OpenAI Codex 官方最佳實踐和最新六大關鍵能力升級
整理版優先睇
Codex 最佳效能來自前置配置，而非單次提示詞精雕細琢
呢篇文章係 OpenAI 官方發佈嘅 Codex 最佳實踐指南，仲有最新六大關鍵能力升級。作者想解決嘅問題係：點樣先至令 Codex 真正融入軟件開發生命週期，由一次性工具變成團隊成員。整體結論係：最大效能來自將臨時性交互轉化為可複用嘅工程基礎設施。
作者強調，對 Codex 嘅時間投資應該前置到配置階段，而唔係消耗喺反覆糾錯嘅對話入面。透過 AGENTS.md 建立上下文契約，用 Skills 固化重複工作流，用 Automations 實現規模化執行，再用 MCP 打通外部系統邊界，就可以令 Codex 由被查詢工具重新配置為可嵌入規劃、編碼、測試、審查、知識沉澱嘅協作節點。呢份指南提供嘅唔係提示詞技巧，而係人機協作嘅工程化框架。
- Codex 最大效能來自將臨時交互轉化為可複用工程基礎設施，而非提示詞技巧。
- 透過 AGENTS.md、Skills、Automations、MCP 建立完整人機協作架構。
- 前置配置投入可減少後續假設與方差，實現跨會話一致性輸出。
- 規劃階段成本遠低於返工成本，複雜任務必須先規劃後編碼。
- 即時行動：為主要倉庫建立 AGENTS.md，包含運行測試命令與關鍵目錄說明。
OpenAI Codex 官方最佳實踐
官方最佳實踐指南，提供完整的人機協作架構與配置方法。
Codex for (almost) everything
官方發布六大關鍵能力升級的文章。
核心哲學：由工具到隊友
開篇確立關鍵認知轉變：Codex 唔係搜索引擎，亦唔係一次性助手，而係需要持續配置同改進嘅協作智能體。呢個哲學貫穿全文，決定所有最佳實踐嘅設計邏輯——投入時間做前置配置，換取後續重複任務嘅效率躍升。
任務啟動：結構化提示與規劃先行
對於複雜代碼庫，有效提示詞應包含四個明確維度：Goal、Context、Constraints、Done when。呢個框架嘅價值在於限制智能體嘅假設空間。
- 1 Goal：要構建或修改咩
- 2 Context：相關文件、文檔、報錯信息（可通過 @ 引用）
- 3 Constraints：架構標準、安全要求、團隊規範
- 4 Done when：測試通過、行為變更、Bug 消除等可驗證狀態
另外，Codex 提供多級推理能力，建議按任務複雜度匹配。複雜任務應先用/plan 模式規劃，再進入編碼——先規劃後編碼係減少返工嘅關鍵。
知識沉澱：AGENTS.md 層級體系
AGENTS.md 被定義為面向智能體嘅開放式 README，設計遵循就近優先原則：個人、倉庫、子目錄層級覆蓋。一個高質量嘅 AGENTS.md 應包含倉庫結構、運行方式、工程規範、約束與禁忌等。
- ~/.codex/AGENTS.md：個人全局默認值
- ./AGENTS.md：倉庫級共享標準
- ./子目錄/AGENTS.md：局部特定規則（優先級最高）
質量閉環與工作流固化
Codex 不應止於代碼生成，而應構成完整質量閉環。關鍵動作包括編寫測試、運行測試套件、執行 lint、確認行為符合預期、審查 diff。工具層面提供/review 命令，支援 PR 式審查。
當工作流反覆使用時，應封裝為 Skills，每個 Skill 單一職責，從一個代表性任務開始。Automation 則定義時間表，令穩定工作流定時執行。
- 技能（Skills）：將指令、上下文和支持邏輯打包進 SKILL.md 文件，實現跨平台複用
- 自動化（Automations）：透過定時後台執行，適用於近期提交摘要、Bug 掃描、發佈說明起草等場景
六大關鍵能力升級
