OpenAI 官方生產力與團隊協作方法論深度解讀：Codex 如何進化為跨數據、跨應用、跨團隊協作工作夥伴！

作者：AI 啓蒙小夥伴

日期：2026年5月24日上午9:00

來源：WeChat 原文

✦整理版優先睇

速讀 5 個重點高亮

OpenAI 官方教路：點樣將 Codex 由代碼助手變成跨應用跨團隊嘅工作夥伴

整理版摘要

呢篇文章係對 OpenAI 官方 Codex Use Cases 入面「Productivity & Collaboration」合集嘅深度解讀。作者拆解咗五大典型場景——學習與理解、多步驟工作流委派、令工作唔停滯、同數據打交道、同埋將分析打包成可審閲嘅成果物——並從中提煉出 OpenAI 對 AI Agent 點樣喺企業日常工作中落地嘅完整方法論。文章嘅核心結論係：Codex 嘅真正定位唔係單純寫代碼，而係一個跨應用、跨數據、跨團隊嘅協作中樞。

成個合集由三條設計哲學貫穿：第一，「Approved inputs（已授權嘅輸入源）」——Codex 只讀你明確許可嘅來源，唔會自作主張去攞未授權嘅數據；第二，「Reviewable artifacts（可審閲嘅成果物）」——所有產出最終都要落入一份你可以閲讀、修改同重用嘅文件，而唔係淨係留喺對話入面；第三，「Stage → Review → Execute（暫存 → 審閲 → 執行）」——默認先草擬、再人工審批、最後先真正寫入或發出。呢三條幾乎喺每一篇度都重複出現，係成個文檔嘅靈魂。

呢套文檔嘅真正價值，唔係在於教你「Codex 可以做乜嘢」，而係示範咗一個負責任嘅 Agent 工作流應該係點樣——有清晰嘅數據邊界、有可審閲嘅產出、有人工把關嘅環節。作者仲畀咗實用建議：先寫 AGENTS.md、由 Proactive Teammate 開始校準、保持人工審批短語、沉澱 S…

Codex 定位進化：由代碼助手變成跨應用、跨數據、跨團隊嘅協作中樞，核心係「已授權輸入 + 可審閲產出 + 分段執行」。
設計原則優先於功能：Approved inputs、Reviewable artifacts、Stage→Review→Execute 三條喺所有場景反覆出現，係負責任 Agent 嘅基礎。
學習場景用 Subagent 模式：拆成 Paper Map、Prerequisite Context、Notation & Figures、Skeptical Reviewer，最終產出要可工作心智模型。
數據治理係一等公民：原始數據同處理數據嚴格分離，用 Worktree 隔離任務，合併前必須 Profile（檢查候選鍵、空值率、join 命中率）。
落地步驟：先寫 AGENTS.md，從 Proactive Teammate 校準起步，任何寫入或發送動作保留人工審批，可重用邏輯沉澱為 Skills。

值得記低

連結 developers.openai.com

OpenAI Codex 生產力與協作合集

官方頁面，包含五大場景嘅完整 use case 同可一鍵導入嘅配置。

結構示例

內容片段

內容片段 text

One thing changed.The renewal prep now says...The useful move is to keep Lina's note narrow: ...Priority: update the partner line before sending the review packet.

整理重點

核心定位同設計哲學

呢個合集主張 Codex 唔單止寫代碼，佢嘅真正定位係跨應用、跨數據、跨團隊嘅協作中樞。OpenAI 將日常工作斬開五類典型場景，每類都有一套設計原則。

呢套文檔嘅「靈魂」就係呢三條主線：已授權嘅輸入源、可審閲嘅成果物、暫存 → 審閲 → 執行。幾乎每一篇都會提到，係 OpenAI 想傳達嘅核心價值。

整理重點

學習同委派場景

「學習與理解」呢篇示範咗Subagent 模式：將學習任務拆做 Paper Map、Prerequisite Context、Notation & Figures、Skeptical Reviewer 四個子 agent，主線程負責合併同生成報告。最終產物係 notes/concept-report.md，包含概念圖、方法流程圖、實驗圖、侷限圖，強調「圖優於文字」同「Markdown-first」。

