最近看到 OpenAI 发布的《OpenAI Codex 最佳实践指南》，讲的是怎么更好地用 Codex 这个 AI 编程助手。虽然说的是代码工具，但读完之后发现，里面很多思路其实适用于所有 AI 工具。核心就一句话：别把 AI 当成一次性助手，要把它当成可以持续优化的队友。
给对的上下文，而不是完美的指令
很多人觉得用 AI 工具得写特别精确的提示词才行。其实不是。Codex 已经足够聪明，你随便扔个问题给它，大概率也能得到还不错的结果。但如果你想要更稳定、更靠谱的输出，尤其是在复杂项目里，关键不在于指令写得多完美，而在于你给了它什么上下文。
一个好的任务描述通常包含四个部分。第一是目标，你想做什么。第二是上下文，哪些文件、文档、错误信息跟这个任务有关。第三是约束条件，有什么规范、架构要求或者惯例必须遵守。第四是完成标准，什么情况下算是做完了，比如测试通过、bug 消失、功能正常运行。
这个思路其实可以用到任何地方。你跟人沟通工作也是一样，说清楚要什么、背景是什么、有什么限制、怎么算完成。AI 只是把这个需求放大了，因为它没法像人一样自己去猜你的意图。
让 AI 先做计划，再动手
如果任务比较复杂，或者你自己都说不太清楚想要什么，别急着让 AI 直接开干。让它先做计划。
Codex 有个计划模式，会先收集信息，问你一些问题，把思路理清楚了再开始写代码。你也可以直接让它反过来采访你，挑战你的假设，把模糊的想法变成具体的方案。
这个习惯特别值得学。我们平时做事也是，很多时候不是执行出了问题，是一开始方向就没想清楚。花点时间在前面做规划，后面能省很多返工的时间。AI 能做的事越多，前期规划就越重要，因为它能快速把错误的方向也执行出来。
把重复的规则写下来，别每次都重新说
如果你发现自己总是在跟 AI 强调同样的要求，比如代码风格、测试标准、项目结构，那就别每次都手动输入了。把这些规则写到一个文档里，让 AI 自动加载。
Codex 用的是一个叫 AgentS.md 的文件，你可以理解为给 AI 看的项目说明书。里面写清楚项目怎么运行、怎么测试、有什么规范、什么事情不能做。这样每次 AI 工作的时候，这些规则就自动生效了。
这个思路也很实用。如果你经常跟不同的人协作，或者经常做类似的项目，把那些反复要说的东西整理成文档，能大幅提高效率。不光是给 AI 看，给人看也一样有用。新人来了直接看文档，不用你每次都从头解释一遍。
文档不用写得特别长，短而准确比长而模糊有用得多。先写最基本的，然后每次发现问题了再补充。如果 AI 犯了同样的错误两次，就让它做个复盘，然后把教训加到文档里。这样文档就是活的，是基于真实问题不断优化的。
配置好工具，别每次都临时调整
很多人用 AI 工具遇到的问题，其实不是工具本身的问题，是配置没弄对。比如工作目录不对、权限没给够、默认设置不合适。
Codex 可以设置个人默认配置，也可以针对不同项目设置不同的规则。你可以控制 AI 什么时候需要征求你的同意，什么时候可以直接执行，能访问哪些文件，能运行哪些命令。
刚开始用的时候，建议权限设置得严格一点。等你熟悉了，知道哪些操作是安全的，再慢慢放开。这跟我们平时用新工具的逻辑一样，先小心试探，确认没问题了再放心用。
不只是生成，还要验证和审查
别让 AI 做完就完事了。让它自己检查结果，运行测试，确认功能正常，甚至让它审查自己写的代码有没有问题。
Codex 可以写完代码之后自己跑测试，检查格式和类型，确认最终效果符合要求，还能审查代码里有没有 bug 或者风险。但前提是你得告诉它什么叫好，这个标准可以写在提示里，也可以写在配置文档里。
这个思路特别重要。AI 能做的事情越来越多，但它不知道什么叫好。你得建立标准，让它按照标准来检查。这样你就不用自己盯着每一步，只需要最后验收结果就行。
用外部工具补充上下文
有时候 AI 需要的信息不在项目里，可能在数据库里，可能在其他系统里，可能在实时更新的数据源里。这时候就需要把外部工具连接进来。