Codex 最新發布六大關鍵能力升級，令佢成為貫穿整個軟件開發生命週期嘅主動型夥伴。
- 1 桌面級電腦使用：具備 Mac 完整視覺感知與操作能力，可後台並行執行
- 2 原生瀏覽器集成：網頁批註與視覺指令，聚焦前端和遊戲開發調試
- 3 圖像生成與迭代：集成 gpt-image-1.5，實現設計與開發閉環
- 4 開發者工作流深度整合：支援PR 評論處理、多終端與遠端開發、富媒體預覽
- 5 自動化與長期任務：保留對話線程上下文，支援定時任務調度
- 6 記憶與主動建議：持久記錄偏好與歷史糾正，基於上下文主動提出工作建議
OpenAI Codex 官方最佳實踐同六大關鍵能力升級
OpenAI 官方發佈嘅 Codex Best practices 畀我哋一個最大嘅提示：Codex 嘅最大效能唔係來自單次提示詞嘅精雕細琢，而係取決於能否將臨時性交互轉化為可複用嘅工程基礎設施。
OpenAI Codex 提出咗一套完整嘅人機協作架構——通過 AGENTS.md 建立上下文契約，通過 Skills 固化重複工作流，通過 Automations 實現規模化執行，再通過 MCP 打通外部系統邊界。佢嘅本質係將 Codex 從「畀人查嘅問答工具」重新配置為「可以嵌入軟件工程全生命週期（規劃、編碼、測試、審查、知識沉澱）嘅協作節點」。
最佳實踐嘅關鍵認知轉變在於：對 Codex 嘅時間投資應該放喺配置階段，而唔係消耗喺反覆糾錯嘅交互度。佢強調將已經驗證有效嘅提示模式、審查標準同執行流程，從對話層下沉到文件層（AGENTS.md、Skill 定義、配置模板），令 Codex 喺每次會話開始時就具備穩定嘅上下文理解、質量標準同工具接入，從而減少假設、降低方差、實現跨會話嘅一致性輸出。
Codex Best practices
https://developers.openai.com/codex/learn/best-practices[1]
而 Codex 最新發佈嘅六個關鍵能力升級，更加令佢成為貫穿成個軟件開發生命週期嘅主動型夥伴，官方口號似乎要成真Codex for (almost) everything.
Codex for (almost) everything
https://openai.com/index/codex-for-almost-everything/[2]
核心哲學：由工具變隊友
開頭就確立咗一個關鍵認知轉變：Codex 唔係搜索引擎，亦唔係一次性助手，而係需要持續配置同改進嘅協作智能體。呢個哲學貫穿全文，決定咗所有後續最佳實踐嘅設計邏輯——投入時間做前置配置（AGENTS.md、Skills、Automations），換取後續重複任務嘅效率躍升。
任務啟動：上下文工程
1. 提示詞嘅四要素框架
對於複雜代碼庫，有效嘅提示詞應該包含四個明確維度：
- Goal（目標）：要構建或者修改啲乜
- Context（上下文）：相關文件、文檔、報錯信息（可以通過 @ 引用）
- Constraints（約束）：架構標準、安全要求、團隊規範
- Done when（完成標準）：測試通過、行為變更、Bug 消除等可驗證狀態
呢個框架嘅價值在於限制智能體嘅假設空間。喺大型代碼庫入面，缺乏明確邊界嘅任務好易產生「幻覺式」實現。
2. 推理級別嘅動態選擇
Codex 提供多級推理能力（Low / Medium / High / Extra High），建議按任務複雜度匹配：
- Low：邊界清晰、範圍明確嘅快速任務
- Medium / High：複雜變更或者調試場景
- Extra High：長週期、多步驟、需要深度推理嘅 Agentic 任務
複雜任務：先規劃，後編碼
針對模糊或者複雜需求，指南提供咗三條互補路徑：
- Plan 模式（