Paper Map：抽取問題陳述、貢獻、方法、實驗、侷限
Prerequisite Context：補背景知識
Notation & Figures：解釋公式、算法、圖表
Skeptical Reviewer：扮演審稿人，挑證據漏洞
主線程合併、消歧、生成帶證據表同待辦清單嘅報告

「新員工入職」係跨系統流程編排樣板，亮點係數據治理邊界：顯式列出薪酬、人口學信息、政府 ID 等絕不能入 prompt 嘅字段。工作流分 Inventory → Stage → Review → Execute → Report 五步，執行要用 approval phrase 觸發。

「Computer Use」場景展示咗點樣用 @Computer 操作電腦，但 OpenAI 取捨好明顯：插件化 > 通用控制，Computer Use 只係 fallback。實操規矩包括指定瀏覽器、避免並行操作、保持登錄同解鎖。

整理重點

數據同協作場景

「Proactive Teammate」將 Codex 當成同事：一個線程連上 Slack、Gmail、日曆等，透過反覆糾正學會你關心嘅嘢。有用嘅提醒必須包含觸發事件、來源、含義、建議下一步同優先級。呢個係 OpenAI 想要嘅「Agent 通知範式」。

數據分析篇提出咗完整工作流方法論，致敬 R for Data Science 嘅 Import → Tidy → Transform/Visualize/Model → Communicate 循環。關鍵措施：data/raw/ 同 data/processed/ 嚴格分離、用Git worktree隔離任務、合併數據前報告候選鍵、空值率、Join 命中率。建模要可解釋，重用邏輯沉澱為 Skills。

「Generate Slide Decks」幾條工程建議好實用：從已有品牌 deck 開始改、匹配源寬高比、保留文字同原生圖表可編輯性、複雜插畫拆成元素、交付前驗證溢出同字體缺失。呢篇幾乎可以當成AI 生成 PPT 嘅質量控制清單。

整理重點

共通模式同實用建議

成個合集展示咗一套通用 Agent 設計原則：線程即工作空間，唔好為每個任務開新對話；校準期不可省略；自動化只加喺穩定線程；寫入同發送動作必須顯式審批；破壞性動作保持手動或帶審批短語；插件 > Computer Use；結構化輸出 > 自由文本；可重用邏輯沉澱為 Skills 同 AGENTS.md；數據治理係 Agent 工程嘅一等公民。

實用落地順序：先寫兩份 AGENTS.md（個人同項目）；從「Proactive Teammate」起步，連 3–5 個工具跑兩週校準；再做 Inbox 分診；數據工作建立 raw/processed 分離習慣；PPT 工作流準備品牌模板；任何寫入、發出、付費類操作保留人工審批。

OpenAI Codex Use Cases 對於想將 Codex 用喺開發同通用辦公方向嘅朋友，強烈建議睇同採用，喺 Use Case 頁面可以一鍵導入到 Codex 入面用。

今日我哋重點關注「Productivity & Collaboration」- 生產力同協作嘅合集。呢個係 Codex 由「代碼助手」走向「跨應用工作夥伴」嘅官方定位文件，裏面其實隱藏咗 OpenAI 對 AI Agent 喺企業日常工作中應該點樣落地嘅完整方法論。下面按佢嘅五大板塊逐個拆解，並指出每一篇裏面真正值得留意嘅設計原則。

Productivity & Collaboration
https://developers.openai.com/codex/use-cases/collections/productivity-and-collaboration^[1]

合集本身講緊乜嘢

呢個合集主張：Codex 唔單止寫代碼，佢嘅真正定位係「跨應用、跨數據、跨團隊」嘅協作中樞。

佢將日常工作分成五類典型場景：

學習同理解 (Learn with Codex)
多步驟工作流程委派 (Delegate multi-step workflows)
令工作唔停滯 (Keep work moving)
同數據打交道 (Work with data)
將分析打包成可審閲嘅成果物 (Package analysis into reviewable artifacts)

