使用Codex最大的浪费是每次重新认识它
不妨回想一下,你上次使用 Codex 辅助工作的场景,是不是这样的:你提问一句,它回答一句。对话结束后直接关闭,下一次再发起新话题时,又得把项目背景从头到尾重新描述一遍。

这其实是一种极大的浪费。
浪费的不是 Codex 的能力,而是你自己的宝贵时间。
OpenAI Codex 团队的 Jason Liu 前几天分享了一篇长文,标题为 Getting the most out of Codex。文中提到的内容不少,但真正让人感到“早该这样做的”,其实是两个要点:一个是关于如何开启对话,另一个是关于如何留存记忆。
一、告别每次开新对话:用“长期线程”持续工作
你仔细回顾一下,最近一次让 Codex 帮忙的工作流程,是不是像下面这样:
- 新建一个对话。
- 花两三句话介绍项目背景。
- 描述你需要完成的任务。
- Codex 开始执行。
- 你发现它理解有偏差,又补充了几句上下文。
- 终于得到结果,你关闭对话。
- 第二天又重复第一步。
问题出在哪里?
答案很简单:你每次都在重新教它认识你的项目。
Jason 针对这个问题给出了一个方案,叫做“长期线程”(Long-running Threads)。核心思路非常直接:不要关闭对话,让线程持续存活。
但这并不是让你保持一个聊天窗口永远不关。他真正做的,是为不同类型的工作各自设立一个“专属位”——通过 Codex 的置顶功能,用 Cmd+1 到 Cmd+9 一键切换。
比如他自己的配置:
- 线程 1:万能助理。专门处理杂务——查消息、整理待办、回答简单问题。
- 线程 2:产品发布。跟进发版流程、检查清单、协调依赖。
- 线程 3:文档审查。持续审查和迭代文档。
- 线程 4:外部监控。盯着外部反馈、评论、舆情。
看出区别了吗?
普通聊天是一次性的问答模式。你问“这个 bug 怎么修”,它给出一段代码,对话就终结了。下次遇到相关问题,又得从头解释一遍。
长期线程则完全不同。它相当于一个持续运转的工作工位。
在“产品发布”这个线程里,Codex 记得上次发版改了什么、哪个模块有兼容问题、QA 反馈了哪些回归测试。你不需要重新交代背景,直接说“这次版本号升到 3.2,顺便把上次的兼容问题也处理一下”,它就能准确理解你的意思。
在“外部监控”这个线程里,Codex 记得上周的 reviewer 说 UI 间距不对、产品经理提了两个新需求、前端同事反映某个组件有性能问题。你完全不用复述这些上下文。
这与普通聊天的本质区别在于:你再也不必每次都从零开始解释自己。
Jason 说了一句非常直白的话:
这个“从零开始”四个字,就是你每天无形中消耗掉的时间。
二、然而长期线程也可能丢失上下文
到这里,你可能已经准备尝试这个方法了。但有一个问题,Jason 不仅没有回避,反而专门拿出来讲清楚了:
长期线程本身也并非绝对安全。
对话可能因各种意外而中断:更换设备、清理缓存、平台升级、或者自己不小心关闭。一旦中断,积累了几周甚至几个月的上下文就会瞬间消失。
更常见的情况是:你在某个对话里和 Codex 讨论了一个重要决策——架构选型用了方案 A 而不是方案 B,因为方案 B 在某个特定场景下存在性能问题。这个决策只记录在了当时的聊天记录里。但下次你开启新对话时,这个新对话对此一无所知。
于是,新对话可能再次推荐你使用方案 B。
你只好花时间解释“上次我们讨论过了,不用 B”,但很不巧,你已经记不清当时的具体原因了,只能重新分析一遍。
真正容易丢失的,往往不是代码,而是这些隐性信息:
- 为什么当时选了 A 而不是 B
- 谁负责哪个模块
- 上次卡在哪里,又是怎么绕过去的
- 哪些人还没有回复
- 哪些坑下次一定要避开
代码有 Git 管理,丢了也能找回。但这些上下文如果只存在于聊天记录里,换一个对话就直接蒸发了。
三、给你的 Codex 配备一个外部记忆库
Jason 给出的解决方案是这样的:
在对话之外,单独维护一份持久化的记忆。
具体怎么做?他使用 Obsidian,但本质上任何能存纯文本的文件夹都行。哪怕只是在本地建一个文件夹,里面放几个 Markdown 文件也完全够用。
关键不在于工具,而在于结构。他提供的参考结构如下:
vault/
├── TODO.md
├── people/
├── projects/
├── agent/
└── notes/
表面上看,这只是一个普通的文件夹。但仔细想想,这里面存放的到底是什么?
TODO.md:待办事项与优先级。people/:项目中涉及的人员、角色、联系方式、谁在等谁的反馈。projects/:每个项目的进展、关键决策、阻塞点。agent/:Codex 自身的工作日志,哪些工作流已验证有效,效果不错。notes/:临时笔记、会议要点、灵感碎片。
代码库存的是代码。而这个记忆库,存的则是项目的“滚动上下文”。
什么是滚动上下文?就是指那些一直处于变化中,但每个时刻又都必须了解的信息。今天谁负责什么、哪个模块遇到了阻塞、上周做出了什么决策、哪些反馈尚未处理。这些东西,Git 管不了,文档系统也管不了,但它们对你工作的连续性至关重要。
四、但还有一个关键问题:如何避免混乱
到这里你可能会想:行,那我建个文件夹,让 Codex 帮我往里写内容不就行了?