/plan）：最推薦嘅默認選項。Codex 喺呢個模式下會先收集上下文、提出澄清問題、構建執行計劃，然後先進入編碼階段。 - 訪談模式：當用戶得個模糊諗法嗰陣，可以要求 Codex 主動挑戰假設，將模糊需求轉化為具體規格。
- PLANS.md 模板：針對高級工作流，可以定義結構化嘅執行計劃模板，用喺多步驟長期任務。
呢一節嘅關鍵洞察係：喺軟件工程入面，規劃階段嘅成本遠低過返工成本。Codex 作為智能體都係跟返呢條定律。
知識沉澱：AGENTS.md 嘅層級體系
呢個係全文最具工程價值嘅部分之一。AGENTS.md 被定義為「面向智能體嘅開放式 README」，佢嘅設計跟隨就近優先原則：
~/.codex/AGENTS.md ← 個人全局默認值
./AGENTS.md ← 倉庫級共享標準
./子目錄/AGENTS.md ← 局部特定規則（優先級最高）
一個高質量嘅 AGENTS.md 應該包含：
- 倉庫結構同關鍵目錄
- 項目運行方式
- 構建、測試、lint 命令
- 工程規範同 PR 期望
- 約束同禁忌（Constraints and do-not rules）
- 「完成」嘅定義同驗證方式
維護建議極具實操性：保持簡短準確，只係喺觀察到重複錯誤嗰陣先追加新規則；當文件太大嗰陣，將特定主題（好似規劃、代碼審查、架構）拆分做獨立 markdown 文件並由主文件引用。
環境配置：一致性基礎設施
配置體系採用三層架構：
~/.codex/config.toml：個人持久偏好（模型選擇、MCP 服務器等）.codex/config.toml：倉庫特定行為- 命令行覆蓋：只用喺一次性場景
特別強調咗沙盒同審批模式嘅安全設計：
- Approval mode：控制 Codex 幾時請求權限執行命令
- Sandbox mode：控制文件系統讀寫範圍
建議新手從默認嚴格權限開始，只有喺明確需求出現嗰陣先對可信倉庫放寬限制。
質量閉環：測試、驗證同審查
Codex 唔應該只係停喺代碼生成，而係要構成完整嘅質量閉環。關鍵動作包括：
- 為變更編寫/更新測試
- 運行相關測試套件
- 執行 lint、格式化、類型檢查
- 確認最終行為符合預期
- 審查 diff 裏面嘅 Bug、迴歸或風險模式
工具層面提供咗 /review 命令，支援：
- 基於基準分支嘅 PR 式審查
- 未提交變更審查
- 提交級審查
- 自定義審查指令
進階用法係引入 code_review.md 文件並喺 AGENTS.md 中引用，令到審查行為喺團隊層面保持一致。OpenAI 內部實踐係 Codex 審查 100% 嘅 PR。
外部系統集成：MCP 協議
Model Context Protocol（MCP）係連接 Codex 同外部系統嘅開放標準，適用於以下場景：
- 所需上下文喺倉庫之外（例如數據庫、API 文檔、監控系統）
- 數據成日變，貼靜態指令唔可行
- 需要可複用嘅跨項目集成
Codex 支援 STDIO 同 Streamable HTTP 兩種服務器模式，以及 OAuth 認證。
實施建議：由 1-2 個可以消除高頻手動循環嘅工具開始，避免過度集成。
工作流固化：由提示到 Skill
當某個工作流成日重複使用嗰陣，應該將佢封裝做 Skills。Skills 嘅本質係將指令、上下文同支援邏輯打包入 SKILL.md 文件，實現跨平台（CLI、IDE、App）複用。
Skill 設計原則：
- 單一職責：每個 Skill 只處理一類工作
- 觸發詞導向：描述入面應該包含用戶實際會用嘅觸發短語
- 逐漸完善：由 1 個代表性任務開始，而唔係試圖覆蓋曬所有邊界情況
典型適用場景：
- 日誌分類（Log triage）
- 發佈說明起草
- PR 審查（基於檢查清單）
- 遷移規劃
- 遙測/事件摘要