貫穿全部場景嘅設計哲學，可以提煉成三條主線：

「Approved inputs (已授權嘅輸入源)」：Codex 只讀你明確許可嘅來源，唔會自作主張去攞未授權嘅數據。
「Reviewable artifacts (可審閲嘅成果物)」：所有產出最終落到一份你能夠閲讀、能夠修改、能夠複用嘅文件——Markdown、CSV、Sheet、Doc、Slides——而唔係只停留喺對話裏面。
「Stage → Review → Execute (暫存 → 審閲 → 執行)」：默認先草擬、再人工審批、最後先真正寫入或發出。

呢三條幾乎喺每一篇入面都重複出現，係呢套文檔嘅「靈魂」。

學習同理解：Learn a New Concept

呢一篇雖然題目係「學新概念」，但其實係 OpenAI 公開演示「Subagent 模式 (子 agent 分工)」嘅標準例子。

要點:

唔係要一份摘要，而係要一個「可工作嘅心智模型」：要包括問題、方法、證據、假設、未解之處。
推薦嘅子 agent 切分:

Paper Map：抽取問題陳述、貢獻、方法、實驗、侷限
Prerequisite Context：補背景知識
Notation & Figures：解釋公式、算法、圖表
Skeptical Reviewer：扮演審稿人，挑證據漏洞
主線程負責合併、消歧、生成報告

最終產物係 notes/concept-report.md 加 Mermaid 圖、證據表、待辦閲讀清單。
圖優於文字：概念圖、方法流程圖、實驗圖、侷限圖，被明確列為「檢驗係咪真係明」嘅工具。
Markdown-first：除非必要，否則唔用位圖。原因係「易於 diff、易於審閲、易於更新」。

呢一篇最大嘅啟發：「學」都係一種工程任務，應該有源引用、有證據表、有「論文未能證明嘅部分」呢種誠實聲明。

多步驟委派：Onboarding 同 Computer Use

1. New-Hire Onboarding (新員工入職)

呢篇係「跨系統流程編排」嘅樣板，但更值得留意嘅係佢嘅數據治理邊界:

明確列出絕對唔可以入 prompt 或 tracker 嘅字段：薪酬、人口學資料、政府 ID、屋企地址、醫療、背景調查、簽證、面試評價、表現記錄。
強調將「源事實」同「生成嘅規劃字段」分兩列管理，方便審閲者一眼區分人同機器嘅責任邊界。
工作流程明確分五步：Inventory (清點) → Stage (暫存) → Review (審閲) → Execute (執行) → Report (回執)。
「執行」必須靠明確嘅審批短語 (approval phrase) 觸發。

呢個係文檔裏面少見嘅將「Agent 寫入操作」同「人工把關」邊界劃得最清楚嘅一篇，值得任何做企業 Agent 工程嘅人當作模板。

2. Use Your Computer with Codex (等 Codex 操作你嘅電腦)

呢個係 Computer Use 插件嘅官方使用指引。關鍵事實：

觸發方式：@Computer 或直接 @Slack、@Messages 等。
如果同時存在插件同 Computer Use，優先使用插件——插件更穩定、更可控；Computer Use 係 fallback。
幾條實際操作硬規矩：

指定 Codex 用邊個瀏覽器，避免搶佔你正在用嘅窗口。
唔好並行運行兩個 Computer Use 操作同一個應用，會令 Codex 失去上下文。
保持登入、保持 Mac 唔鎖屏，否則任務會中斷。

呢一篇透露出 OpenAI 嘅取捨：插件化 > 通用控制。Computer Use 係補丁，唔係首選。

令工作唔停滯：Proactive Teammate / Inbox / Tasks from Messages

呢一組嘅核心概念係「將 Codex 當成同事，而唔係工具」。

1. Proactive Teammate (主動型隊友)

關鍵機制：

一個 Codex 線程連上 Slack、Gmail、日曆、Notion、GitHub、Linear、本地筆記——呢個就係佢嘅「工作視野」。
通過反覆糾正（邊條有用、邊條係噪音），線程逐漸學會你關心啲乜。
將呢個線程綁定一個 Automation (自動化調度)，例如每個鐘或每個工作日朝早自動跑一次同樣嘅 prompt。
「有用嘅提醒」必須包含四件事：觸發事件、來源、含義、建議下一步。

文檔裏面俾嘅示例輸出非常典型：

One thing changed.
The renewal prep now says...
The useful move is to keep Lina's note narrow: ...
Priority: update the partner line before sending the review packet.

