使用 Codex 的这一个月：产出、收益与下一步思考

2026-07-23

最近一个月，我开始更系统地把 Codex 用进日常研发工作。恰逢本月使用额度多次重置，从实际使用量来看，我估计达到了常规单月 Plus 额度的 2～3 倍。这也让我有机会从零散问答进一步走向持续实践，观察 Codex 到底能够承担哪些工作，又会在哪里遇到边界。

这个月完成了什么¶

这一个月的产出大致可以分为六类。

第一，我完成了三个不足 5,000 行的小工具程序。这些工具主要供自己内部使用，目标并不只是获得最终结果，也是通过真实项目练习如何与 Codex 协作。

第二，我持续维护一个架构域的研发知识体系。相关代码总量约 30 万行，其中核心关键代码超过 10 万行。初期的重点是维护架构文档；后期随着可用额度增加，我开始让 Codex 直接阅读代码，并根据代码实现不断补充和优化文档。目前，这些文档已经能够在组内承担初步的信息咨询，并为新功能设计提供一定支撑。

第三，我维护了两个小型仓库，主要用于记录日常问题、整理项目需求等。这类工作并不复杂，却很适合观察 Codex 在持续整理和维护上下文方面的表现。

第四，我在实践过程中创建了大约 15 个 Skills，把上述工作中重复出现的步骤逐渐固化下来。对我来说，Skills 的价值不仅是节省几次操作，更重要的是开始把日常协作方式变成可复用的流程。

第五，我试用了 Superpowers 这套 Skills 集合，并用它完成了一个小型代码项目的设计和实现。这次尝试让我看到，完整的设计、计划和实现流程能够带来约束，但也让我意识到，其中仍有很多使用策略需要理解，不能只是机械地套用。

除此之外，还有大量零散问答、年中总结等工作。单独看每一项都不大，但它们共同构成了这个月使用 Codex 的真实场景。

这一个月最大的收益，是增加了我对 AI 在研发领域中的认知：它可以做哪些事情，哪些事情仍然做不好；它有怎样的偏好；不同工具的边界在哪里；以及在什么场景下，投入上下文和约束才真正值得。

具体产出当然重要，但更重要的是，我开始通过反复实践形成自己的判断。只有亲自把 AI 放进代码、文档、知识维护和日常记录这些工作中，才能知道它在演示之外的真实表现。

不过，目前的收益仍然主要体现在效率侧：同样的时间内可以处理更多事情，也可以把一些过去因为成本过高而没有持续维护的内容重新做起来。这还没有真正带来研发流程上的变化。个人产出增加，不等于团队的协作方式和交付流程已经改变。

第一个认识是，站在最前沿持续实践仍然非常重要。很多东西不是阅读几篇文章就能够理解的。工具的能力、交互方式和限制都在快速变化，只有实际进入工作场景，才能形成足够具体的认识。

第二个认识是，业界工具演进的速度可能比个人摸索更快。过去我基本以 API 为主，最近开始更多使用桌面工具，体验完全不同。桌面工具能够更自然地连接任务上下文、文件、终端和协作流程，也让我重新思考，AI 工具的价值并不只取决于模型能力，还取决于它以什么方式进入工作。

接下来，我会继续观察如何带团队开展基于 AI 的研发，以及如何增强 DevOps 流程。真正值得验证的问题，不只是 AI 能否让某个任务快一点，而是它能否改善知识传递、方案设计、研发协作和交付反馈。

我也会更关注一个长期问题：如何把借助 AI 完成的事情沉淀为个人和团队的能力，而不是只留下更多产出。如果不能形成方法、判断和流程，那么效率提升很可能只是短期的；如果这些实践能够持续沉淀，AI 才可能真正改变研发方式。