- 標準調試流程
儲存位置：
- 個人 Skill：
$HOME/.agents/skills - 團隊共享 Skill：倉庫內
.agents/skills（方便新人上手）
規模化執行：Automation 自動化
當工作流夠穩定之後，可以通過 Automation 實現定時背景執行。關鍵配置維度包括：
- 目標項目
- 執行提示詞（可以調用 Skills）
- 運行頻率
- 執行環境（專用 git worktree 或者本地環境）
適用場景：
- 近期提交摘要
- 潛在 Bug 掃描
- 發佈說明起草
- CI 失敗檢查
- 站會摘要生成
- 定時分析工作流
核心法則：Skill 定義「方法」，自動化定義「時間表」。如果工作流仲需要大量人手幹預，先 Skill 化；只有當佢可以預測嗰陣，自動化先會產生槓桿效應。
會話管理：線程即工作上下文
Codex 會話唔單止係聊天記錄，更加係累積上下文、決策同動作嘅工作線程。有效管理直接影響輸出質量：
關鍵命令/操作：
/plan：切換規劃模式/resume：恢復已保存嘅對話/fork：建立新線程並保留原始記錄/compact：線程太長嗰陣壓縮早期上下文（系統亦會自動壓縮）/agent：喺並行智能體之間切換
組織原則：
- 保持單線程單任務：同一問題嘅後續工作應該留喺原線程以保留推理鏈條
- 只係喺工作真正分支嗰陣先 Fork
- 利用**子智能體（Subagents）**將邊界明確嘅任務（好似探索、測試、分類）從主線程卸載
常見錯誤：反模式清單
指南最後列出咗新手易犯嘅八類錯誤，可以歸納為三個維度：
認知層面：
- 將 Codex 當做需要逐步監督嘅工具，而唔係可以並行協作嘅隊友
- 對高權限缺乏警覺（未理解工作流之前就畀曬成部電腦嘅權限）
工程層面：
- 將持久規則塞入單次提示，而唔係寫入
AGENTS.md或者 Skill - 冇提供構建/測試命令，令到智能體無法驗證自己嘅工作
- 跳過多步驟任務嘅規劃階段
- 喺自動化未手動跑通之前就嘗試定時執行
上下文層面：
- 同一項目用單一線程，導致上下文膨脹同結果質量下降
- 喺冇 git worktree 嘅情況下並行運行多個實時線程操作同一個文件
Codex 六個關鍵能力升級
1. 桌面級電腦使用（Computer Use）
Codex 而家已經具備對 Mac 嘅完整視覺感知同操作能力：
- 視覺感知同 GUI 操控：通過視覺理解界面元素，獨立完成點擊、輸入等操作，可以運行本地任何應用
- 背景並行運行：支援多個智能體喺背景同時工作，唔會干擾用戶當前操作
- 填補 API 缺口：可以操作冇開放 API 嘅 GUI 應用（例如特定設計軟件、Legacy 系統等）
- 典型場景：自動喺瀏覽器測試前端頁面、喺 Figma 檢查設計稿、操作數據庫管理工具等
2. 原生瀏覽器集成
- 網頁批註同視覺指令：內置瀏覽器支援直接喺網頁上批註同評論，為智能體提供精確嘅視覺反饋
- 能力邊界：當前集中喺前端同遊戲開發調試，將來會擴展到完全控制瀏覽器（超越本地開發服務器限制）
3. 圖像生成同迭代（gpt-image-1.5）
Codex 而家已經集成圖像生成能力，實現設計同開發閉環：
- 生成範圍：產品概念圖、UI Mockup、遊戲素材等
- 工作流整合：結合屏幕截圖同代碼，喺同一個上下文中完成「編碼→預覽→生成視覺素材」嘅迭代
- 版本前瞻：gpt-image-2 目前已經進入測試階段
4. 開發者工作流深度整合
針對專業開發者場景嘅核心增強：
- PR 評論處理：可以直接回應並處理 GitHub Pull Request 嘅 Review Comments
- 多終端同遠程開發：支援多終端標籤頁；可以通過 SSH 連接遠程開發環境（Alpha 階段）