呢個就係 OpenAI 想要嘅「Agent 通知範式」：少而準、可執行、帶優先級。

2. Manage Your Inbox (郵件分流)

第一遍當作校準 (calibration)：話俾 Codex 知邊啲係噪音、邊啲重要、語氣係咪啱。
模仿語氣嘅方法：等佢先讀最近嘅 Sent 郵件或一份風格示例文檔，再寫草稿。
自動化只用於「草擬回覆」呢類可審閲、非破壞性嘅操作。
「刪除郵件」呢種破壞性清理永遠保持手動——呢個係明確嘅設計取捨。

3. Complete Tasks from Messages (從消息中直接完成任務)

呢個係 Computer Use 嘅延伸場景：消息裏面藏住「訂餐、定行程、查資料、報銷」呢類隱藏 to-do。

值得留意嘅兩條硬規則：

任何不可逆動作（付款、下單、確認預訂）前必須暫停並問清楚。
Codex 打開消息線程時，會好似普通用戶一樣將消息標為已讀——呢個係副作用，需要有心理準備。

同數據打交道：Clean / Analyze / Datasets

1. Clean Messy Data

好短，但有一條鐵律:

永遠喺副本上清洗，永遠唔鬱原始文件。

呢個呼應咗 AGENTS.md 入面嗰條「Never overwrite raw files」嘅約定。

2. Analyze a Data Export

強調「一個文件 + 一個問題」嘅最小循環：附件 → 提問 → 檢查列 → 生成 HTML 可視化 → 喺同一個線程入面繼續切片。

佢嘅隱含意思係：Codex 默認輸出可以喺內置瀏覽器中打開嘅本地預覽，而唔係只喺對話入面貼一張圖。

3. Datasets and Reports

呢個係數據板塊入面最有分量嘅一篇，提出咗一套完整嘅數據分析工作流程方法論，並直接致敬咗 R for Data Science 嘅循環模型：Import → Tidy → Transform/Visualize/Model → Communicate。

關鍵設計：

環境治理:在 ~/.codex/AGENTS.md 寫個人默認，喺倉庫 AGENTS.md 寫項目規則。文檔畀出嘅模板好實用：

data/raw/ 與 data/processed/ 嚴格分離
探索性筆記本放 analysis/，最終產物放 output/
合併數據前必須先報告候選鍵、空值率、Join 命中率

Worktrees (工作樹)：用 Git worktree 將「地址清洗」同「建模」分支隔離，避免一個長線程混入互不兼容嘅想法。Codex App 內置 worktree 支援。
Merge 之前先 Profile：檢查候選鍵唯一性、空值率、格式差異、試跑 join、報告匹配率——呢個係文檔入面少見嘅，將「數據工程嘅常識」直接寫咗入 Agent 指引。
建模要可解釋：明確目標變量、控制變量、泄漏風險、評估方式、用人話解釋結論。
複用靠 Skills：固化嘅流程（refresh-data、merge-and-qa、publish-weekly-report）做成倉庫本地 skill，而唔係反覆喺 prompt 入面貼同一段嘢。

呢一篇可以單獨被當成「俾數據分析師嘅 Codex 使用規範」來讀。

將分析打包成可審閲嘅成果物

1. Feedback Synthesis (反饋匯總)

將 Slack 頻道、問卷、Issue 線程嘅反饋匯成一份 Google Sheet 或 Doc，結構係：主題 + 證據連結 + 待澄清問題 + 後續動作。

後續操作（拆分主題、加列、轉 Slack 通報、轉 Issue 草稿）都喺同一個線程入面完成。文檔反覆強調呢點：線程係 Codex 嘅「記憶載體」，唔好輕易開新線程。

