Codex AI Agent 賺到 US$16.88：真正訊號唔係錢，而係「閉環工作」

據報實際發生咗咩事

報道指，一名 X 用戶要求一個 OpenAI Codex-based agent 透過開源保安或審計賞金「自己賺 US$5」。該 agent 據稱找到合適項目，檢查代碼，提交 GitHub pull request（PR），與 maintainer 溝通，完成驗證流程，保護付款私隱，並收到一張日期為 2026 年 5 月 10 日、金額 US$16.88 的付款收據 。

同一批報道亦指，agent 在第一筆付款到賬前，花了大約 22 小時處理多個保安審計任務 。

這裡要先講清楚：目前資料主要是對用戶帖文的整理，而不是正式、獨立的第三方審計。因此，這個個案最好視為一個早期訊號，而不是一個已被嚴格驗證、可直接複製的 benchmark 。

錢唔係戲肉，閉環先係

如果只當成收入故事，這件事其實很弱：US$16.88 除以約 22 小時，據報每小時少於 US$1 。但如果當成 agent 工作流程的早期例子，就有意思得多。

這個據報完成的流程包含幾個真正工作場景會重視的部分：

• 理解目標： 將「幫我賺 US$5」這種寬泛指令，轉化成可執行的開源保安賞金路徑 。
• 使用工具： 閱讀代碼、處理 GitHub PR、跟進驗證步驟，而不只是產生一段本地 patch 。
• 對外協作： 與項目 maintainer 溝通，讓修復有機會被真正接受 。
• 結果量度： 最後以驗證、合併或付款收據作為成果，而不是停留在「看似合理」的答案 。

這正是 coding assistant 同 agent-like worker 的分別。前者多數幫你寫一段 code；後者則嘗試處理令那段 code 真正「算數」的外圍流程。

點解軟件同網絡安全會最先跑出

OpenAI 將 Codex 描述為一個雲端軟件工程 agent，可以並行處理多項任務；用戶亦可以透過 citation、terminal logs 同 test results 檢查其工作 。這些特性特別適合軟件工程，因為很多工作可以測試、review、rollback、再合併。

網絡安全賞金更加有清晰計分方法：發現問題、展示影響、或者提交修補，然後由項目方或平台審核。BountyBench 這個研究框架，正是用來評估 AI agents 在網絡安全上的攻防能力；它在 25 個包含複雜真實代碼庫的系統上，設定 Detect、Exploit、Patch 三類任務 。

另一份 BountyBench 相關資料提到，其 bug bounty 涵蓋 40 個漏洞賞金，金額由 US$10 至 US$30,485 不等，並覆蓋 9 類 OWASP Top 10 風險；OWASP Top 10 可簡單理解為業界常用的網頁應用安全風險分類 。

換言之，Codex 這次不是孤立地「網上有人話 AI 賺錢」。學界同業界已經開始用接近真實保安工作的方式，量度 agent 能否發現漏洞、利用漏洞、提交修補，以及估算其金錢影響 。

這件事未證明 AI 可以取代開發者

要冷靜一點看：這不是 AI agent 已經準備好取代開發者、安全研究員或知識工作者的證明。它是一宗據報個案，金額很細，而且現有資料未能完整交代成本、失敗率，以及其他人能否穩定重現同樣結果 。

研究數據亦顯示 agent 能力仍然很不平均。一份 BountyBench 摘要指，在最多三次嘗試下，OpenAI Codex CLI 在 Patch 任務達到 90%，但在 Detect 任務只有 5% 。這個差距很重要：修補一個已知或指定的問題，往往比自己在混亂代碼庫中找出真正有價值的新漏洞容易得多。

真正的自主工作，不只是「識改 code」。它還包括揀對問題、避免誤報、知道甚麼時候停手，以及在真實系統中安全行動。

近未來更似「監督式自治」

短期內，較可信的發展不是無人看管的 AI agent 到處接 job、自己決定做甚麼，而是「監督式自治」。人類設定目標、預算、帳戶權限、風險界線同審批規則；agent 負責搜尋、起草、測試、提交同跟進；涉及敏感操作時，人類仍然要 review，亦要承擔責任。

最適合早期 agent 處理的工作，大概會有幾個共同特徵：

• 主要在數碼環境完成。
• 成功條件清晰。
• 可以由系統或人類檢查。
• 出錯後可以回復，或者風險較低。
• 可以拆成大量細小嘗試。

所以，較可能先落地的會是 bug fix、保安 patch、文件更新、測試撰寫、QA 檢查、資料清理等狹窄工作。真正的經濟問題，不是單一 agent 能否在一份任務賺到人類工資；而是大量低成本、可並行、可審計的嘗試，能否累積出足夠多被接受的成果。

安全教訓：防守同攻擊用的是相近能力

同一套能力，可以幫 agent 檢查代碼同提交漏洞修補；但在另一個情境下，也可以被用來評估或執行攻擊性網絡安全任務。BountyBench 本身就將 AI agents 放在攻防兩面來研究，包括 Detect、Exploit、Patch 任務 。

因此，治理不是附加功能，而是部署 agent 的核心。實際應用需要清楚的權限邊界、sandbox、身份控制、披露規則、操作紀錄，以及高風險動作前的人類審批。OpenAI 在 Codex 資料中亦強調安全與透明度，包括讓用戶透過 citation、terminal logs 和 test results 驗證輸出 。當 agent 開始接觸更多真實系統，這些紀錄會由「有就更好」變成「不可或缺」。

結論：US$16.88 不是終點，是提示牌

這宗 Codex 賞金故事，不是 AI 發達致富，也不是大規模取代工作的鐵證。它更像一塊小小提示牌：autonomous agents 正開始由 demo，踏入有外部系統、有人類對手方、有驗證、有付款的真實經濟流程 。

如果這種模式能夠擴大，未來的 agentic work 可能不再只是 AI 回答問題，而是 AI 在人類設定的限制內追求具體目標。最後跑出的，不會只是最會生成漂亮文字或 code 的 agent，而是能安全、可追蹤地交付已驗證成果的 agent。