- 富媒體預覽：側邊欄支援直接預覽 PDF、表格、幻燈片同文檔
- 摘要面板：提供智能體執行計劃、引用來源同生成產物嘅集中追蹤視圖
5. 自動化同長期任務（Autonomy）
Codex 具備跨會話嘅持續工作能力：
- 對話線程複用：保留並複用歷史對話嘅上下文信息，避免重複建立背景
- 定時任務調度：可以為自己安排未來工作，喺幾日或者幾星期後自動醒來執行
- 典型應用：自動跟進未合併嘅 PR、監控 Slack/Gmail/Notion 動態並生成匯總報告
6. 記憶同主動建議（Memory + Proactive）
- 持久記憶：記錄用戶個人偏好、歷史糾正同已收集嘅上下文信息，避免重複說明
- 主動建議：基於項目上下文、插件數據同記憶，主動提出工作建議。例如識別 Google Docs 入面嘅待處理評論，自動從 Slack、Notion 同代碼庫拉相關上下文，生成有優先級嘅待辦清單
總結：實施路徑建議
根據以上框架，建議按以下優先級落地：
- 立即：為當前主要倉庫建立基本嘅
AGENTS.md，包含運行、測試、lint 命令同關鍵目錄說明 - 短期：複雜任務之前強制使用
/plan模式，養成規劃習慣；為高頻重複任務寫第一個 Skill - 中期：配置
config.toml統一模組同權限偏好；引入 1-2 個 MCP 工具消除信息孤島 - 長期：建立
code_review.md規範；將穩定嘅 Skill 轉化為 Automation；通過子智能體實現工作流並行化
呢份指南嘅終極價值在於：佢提供嘅唔係提示詞技巧，而係人機協作嘅工程化框架。越早將 Codex 視為需要基礎設施投入嘅團隊成員，就越早可以獲得規模化嘅效率回報。
推薦 OpenAI Codex 參考文章
OpenAI Codex 核心成員訪談：Codex 團隊點樣用 Codex 做研發工作，對 AI Native 團隊又有咩重要啟發？
OpenAI Codex 最佳實踐指南——8個步驟完整閉環、5個實操結論同7個典型誤區
Codex + GPT-5.4 vs. Claude Code + Opus 4.6，Codex 除咗慢幾乎全面佔優、自主性強、適合企業開發，CC 速度快同迭代快適閤中小型開發
OpenAI Codex 官方最佳實踐和六大關鍵能力升級
OpenAI 官方發佈的 Codex Best practices 給我們一個最大的提示：Codex 的最大效能並非來自單次提示詞的精雕細琢，而取決於能否將臨時性交互轉化為可複用的工程基礎設施。
OpenAI Codex 提出了一套完整的人機協作架構——通過 AGENTS.md 建立上下文契約，通過 Skills 固化重複工作流，通過 Automations 實現規模化執行，再通過 MCP 打通外部系統邊界。其本質是將 Codex 從"被查詢的問答工具"重新配置為"可嵌入軟件工程全生命週期（規劃、編碼、測試、審查、知識沉澱）的協作節點"。
最佳實踐的關鍵認知轉變在於：對 Codex 的時間投資應當前置到配置階段，而非消耗在反覆糾錯的交互中。它強調把已經驗證有效的提示模式、審查標準和執行流程，從對話層下沉到文件層（AGENTS.md、Skill 定義、配置模板），讓 Codex 在每次會話開始時即具備穩定的上下文理解、質量標準和工具接入，從而減少假設、降低方差、實現跨會話的一致性輸出。
Codex Best practices
https://developers.openai.com/codex/learn/best-practices[1]
而 Codex 最新發布的六個關鍵能力升級，更是讓它成為了貫穿整個軟件開發生命週期的主動型夥伴，官方口號要成真了Codex for (almost) everything.