2. Generate Slide Decks (生成 PPT)

呢一篇有幾條好具體、好值得照跟嘅工程建議：

唔好由零開始——由已有嘅、帶品牌規範嘅源 deck 開始改。
匹配源文件嘅寬高比，唔好默認 16:9。
保留可編輯性：文字保持文字、原生圖表保持原生圖表，可以唔柵格化就唔柵格化。
複雜插畫拆成元素：例如時間線，將插畫、連線、文字分別做成獨立對象，而唔係生成一張大圖——咁樣後期可以修改。
風格一致性：將圖像生成時用嘅 prompt 存檔，方便後續擴展時延續風格。
交付前必須驗證：用 slides skill 自帶嘅腳本渲染每頁 PNG、生成預覽拼圖、檢測溢出、檢測字體缺失或替換。

呢個係文檔入面最具工程紀律嘅一篇，幾乎可以當成「AI 生成 PPT 嘅質量控制清單」。

跨篇章嘅共同模式 (最值得記住嘅部分)

讀完成個合集，可以見到 OpenAI 想傳達嘅一套通用 Agent 設計原則:

線程即工作空間：唔好為每個任務開新對話；用同一個線程反覆糾正，等佢學會你嘅偏好。
校準期唔可以省略：第一遍永遠係「話俾佢知邊啲有用、邊啲係噪音」。
自動化只加喺已經穩定嘅線程上：先手動跑通，再綁 Automation 定時執行。
寫入同發送動作必須明確審批：Codex 默認草擬，唔默認執行。
破壞性動作（刪除、付款、下單、邀請、發消息）保持手動或帶明確審批短語。
插件 > Computer Use：通用控制係補丁，專用插件係首選。
結構化輸出 > 自由文本：通知要帶「觸發 / 來源 / 含義 / 下一步 / 優先級」。
可複用嘅邏輯沉澱為 Skills 同 AGENTS.md，而唔係 prompt 入面反覆貼。
數據治理係 Agent 工程嘅一等公民：邊啲字段可以入 prompt、邊啲唔可以，必須事先約定。
圖、表、文件係協作介質：最終產物係可 diff、可審閲、可修改嘅工件，唔係聊天記錄。

我哋全部都用得着嘅實用建議

如果你打算將呢套思想落到自己嘅工作入面，可以按呢個順序嚟：

先寫兩份 AGENTS.md：個人偏好放 ~/.codex/AGENTS.md，項目規則放倉庫根目錄。
由「Proactive Teammate」起步：連 3–5 個最常用嘅工具，開一個線程，跑兩個星期校準。
再做「Inbox 分流」：風險低、收益高、容易見到效果。
數據工作建立 raw / processed 分離同 worktree 習慣，再開始等 Codex 介入分析。
PPT 工作流程先準備一個品牌模板 deck，之後所有 Codex 出嘅 PPT 都基於佢修改。
任何寫入、發出、付款類操作：保留人工審批短語，永遠唔好交俾自動化默認執行。

呢套文檔嘅真正價值，唔在於教你「Codex 可以做啲乜」，而在於示範咗一個負責任嘅 Agent 工作流程應該係點樣——呢個先係佢「好重要」嘅地方。

合集本身在講什麼

這一合集主張：Codex 不僅僅寫代碼，它的真正定位是「跨應用、跨數據、跨團隊」的協作中樞。

它把日常工作切成五類典型場景：

學習與理解(Learn with Codex)
多步驟工作流委派(Delegate multi-step workflows)
讓工作不停滯(Keep work moving)
與數據打交道(Work with data)
把分析打包成可審閲的成果物(Package analysis into reviewable artifacts)

貫穿全部場景的設計哲學,可以提煉成三條主線:

「Approved inputs(已授權的輸入源)」:Codex 只讀你明確許可的來源,不自作主張去抓未授權的數據。
「Reviewable artifacts(可審閲的成果物)」:所有產出最終落到一份你能閲讀、能修改、能複用的文件——Markdown、CSV、Sheet、Doc、Slides——而不是隻停留在對話裏。
「Stage → Review → Execute(暫存 → 審閲 → 執行)」:默認先草擬、再人工審批、最後才真正寫入或發出。

