Como funciona
Monte um ambiente Docker por agente com os dados, a documentação e um repositório de pesquisa com módulos de features, treino de modelos, estratégias e simulação.
Rode o harness padrão do Codex dentro desse ambiente, para o agente planejar, definir objetivos, criar subagentes e compactar o contexto ao longo de sessões de 36 a 48 horas.
Dê a cada agente um sistema de referência para melhorar e peça que teste estratégias em dados históricos e avalie se cada ganho é real ou ruído antes do próximo experimento.
Coloque o Codex como subagente de um harness externo que, quando a tarefa fica inacabada, examina a trajetória e decide entre tentar de novo, encerrar ou escalar para um humano.
Use o Codex para analisar as trajetórias gravadas, os timestamps e o código, e achar gargalos do próprio ambiente que desperdiçam tokens.
Antes de lançar as simulações, teste se um agente consegue escapar do ambiente e acessar a rede (a Third Moment usa o Daybreak para isso).
Prompt
Troque o que estiver entre [colchetes] pelos seus dados.
Analise as trajetórias gravadas dos agentes de pesquisa (ações, respostas do ambiente e timestamps) junto com o código do repositório. Encontre onde os agentes perdem mais tempo ou tokens, por exemplo esperando processos longos ou repetindo checagens de status. Faça o profiling da etapa mais lenta, proponha otimizações, teste cada uma e meça o ganho de tempo sem mudar os resultados. Entregue a correção com os testes e um resumo de antes e depois.Resultado relatado
O Codex achou uma otimização de cache e de empacotamento de memória que derrubou o backtest de cerca de 3 horas para 3 a 5 minutos (-97%). A empresa chegou a 10 mil agentes simultâneos e 1 trilhão de tokens num único dia (dados da OpenAI).
Conforme relatado pela fonte. Os resultados dependem da sua configuração e dos seus dados.