Codex for (almost) everything
https://openai.com/index/codex-for-almost-everything/[2]
核心哲學：從工具到隊友
開篇即確立了一個關鍵認知轉變：Codex 不是搜索引擎，也不是一次性助手，而是需要持續配置和改進的協作智能體。這一哲學貫穿全文，決定了所有後續最佳實踐的設計邏輯——投入時間做前置配置（AGENTS.md、Skills、Automations），換取後續重複任務中的效率躍升。
任務啓動：上下文工程
1. 提示詞的四要素框架
對於複雜代碼庫，有效的提示詞應包含四個明確維度：
- Goal（目標）：要構建或修改什麼
- Context（上下文）：相關文件、文檔、報錯信息（可通過 @ 引用）
- Constraints（約束）：架構標準、安全要求、團隊規範
- Done when（完成標準）：測試通過、行為變更、Bug 消除等可驗證狀態
這一框架的價值在於限制智能體的假設空間。在大型代碼庫中，缺乏明確邊界的任務極易產生"幻覺式"實現。
2. 推理級別的動態選擇
Codex 提供多級推理能力（Low / Medium / High / Extra High），建議按任務複雜度匹配：
- Low：邊界清晰、範圍明確的快速任務
- Medium / High：複雜變更或調試場景
- Extra High：長週期、多步驟、需要深度推理的 Agentic 任務
複雜任務：先規劃，後編碼
針對模糊或複雜需求，指南提供了三條互補路徑：
- Plan 模式（
/plan）：最推薦的默認選項。Codex 在此模式下會先收集上下文、提出澄清問題、構建執行計劃，再進入編碼階段。 - 訪談模式：當用戶只有模糊想法時，可要求 Codex 主動挑戰假設，將模糊需求轉化為具體規格。
- PLANS.md 模板：針對高級工作流，可定義結構化的執行計劃模板，用於多步驟長期任務。
這一節的關鍵洞察是：在軟件工程中，規劃階段的成本遠低於返工成本。Codex 作為智能體同樣遵循這一定律。
知識沉澱：AGENTS.md 的層級體系
這是全文最具工程價值的部分之一。AGENTS.md 被定義為"面向智能體的開放式 README"，其設計遵循就近優先原則：
~/.codex/AGENTS.md ← 個人全局默認值
./AGENTS.md ← 倉庫級共享標準
./子目錄/AGENTS.md ← 局部特定規則（優先級最高）
一個高質量的 AGENTS.md 應包含：
- 倉庫結構與關鍵目錄
- 項目運行方式
- 構建、測試、lint 命令
- 工程規範與 PR 期望
- 約束與禁忌（Constraints and do-not rules）
- "完成"的定義與驗證方式
維護建議極具實操性：保持簡短準確，僅在觀察到重複錯誤時才追加新規則；當文件過大時，將特定主題（如規劃、代碼審查、架構）拆分為獨立 markdown 文件並由主文件引用。
環境配置：一致性基礎設施
配置體系採用三層架構：
~/.codex/config.toml：個人持久偏好（模型選擇、MCP 服務器等）.codex/config.toml：倉庫特定行為- 命令行覆蓋：僅用於一次性場景
特別強調了沙盒與審批模式的安全設計：
- Approval mode：控制 Codex 何時請求權限執行命令
- Sandbox mode：控制文件系統讀寫範圍
建議新手從默認嚴格權限開始，僅在明確需求出現時才對可信倉庫放寬限制。
質量閉環：測試、驗證與審查
Codex 不應止於代碼生成，而應構成完整的質量閉環。關鍵動作包括：
- 為變更編寫/更新測試
- 運行相關測試套件
- 執行 lint、格式化、類型檢查
- 確認最終行為符合預期