這三條几乎在每一篇裏都重複出現,是這套文檔的「靈魂」。

學習與理解:Learn a New Concept

這一篇雖然題目是「學新概念」,但其實是 OpenAI 公開演示「Subagent 模式(子 agent 分工)」的標準範例。

要點:

不是要一份摘要,而是要一個「可工作的心智模型」:要包括問題、方法、證據、假設、未解之處。
推薦的子 agent 切分:

Paper Map:抽取問題陳述、貢獻、方法、實驗、侷限
Prerequisite Context:補背景知識
Notation & Figures:解釋公式、算法、圖表
Skeptical Reviewer:扮演審稿人,挑證據漏洞
主線程負責合併、消歧、生成報告

最終產物是 notes/concept-report.md 加 Mermaid 圖、證據表、待辦閲讀清單。
圖優於文字:概念圖、方法流程圖、實驗圖、侷限圖,被顯式列為「檢驗是否真懂」的工具。
Markdown-first:除非必要,否則不用位圖。原因是「易於 diff、易於審閲、易於更新」。

這一篇最大的啓發:「學」也是一種工程任務,應當有源引用、有證據表、有「論文未能證明的部分」這種誠實聲明。

多步驟委派:Onboarding 與 Computer Use

1. New-Hire Onboarding(新員工入職)

這篇是「跨系統流程編排」的樣板,但更值得關注的是它的數據治理邊界:

顯式列出絕不能進入 prompt 或 tracker 的字段:薪酬、人口學信息、政府 ID、家庭地址、醫療、背景調查、簽證、面試評價、績效記錄。
強調把「源事實」與「生成的規劃字段」分兩列管理,方便審閲者一眼區分人和機器的責任邊界。
工作流明確分五步:Inventory(清點)→ Stage(暫存)→ Review(審閲)→ Execute(執行)→ Report(回執)。
「執行」必須靠明確的審批短語(approval phrase)觸發。

這是文檔裏少見的把「Agent 寫入操作」與「人工把關」邊界劃得最清楚的一篇,值得任何做企業 Agent 工程的人當作模板。

2. Use Your Computer with Codex(讓 Codex 操作你的電腦)

這是 Computer Use 插件的官方使用指引。關鍵事實:

觸發方式:@Computer 或直接 @Slack、@Messages 等。
若同時存在插件與 Computer Use,優先用插件——插件更穩定、更可控;Computer Use 是 fallback。
幾條實操硬規矩:

指定 Codex 用哪個瀏覽器,避免搶佔你正在用的窗口。
不要並行運行兩個 Computer Use 操作同一個應用,會讓 Codex 失去上下文。
保持登錄、保持 Mac 不鎖屏,否則任務會中斷。

這一篇透露出 OpenAI 的取捨:插件化 > 通用控制。Computer Use 是補丁,不是首選。

讓工作不停滯:Proactive Teammate / Inbox / Tasks from Messages

這一組的核心概念是「把 Codex 當成同事,而不是工具」。

1. Proactive Teammate(主動型隊友)

關鍵機制:

一個 Codex 線程連上 Slack、Gmail、日曆、Notion、GitHub、Linear、本地筆記——這就是它的「工作視野」。
通過反覆糾正(哪條有用、哪條是噪音),線程逐漸學會你關心什麼。
把這個線程綁定一個 Automation(自動化調度),例如每小時或每個工作日早晨自動跑一遍同樣的 prompt。
「有用的提醒」必須包含四件事:觸發事件、來源、含義、建議下一步。

文檔裏給的示例輸出非常典型:

One thing changed.
The renewal prep now says...
The useful move is to keep Lina's note narrow: ...
Priority: update the partner line before sending the review packet.

