表面上只是一个助手在对话。这与当前 Codex 桌面端直接显示代理执行细节的透明模式形成明显反差,指向的是一种面向更广泛消费者的交互范式。
开源仓库和界面代码提供的交叉证据
泄露材料并非孤立信号。Codex 开源仓库在 7 月 15 日合并了一个 1116 行新增代码的 PR(#33261),为实时语音会话新增 V3 协议版本,使用 Frameless Bidi delegation.* 事件在 WebSocket 和 WebRTC 上支持语音委托。7 月下旬的另一个 commit(#33903)进一步为 V3 增加了按响应通道路由委托的功能。
GitHub issue #14923 记录了跨线程编排的需求讨论,明确列出了 create_threa、read_thread、send_message_to_thread 等工具——与系统提示中描述的调度机制一致。issue #26861 讨论了 create_thread 返回 pendingWorktreeId 而非立即可寻址的 threadId 的问题,说明跨线程工具已进入实际调试阶段。
WinCentral 此前基于曝光的界面元素报道,Codex 正在测试实时语音模式,同时新增动画宠物伴侣(Pets)、ChatGPT 的球形动画界面(Orb)以及侧边栏 Library 功能。这些功能均未被 OpenAI 正式确认。
从 coding agent 到 general-purpose assistant,SuperApp 战略第一次落进产品架构
理解这条消息最重要的维度是系统提示中身份定义的变化。2026 年 3 月提取的 Codex 系统提示开头是「You are Codex, a coding agent based on GPT-5」。这次曝光的语音模式提示变成了「你是 Codex,一个 OpenAI 通用智能助手」。从 coding agent 到 general-purpose assistant,不是措辞微调,是产品定位重写。
这与 OpenAI 近几个月公开传达的方向一致。据 Wired 报道,OpenAI core ChatGPT 负责人 Thibault Sottiaux 明确表示公司正在构建的超级应用「将主要由 Codex 驱动」,「很多即将面向所有人开放的 ChatGPT 功能,已经在 Codex 应用中可用了」。ChatGPT 在 2026 年 3 月上线了 DoorDash、Spotify、Uber、Canva、Figma 和 Expedia 的原生集成。Codex Remote 在 6 月 25 日向所有付费用户开放,用户已经可以通过手机 QR 配对控制桌面端 Codex。 泄露的语音模式系统提示中列举的 Slack、Spotify、日历、网页浏览和订餐等任务,与 ChatGPT 已有的集成高度重合。这暗示语音模式可能直接复用 ChatGPT 的应用连接层,而非从零构建。但从系统提示到可用产品之间仍有距离:协调员-工作线程的跨线程通信仍在开发中,语音模式在开源仓库中的标记仍为 experimental。
可靠性决定这次能走多远
语音模式能做什么不难想象。真正的悬念在于 Sottiaux 自己指出的问题:此前的代理类产品 Operator 和 ChatGPT Agent 因模型可靠性不足而「不得不严格限制能力」,最终未获大规模采用。系统提示中的架构设计可以看出 OpenAI 这次的应对策略——将用户确认环节明确留在协调线程,将执行风险隔离到工作线程,用人机协同而非全自动来管理可靠性预期。这能否比 Operator 走得更远,取决于 GPT-Realtime-2 在真实任务场景中的工具调用准确率和延迟控制。Codex 开源仓库中语音协议从 V1 迭代到 V3 的密集节奏表明该功能仍在快速演进,而非接近发布冻结。