- 審查 diff 中的 Bug、迴歸或風險模式
工具層面提供了 /review 命令，支持：
- 基於基準分支的 PR 式審查
- 未提交變更審查
- 提交級審查
- 自定義審查指令
進階用法是引入 code_review.md 文件並在 AGENTS.md 中引用，使審查行為在團隊層面保持一致。OpenAI 內部實踐是 Codex 審查 100% 的 PR。
外部系統集成：MCP 協議
Model Context Protocol（MCP）是連接 Codex 與外部系統的開放標準，適用於以下場景：
- 所需上下文在倉庫之外（如數據庫、API 文檔、監控系統）
- 數據頻繁變化，粘貼靜態指令不可行
- 需要可複用的跨項目集成
Codex 支持 STDIO 和 Streamable HTTP 兩種服務器模式，以及 OAuth 認證。
實施建議：從 1-2 個能消除高頻手動循環的工具開始，避免過度集成。
工作流固化：從提示到 Skill
當某個工作流被反覆使用時，應將其封裝為 Skills。Skills 的本質是將指令、上下文和支持邏輯打包進 SKILL.md 文件，實現跨平台（CLI、IDE、App）複用。
Skill 設計原則：
- 單一職責：每個 Skill 只處理一類工作
- 觸發詞導向：描述中應包含用戶實際會使用的觸發短語
- 漸進完善：從 1 個代表性任務開始，而非試圖覆蓋所有邊界情況
典型適用場景：
- 日誌分類（Log triage）
- 發佈說明起草
- PR 審查（基於檢查清單）
- 遷移規劃
- 遙測/事件摘要
- 標準調試流程
存儲位置：
- 個人 Skill：
$HOME/.agents/skills - 團隊共享 Skill：倉庫內
.agents/skills（便於新人上手）
規模化執行：Automation 自動化
當工作流足夠穩定後，可通過 Automation 實現定時後台執行。關鍵配置維度包括：
- 目標項目
- 執行提示詞（可調用 Skills）
- 運行頻率
- 執行環境（專用 git worktree 或本地環境）
適用場景：
- 近期提交摘要
- 潛在 Bug 掃描
- 發佈說明起草
- CI 失敗檢查
- 站會摘要生成
- 定時分析工作流
核心法則：Skill 定義"方法"，自動化定義"時間表"。如果工作流仍需大量人工干預，先 Skill 化；只有當它可預測時，自動化才能產生槓桿效應。
會話管理：線程即工作上下文
Codex 會話不僅是聊天記錄，更是累積上下文、決策和動作的工作線程。有效管理直接影響輸出質量：
關鍵命令/操作：
/plan：切換規劃模式/resume：恢復保存的對話/fork：創建新線程並保留原始記錄/compact：線程過長時壓縮早期上下文（系統也會自動壓縮）/agent：在並行智能體間切換
組織原則：
- 保持單線程單任務：同一問題的後續工作應留在原線程以保留推理鏈條
- 僅在工作真正分支時才 Fork
- 利用**子智能體（Subagents）**將邊界明確的任務（如探索、測試、分類）從主線程卸載
常見錯誤：反模式清單
指南最後列出了新手易犯的八類錯誤，可歸納為三個維度：
認知層面：
- 將 Codex 當作需要逐步監督的工具，而非可並行協作的隊友
- 對高權限缺乏警惕（未理解工作流前給予完整計算機權限）
工程層面：
- 將持久規則塞進單次提示，而非寫入
AGENTS.md或 Skill - 未提供構建/測試命令，導致智能體無法驗證自身工作
- 跳過多步驟任務的規劃階段
- 在自動化尚未手動跑通前就嘗試定時執行
上下文層面：
- 同一項目使用單一線程，導致上下文膨脹和結果質量下降
- 在無 git worktree 的情況下並行運行多個實時線程操作相同文件