這就是 OpenAI 想要的「Agent 通知範式」:少而準、可執行、帶優先級。

2. Manage Your Inbox(郵件分診)

第一遍當作校準(calibration):告訴 Codex 哪些是噪音、哪些重要、語氣是否對。
模仿語氣的方法:讓它先讀最近的 Sent 郵件或一份風格示例文檔,再寫草稿。
自動化只用於「草擬回覆」這類可審閲、非破壞性的操作。
「刪除郵件」這種破壞性清理永遠保持手動——這是明確的設計取捨。

3. Complete Tasks from Messages(從消息中直接完成任務)

這是 Computer Use 的延伸場景:消息裏藏着「訂餐、定行程、查資料、報銷」這類隱性 to-do。

值得注意的兩條硬規則:

任何不可逆動作(付款、下單、確認預訂)前必須暫停並詢問。
Codex 打開消息線程時,會像普通用戶一樣把消息標為已讀——這是副作用,需要心理預期。

與數據打交道:Clean / Analyze / Datasets

1. Clean Messy Data

很短,但有一條鐵律:

永遠在副本上清洗,永遠不動原始文件。

這呼應了 AGENTS.md 中那條「Never overwrite raw files」的約定。

2. Analyze a Data Export

強調「一個文件 + 一個問題」的最小循環:附件 → 提問 → 檢查列 → 生成 HTML 可視化 → 在同一個線程裏繼續切片。

它的隱含信息是:Codex 默認輸出可在內置瀏覽器中打開的本地預覽,而不是隻在對話裏貼一張圖。

3. Datasets and Reports

這是數據板塊裏最有分量的一篇,提出了一套完整的數據分析工作流方法論,並直接致敬了 R for Data Science 的循環模型:Import → Tidy → Transform/Visualize/Model → Communicate。

關鍵設計:

環境治理:在 ~/.codex/AGENTS.md 寫個人默認,在倉庫 AGENTS.md 寫項目規則。文檔給出的模板很實用:

data/raw/ 與 data/processed/ 嚴格分離
探索性筆記本放 analysis/,最終產物放 output/
合併數據前必須先報告候選鍵、空值率、Join 命中率

Worktrees(工作樹):用 Git worktree 把「地址清洗」與「建模」分支隔離,避免一個長線程混入互不兼容的想法。Codex App 內建 worktree 支持。
Merge 之前先 Profile:檢查候選鍵唯一性、空值率、格式差異、試跑 join、報告匹配率——這是文檔裏少見的,把「數據工程的常識」直接寫進了 Agent 指引。
建模要可解釋:明確目標變量、控制變量、泄漏風險、評估方式、用人話解釋結論。
複用靠 Skills:固化的流程(refresh-data、merge-and-qa、publish-weekly-report)做成倉庫本地 skill,而不是反覆在 prompt 裏粘貼同一段話。

這一篇可以單獨被當成「給數據分析師的 Codex 使用規範」來讀。

把分析打包成可審閲的成果物

1. Feedback Synthesis(反饋彙總)

把 Slack 頻道、問卷、Issue 線程的反饋匯成一份 Google Sheet 或 Doc,結構為:主題 + 證據連結 + 待澄清問題 + 後續動作。

後續操作(拆分主題、加列、轉 Slack 通報、轉 Issue 草稿)都在同一個線程裏完成。文檔反覆強調這點:線程是 Codex 的「記憶載體」,不要輕易開新線程。

2. Generate Slide Decks(生成 PPT)

這一篇有幾條很具體、很值得照搬的工程建議:

不要從零開始——從已有的、帶品牌規範的源 deck 開始改。
匹配源文件的寬高比,不要默認 16:9。
保留可編輯性:文字保持文字、原生圖表保持原生圖表,能不柵格化就不柵格化。
複雜插畫拆成元素:例如時間線,把插畫、連線、文字分別做成獨立對象,而不是生成一張大圖——這樣後期可修改。
風格一致性:把圖像生成時用的 prompt 存檔,便於後續擴展時延續風格。
交付前必須驗證:用 slides skill 自帶的腳本渲染每頁 PNG、生成預覽拼圖、檢測溢出、檢測字體缺失或替換。

