这篇笔记整理自 OpenAI 开发者博客 Run long horizon tasks with Codex。原文记录了用 Codex 从零构建一个设计工具的完整实验，核心内容是如何让 AI 编程代理在长时间任务中保持连贯。
背景
GPT-5-Codex（2025年9月）是第一个针对代理式编程优化的 GPT-5 版本，12月发布的 5.2 开始让人觉得自主式编程代理可以变得可靠。
博文中介绍做了一个压力测试：给 Codex 一个空白仓库和完整权限，任务是从零构建一个设计工具。用 GPT-5.3-Codex 的 “Extra High” 推理级别，持续运行约 25 小时，消耗约 1300 万 token，生成约 3 万行代码。
实验仓库：design-desk
时间跨度才是关键变化
不只是模型变聪明了，更实际的变化是：代理能在更长时间内保持连贯性。具体表现：
- 端到端完成更大块的工作
- 出错后能恢复，不丢失上下文
METR 的时间跨度基准研究发现：前沿代理在 50% 和 80% 可靠度下所能完成的软件任务时长，翻倍周期约 7 个月。
GPT-5.3-Codex 的两个关键提升：
- 更擅长多步骤执行（规划 -> 实现 -> 验证 -> 修复）
- 运行途中更容易纠偏，不用重置整个任务
代理循环（Agent Loop）
长时间运行的工作，关键不在于一个巨大的提示词，而在于模型所处的代理循环。
循环步骤：
规划 → 修改代码 → 运行工具（tests/build/lint）→ 观察结果 → 修复失败 → 更新文档/状态 → 重复这个循环给代理三样东西：
- 真实反馈 – 错误信息、diff、日志，不是模型自己猜的
- 外化状态 – 仓库、文件、文档、worktrees、输出结果，状态不只存在上下文窗口里
- 持续可引导 – 可以根据中间结果随时纠偏
Codex 在自己的界面上比在普通聊天窗口里表现更好。原因是底层框架提供了结构化上下文（仓库元数据、文件树、diff、命令输出），并且强制执行更有纪律的"何时算完成"流程。
持久化项目记忆（Durable Project Memory）
核心思路：把规格说明、计划、约束条件和状态都写进 markdown 文件，让代理可以反复回看。
这套方法不依赖 Codex，可以直接复用到 Claude Code、Cursor 等其他 AI 编程工具。
四个关键文件：
1. Prompt.md – 规格说明 + 交付物
作用：冻结目标，防止代理"做出很厉害但方向错了的东西"。
包含内容：
- 目标与非目标 – 明确做什么、不做什么
- 硬性约束 – 性能、确定性、UX、平台要求
- 交付物 – 具体要交付什么
- “Done when” 验收标准 – 什么状态才算完成
2. Plan.md – 里程碑 + 验证
作用：把开放式工作转化为可完成、可验证的检查点。
包含内容：
- 足够小的里程碑 – 每个里程碑要有明确边界
- 每个里程碑的验收标准和验证命令 – 不是靠感觉判断完成，而是跑命令验证
- 停止并修复规则 – 什么情况下必须停下来修 bug 再继续
- 决策备注 – 记录已做的决策，避免代理来回摇摆
- 目标架构设计 – 整体技术方向
3. Implement.md – 执行说明
作用：运行手册，告诉代理如何工作。
包含内容：
- Plan markdown 是唯一事实来源
- 每个里程碑完成后必须运行验证
- 控制 diff 范围，不扩大任务边界 (每个里程碑只改该改的代码，不要顺手去动计划外的东西。)
- 持续更新文档
4. Documentation.md – 状态 + 决策记录
作用：共享记忆和审计日志。离开几小时回来也能看懂当前状态。
包含内容：
- 当前里程碑状态 – 进度到哪了
- 已做出的决策及原因 – 为什么选了 A 而不是 B
- 运行和演示命令 – 怎么跑起来、怎么看效果
- 已知问题 / 后续跟进 – 还有什么坑
验证实践
每个里程碑完成后执行验证命令：
# 典型验证链
tests → lint → typecheck → build修复失败后才能继续下一个里程碑。这一步很关键 – 没有持续验证，代理很容易在后面的里程碑里引入回归。
Codex 的日常功能
几个值得关注的能力：
- 跨项目并行线程 – 长任务不阻塞日常工作
- Skills – 标准化的规划/实现/测试/汇报流程
- Automations – 例行工作后台执行
- Git worktrees – 隔离运行，保持 diff 可审查
总结
让 AI 编程代理可靠完成长时程任务的五个要素：
- 明确的目标和约束（Prompt.md）
- 带验收标准的检查点式里程碑（Plan.md）
- 指导代理运行的执行手册（Implement.md）
- 持续验证（tests/lint/typecheck/build）
- 实时更新的状态和审计日志（Documentation.md）
方向很明确：更少人工盯防，更多带护栏的任务委托。