Codex 支持一个叫 MCP 的协议，可以连接各种外部系统。但不要一上来就把所有工具都连上，先连那些真正能解决问题的。比如你发现自己总是要手动去某个系统查数据然后复制粘贴过来，那就把这个系统连上。
这个原则也适用于其他场景。工具不是越多越好，关键是解决你的实际痛点。先找到那个最影响效率的环节，用工具把它自动化，然后再考虑下一个。
把重复的工作流变成技能
如果你发现自己总是在做同样的事情，或者总是在纠正 AI 的同样错误，那就该把这个工作流固化下来了。
Codex 有个技能系统，可以把一套完整的指令、上下文和逻辑打包成一个可复用的技能。比如日志分析、发布说明撰写、代码审查、迁移规划，这些重复性的工作都可以做成技能。
每个技能应该只做一件事，定义清楚输入是什么、输出是什么、什么时候用。不用一开始就考虑所有边界情况，先把一个典型场景做好，然后慢慢完善。
判断标准很简单：如果你一直在重复同样的提示，或者一直在纠正同样的问题，那它就该变成一个技能。
稳定的流程可以自动化
当一个工作流已经很稳定了，你可以让 AI 定期自动执行。比如每天总结最近的代码提交，扫描可能的 bug，生成发布说明，检查 CI 失败的原因。
但要注意，只有那些已经很可靠的流程才适合自动化。如果一个任务还需要你经常干预和调整，先把它做成技能，等它稳定了再考虑自动化。
技能定义方法，自动化定义时间表。这两个配合起来，才能真正把重复劳动变成自动化的生产力。
管理好对话线程
跟 AI 的对话不只是聊天记录，它是一个工作线程，会积累上下文、决策和行动。管理好这些线程，对结果质量有很大影响。
一个线程应该对应一个完整的工作单元。如果还是同一个问题，继续在同一个线程里往往更好，因为它保留了之前的思考过程。只有当工作真的分叉了，才需要创建新线程。
如果线程变得太长，可以让 AI 压缩一下早期的上下文。如果有多个并行任务，可以用多个代理分别处理，主线程专注核心问题，子代理处理探索、测试或者分类工作。
几个常见的坑
最后说几个新手容易踩的坑。
第一是把应该写在配置文档里的规则都塞到提示里。这样每次都得重复，而且容易遗漏。
第二是不让 AI 看到自己的工作结果。你得告诉它怎么运行、怎么测试，它才能验证自己做得对不对。
第三是复杂任务不做规划就直接开干。多步骤的任务一定要先规划，否则很容易走偏。
第四是一开始就给 AI 完全的权限。应该先从严格的权限开始，确认安全了再放开。
第五是把重复任务自动化得太早。得先确保它手动执行的时候已经很可靠了，再考虑自动化。
第六是把 AI 当成需要你一步步盯着的工具。其实你可以让它并行工作，你干你的事，它干它的事。
第七是一个项目只用一个线程。这会导致上下文越来越臃肿，结果反而变差。应该一个任务一个线程。
写在最后
这篇指南虽然是写给我们程序员的，但里面的很多思路其实是通用的。核心就是把 AI 当成可以配置和优化的队友，而不是一次性的工具。
给它对的上下文，把重复的规则固化下来，让它学会自我验证，把稳定的流程自动化。这样它才能真正提高你的生产力，而不只是换一种方式让你累。
工具会越来越强大，但真正决定效率的，是你怎么用它。
原文地址：https://developers.openai.com/codex/learn/best-practices
最后，给大家说件事，我的星球社群持续更新中，很多同学问，你在社群都更新什么内容呢？举个例子，我这两天更新了两篇副业案例拆解的文章，到目前为止，我的「副业案例库」已经更新到了 50 篇，争取今年突破 100 篇。
从今年开始更新的这些副业案例，更倾向于国内的普通人做的一些项目案例，而不像是去年更新的那 30 多篇都倾向于独立开发者，希望副业案例更加丰富，能够给大家带来更多的启发。
其实，不止，我星球里有各种教程，从今年开始，录制视频教程就接近 20 期了。最近非常火的 Agent Skill 视频教程也录制了 16 期了。加入我的星球社群「AIGC·掘金成长研习社」即可获取视频链接学习。
最后，介绍一下，我的星球：「AIGC·掘金成长研习社」（可点击链接查看星球全面介绍），主要分享三个板块的内容：