這是文檔裏最具工程紀律的一篇,幾乎可以當成「AI 生成 PPT 的質量控制清單」。

跨篇章的共同模式(最值得記住的部分)

讀完整個合集,可以看到 OpenAI 想傳達的一套通用 Agent 設計原則:

線程即工作空間:不要為每個任務開新對話;用同一個線程反覆糾正,讓它學會你的偏好。
校準期不可省略:第一遍永遠是「告訴它什麼有用、什麼是噪音」。
自動化只加在已經穩定的線程上:先手動跑通,再綁 Automation 定時執行。
寫入和發送動作必須顯式審批:Codex 默認草擬,不默認執行。
破壞性動作(刪除、付款、下單、邀請、發消息)保持手動或帶顯式審批短語。
插件 > Computer Use:通用控制是補丁,專用插件是首選。
結構化輸出 > 自由文本:通知要帶「觸發 / 來源 / 含義 / 下一步 / 優先級」。
可複用的邏輯沉澱為 Skills 和 AGENTS.md,而不是 prompt 裏反覆粘貼。
數據治理是 Agent 工程的一等公民:哪些字段能進 prompt、哪些不能,必須事先約定。
圖、表、文件是協作介質:最終產物是可 diff、可審閲、可修改的工件,不是聊天記錄。

咱們都能用的實用建議

如果你打算把這套思想落到自己的工作裏,可以按這個順序來:

先寫兩份 AGENTS.md:個人偏好放 ~/.codex/AGENTS.md,項目規則放倉庫根目錄。
從「Proactive Teammate」起步:連 3–5 個最常用的工具,開一個線程,跑兩週校準。
再做「Inbox 分診」:風險低、收益高、容易看到效果。
數據工作建立 raw / processed 分離與 worktree 習慣,再開始讓 Codex 介入分析。
PPT 工作流先準備一個品牌模板 deck,之後所有 Codex 出的 PPT 都基於它修改。
任何寫入、發出、付費類操作:保留人工審批短語,永遠不要交給自動化默認執行。

這套文檔的真正價值,不在於教你「Codex 能做什麼」,而在於示範了一個負責任的 Agent 工作流應當長什麼樣——這才是它「很重要」的地方。

內容片段

核心定位同設計哲學

學習同委派場景

數據同協作場景

共通模式同實用建議

合集本身講緊乜嘢

學習同理解：Learn a New Concept

多步驟委派：Onboarding 同 Computer Use

1. New-Hire Onboarding (新員工入職)

2. Use Your Computer with Codex (等 Codex 操作你嘅電腦)

令工作唔停滯：Proactive Teammate / Inbox / Tasks from Messages

1. Proactive Teammate (主動型隊友)

2. Manage Your Inbox (郵件分流)

3. Complete Tasks from Messages (從消息中直接完成任務)

同數據打交道：Clean / Analyze / Datasets

1. Clean Messy Data

2. Analyze a Data Export

3. Datasets and Reports

將分析打包成可審閲嘅成果物

1. Feedback Synthesis (反饋匯總)

2. Generate Slide Decks (生成 PPT)

跨篇章嘅共同模式 (最值得記住嘅部分)

我哋全部都用得着嘅實用建議

相關資源推薦

合集本身在講什麼

學習與理解:Learn a New Concept

多步驟委派:Onboarding 與 Computer Use

1. New-Hire Onboarding(新員工入職)

2. Use Your Computer with Codex(讓 Codex 操作你的電腦)

讓工作不停滯:Proactive Teammate / Inbox / Tasks from Messages

1. Proactive Teammate(主動型隊友)

2. Manage Your Inbox(郵件分診)

3. Complete Tasks from Messages(從消息中直接完成任務)

與數據打交道:Clean / Analyze / Datasets

1. Clean Messy Data

2. Analyze a Data Export

3. Datasets and Reports

把分析打包成可審閲的成果物

1. Feedback Synthesis(反饋彙總)

2. Generate Slide Decks(生成 PPT)

跨篇章的共同模式(最值得記住的部分)

咱們都能用的實用建議

相關資源推薦