在早期的 AI 開發經驗中，大多數工程師習慣將 LLM（大型語言模型）視為一個問答機器人，也就是輸入一個 Prompt（提示詞），得到一個答案，對話結束。然而，面對真實世界的軟體工程專案，任務通常非常複雜且具有長週期特性，無法在單次對話中完成。OpenAI 提出的 Codex-maxxing 概念，核心就在於將 AI 從單純的對話工具，轉化為一個具備持續性的工作空間（Persistent Workspace），讓 AI 能在長期的專案進程中維持上下文記憶並管理複雜的工作流。
對於初入行的工程師來說，最容易遇到的挑戰是 AI 的上下文遺忘或邏輯偏移。當專案規模擴大，對話紀錄過長時，AI 可能會忘記最初的設計目標，或者在修改 A 功能時意外弄壞了 B 功能。Codex-maxxing 的實作邏輯是將宏大的目標拆解為可驗證的微小步驟（Verifiable Steps）。這意味著你不能直接要求 AI 寫出整個系統，而應該將其拆分為定義介面、實作單元測試、開發核心邏輯等階段，每完成一步就進行驗證，確保 AI 的輸出始終在正確的軌道上。
在長週期的工作流中，維持連續性（Continuity）至關重要。這要求開發者建立一套管理機制，讓 AI 能在不同的工作流（Workstreams）之間同步進度。實務上，這可以透過維護一份動態更新的專案狀態文件或上下文快照來達成，讓 AI 在每次啟動新階段時，都能迅速回溯之前的決策理由與技術債，而不需要開發者重新輸入大量背景資訊。
此外，工程師必須學會區分執行權的委派（Delegation）。並非所有工作都適合交給 Codex 自動執行，關鍵在於定義哪些部分是執行層面，哪些是監督層面。執行層面如重複性的樣板代碼撰寫、單元測試生成或初步的 Bug 掃描，可以高度委派給 AI；而監督層面如系統架構設計、安全性審查以及最終的整合驗證，則必須由人類工程師把關。這種人機協作模式能最大化 AI 的產出效率，同時避免因過度依賴自動化而導致的系統性崩潰。
總結來說，將 AI 應用於長週期工作不再是單純的提示詞工程，而是一種工作流管理。透過目標拆解、狀態維持與合理的權限委派，開發者可以將 Codex 變成一個真正能共同成長的虛擬同事，而非僅僅是一個高級的搜尋引擎。
來源：openai.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。