问题来了。让 Codex 写内容时,它往往会出现两种极端表现:
一种是写得太多。 你让它记录一下今日进展,它直接给你整出一篇 800 字的日报,里面大部分内容其实可有可无。翻两回,你就再也不想看了。
另一种是写得太乱。 文件随意创建,命名随心所欲,今天记在这,明天又记在那。一周之后,连你自己都找不到东西究竟在哪里。
Jason 的解法是在记忆库的根目录放置一个 AGENTS.md 文件。这个文件的作用并非存放信息,而是给 Codex 制定规则。
他给出了一个实际示例,核心思想大致如下:
最后一条,也是最关键的一条。
“如果没有实质性新进展,就不要动文件。”
这解决的是 Codex 的“过度积极”问题。很多时候,你只是让 Codex 查个东西,它却顺手把你的整个笔记体系重新梳理了一遍。初衷也许是好的,但结果往往是你的精心维护的结构被它搞得一团糟。
AGENTS.md 本质上就是一份工作契约——你和 Codex 之间,关于“记忆该如何管理”的约定。写清楚什么该记、什么不该记、记在哪里、什么时候不该改动。以后每个新对话进来,先读取一遍这个文件,就明白了规则。
五、两者结合才是完整的方案
回到开头的话题。
长期线程解决的是对话内的连续性——在同一个线程里,今天和明天无缝衔接,不会断档。
外部记忆库解决的是对话外的连续性——即使对话意外丢失了,关键信息依然完好无损地保存着。
但只有两者结合起来,才能构成一个完整的、可靠的方案。
Jason 举了一个很好的例子。他的“万能助理”线程每隔 30 分钟自动运行一次:检查 Slack 和 Gmail,整理未读消息,排列优先级,草拟回复但不发送。这个线程本身是长期线程,上下文始终连贯。但如果它在运行过程中,同时把重要发现写入了外部记忆库——比如“张三在 Slack 上提了一个新的性能问题,尚未回复”——那么,即便这个线程因为某种原因中断了,下一个线程接手时,依然能从这个记忆库里读到这条关键信息。
对话内的记忆,让你不必重复自己。对话外的记忆,让你无所畏惧于信息丢失。
说实话,这两个点都不是什么复杂的技术概念。既不涉及高深的架构设计,也不需要你学习任何新工具。
但它解决的是 Codex 使用中一个被严重低估的问题:上下文断裂。
你每次新开一个对话都在重新解释项目背景,这并非 Codex 的问题,而是你的使用方式有待优化。你每次做出重要决策都不做记录,下次又从头讨论一遍,这不是记忆力的问题,而是你没有给 Codex 准备一个可靠的外部存储空间。
这两个习惯一旦改变,你用 Codex 的效率将完全不同。
不是 Codex 变强了。而是你终于没有在浪费它的价值。
游乐网为非赢利性网站,所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系youleyoucom@outlook.com。
同类文章
修Bug被Gemini追删代码致宕机修复报告现编
最近,一起堪称“教科书级别”的AI Agent IDE翻车事件在开发者社区引发热议。这起事故值得所有依赖AI编程工具的开发者,尤其是那些已经在生产环境中对AI Agent 授予较高权限的团队,进行深刻反思。 简单回顾:5月26日,一位开发者要求Gemini 3 5(运行在Agent IDE环境中)修
Notion AI运营指南:自动归纳用户反馈
其实,想在 Notion 中高效搞定用户反馈的自动归纳,并不复杂。下面这四种 AI 方法,基本覆盖了从单条处理到全局分析的常见场景。 如果你也在用 Notion 收集用户反馈——无论是问卷、邮件、客服记录,还是社群发言——但总觉得信息碎片化严重,难以提炼共性问题和核心诉求,那很可能是因为缺少一套结构
AI给出的答案为何总不符期望?原因解析
大模型能力强大,但提问方式不当会导致结果不理想。核心在于精准提问,通过角色设定、背景介绍、明确任务、实现路径和输出要求这五个关键步骤逐步细化问题,才能大幅提升AI回答的质量和精准度。
Anthropic新AI聊天机器人模型声称在多项测试中击败OpenAI GPT-4
2024年3月5日,人工智能领域迎来了一位重要参与者——由OpenAI前员工创立的Anthropic公司正式推出了Claude 3系列模型。这次发布极具分量:新模型不仅在性能上与Google和OpenAI的顶级产品并驾齐驱,部分指标甚至实现超越。要理解此次升级的真正价值,先关注几个关键变化。首先是多
Trae对Deno与Bun运行时的AI代码补全支持程度全面详解
如果你在使用 Trae 进行 AI 代码补全时发现,它对 Deno 或 Bun 运行时的提示不够精准——例如类型定义缺失、API 无法正确识别——那很可能不是代码本身有误,而是 Trae 的底层配置尚未适配。简而言之,Trae 对于非 Node js 运行时的标准库支持尚未实现“开箱即用”。下面我们
- 日榜
- 周榜
- 月榜
1
2
3
4
5
6
7
8
9
10
相关攻略
2015-03-10 11:25
2015-03-10 11:05
2021-08-04 13:30
2015-03-10 11:22
2015-03-10 12:39
2022-05-16 18:57
2025-05-23 13:43
2025-05-23 14:01
热门教程
- 游戏攻略
- 安卓教程
- 苹果教程
- 电脑教程
热门话题

