作者：@dkundel，OpenAI开发者关系成员；编译：Peggy
近日，OpenAI开发者关系成员Dominik Kundel撰文分享了Codex「目标模式」（goal mode，指令为/goal）的深度使用经验。这项功能标志着AI编程工具正经历角色转变：Codex不再仅仅是响应单轮指令的代码助手，而是开始成为能够围绕明确目标持续推进的执行型代理。
目标模式的核心逻辑在于为AI设定清晰、可验证的退出标准，而非冗长的需求描述。当激活该模式时，用户输入的提示词不仅作为初始指令，更成为AI判断任务是否完成的依据。理想的目标应包含明确的数字指标，例如「将构建时间减少30%」「实现100%测试一致性」或「将最大内容绘制（LCP）优化至2.5秒以下」。这些量化标准让Codex能够自主评估进展，避免在模糊目标中无限试错。
OpenAI团队观察到，已有开发者让Codex为单一目标连续工作超过120小时。要充分发挥其潜力，需掌握以下七大原则：
1. 设定清晰的可验证标准
目标提示应聚焦于完成条件，而非过程细节。数字指标虽非必需，但能显著提升执行效率。用户可在常规对话中与Codex头脑风暴后，再让其自行设定目标，也可随时通过编辑功能调整目标内容。
2. 提供方向性指引
为避免AI陷入无效探索，应在提示中指明排查起点、可用工具及限制条件。例如在优化构建时间时，若已知瓶颈所在，可直接引导Codex聚焦该区域。也可先启用计划模式（plan mode）进行初步研究，生成方案文档后再启动目标模式。
3. 建立可衡量的进展体系
对于复杂目标，需为Codex配备进度评估工具。在视觉还原任务中，AI曾自主创建截图比对工具并持续迭代；在性能优化场景中，则需要访问真实的监控数据。开发者需警惕AI可能为达成表面指标而采取取巧手段（如裁剪图片代替代码实现）。
4. 构建真实执行环境
AI需要尽可能接近生产环境的技术栈、配置和数据集才能取得有效进展。典型案例包括：使用实体设备测试iOS性能、在完整生产配置中调试部署流程。当预览环境与生产环境存在差异时，Codex甚至需要手动部署以验证优化效果。
5. 谨慎处理视觉类目标
「像素级还原UI」等视觉目标容易让AI陷入细节泥潭。更好的做法是将视觉要求拆解为功能清单、设计系统规范等可评估标准，避免AI过度关注图形元素生成而忽略整体架构。
6. 建立持续跟踪机制
对于持续数日的任务，建议通过以下方式跟踪进展：让Codex在关键节点提交代码至草稿PR；维护HTML或Markdown格式的进度文档；配置Slack自动播报重要进展；使用/side指令创建侧边聊天快速查询状态。
7. 结果审查与清理
目标达成后，应使用/review指令进行代码审查，并让AI反思执行过程中的有效/无效尝试。由于Codex会保留所有实验性改动，需要清理无效代码路径，确保最终交付物的整洁性。
加密货币开发场景启示
在加密货币和区块链开发领域，目标模式展现出独特价值：智能合约开发者可设定「将Gas费用降低25%」等量化目标；DeFi项目团队可要求AI「实现与现有测试套件100%兼容的迁移方案」；交易所系统可追求「将API响应延迟优化至50毫秒以下」。这些明确指标配合区块链测试网环境，能让AI代理持续优化加密生态系统的关键性能指标。
Dominik Kundel总结道：「目标模式将AI编程从『提示词工程』推向『工程执行管理』的新阶段。开发者的核心能力正在转变为：为目标定义度量体系、配置真实环境、建立跟踪机制，最终完成结果审查。」这种范式转变尤其适合需要长期迭代的加密货币基础设施开发，为区块链行业的自动化工程实践开辟了新路径。