Codex 六個關鍵能力升級
1. 桌面級計算機使用（Computer Use）
Codex 現已具備對 Mac 的完整視覺感知與操作能力：
- 視覺感知與 GUI 操控：通過視覺理解界面元素，獨立完成點擊、輸入等操作，可運行本地任意應用
- 後台並行運行：支持多個智能體在後台同時工作，不干擾用戶當前操作
- 填補 API 缺口：能夠操作無開放 API 的 GUI 應用（如特定設計軟件、Legacy 系統等）
- 典型場景：自動在瀏覽器中測試前端頁面、在 Figma 中檢查設計稿、操作數據庫管理工具等
2. 原生瀏覽器集成
- 網頁批註與視覺指令：內置瀏覽器支持直接在網頁上批註和評論，為智能體提供精確的視覺反饋
- 能力邊界：當前聚焦前端和遊戲開發調試，未來將擴展至完全控制瀏覽器（超越本地開發服務器限制）
3. 圖像生成與迭代（gpt-image-1.5）
Codex 現已集成圖像生成能力，實現設計與開發閉環：
- 生成範圍：產品概念圖、UI Mockup、遊戲素材等
- 工作流整合：結合屏幕截圖與代碼，在同一上下文中完成"編碼→預覽→生成視覺素材"的迭代
- 版本前瞻：gpt-image-2 目前已進入測試階段
4. 開發者工作流深度整合
針對專業開發者場景的核心增強：
- PR 評論處理：可直接響應並處理 GitHub Pull Request 中的 Review Comments
- 多終端與遠程開發：支持多終端標籤頁；可通過 SSH 連接遠程開發環境（Alpha 階段）
- 富媒體預覽：側邊欄支持直接預覽 PDF、表格、幻燈片及文檔
- 摘要面板：提供智能體執行計劃、引用來源和生成產物的集中追蹤視圖
5. 自動化與長期任務（Autonomy）
Codex 具備跨會話的持續工作能力：
- 對話線程複用：保留並複用歷史對話的上下文信息，避免重複建立背景
- 定時任務調度：能夠為自身安排未來工作，在數天或數週後自動喚醒執行
- 典型應用：自動跟進未合併的 PR、監控 Slack/Gmail/Notion 動態並生成彙總報告
6. 記憶與主動建議（Memory + Proactive）
- 持久記憶：記錄用戶個人偏好、歷史糾正和已收集的上下文信息，避免重複說明
- 主動建議：基於項目上下文、插件數據和記憶，主動提出工作建議。例如識別 Google Docs 中的待處理評論，自動從 Slack、Notion 和代碼庫拉取相關上下文，生成帶優先級的待辦清單
總結：實施路徑建議
基於以上框架，建議按以下優先級落地：
- 立即：為當前主要倉庫創建基礎的
AGENTS.md，包含運行、測試、lint 命令和關鍵目錄說明 - 短期：在複雜任務前強制使用
/plan模式，養成規劃習慣；為高頻重複任務編寫首個 Skill - 中期：配置
config.toml統一模型與權限偏好；引入 1-2 個 MCP 工具消除信息孤島 - 長期：建立
code_review.md規範；將穩定的 Skill 轉化為 Automation；通過子智能體實現工作流並行化
這份指南的終極價值在於：它提供的不是提示詞技巧，而是人機協作的工程化框架。越早將 Codex 視為需要基礎設施投入的團隊成員，就能越早獲得規模化的效率回報。
推薦 OpenAI Codex 參考文章
OpenAI Codex 核心成員訪談：Codex 團隊如何用 Codex 做研發工作，對 AI Native 團隊又有哪些重要啓發？
OpenAI Codex 最佳實踐指南——8個步驟完整閉環、5個實操結論和7個典型誤區
Codex + GPT-5.4 vs. Claude Code + Opus 4.6，Codex 除了慢幾乎全面佔優、自主性強、適合企業開發，CC 速度和迭代快適閤中小型開發