全流程系统化学习路线：从零搭建 Codex 智能体完整应用

第一阶段：环境配置与规则建立（打好地基）

1. 安装与模型配置 ：下载 Codex 桌面 App 并登录。在设置中确认你的模型版本（如 GPT-5.5），并根据任务复杂度调节智能程度（推荐日常开发选择“高”）。
2. 建立项目级上下文（核心） ：不要每次对话都重复解释你的项目背景。在项目根目录创建 AGENTS.md 文件，将项目的技术栈、目录结构、代码规范和业务逻辑写在这里。这相当于给 Codex 植入了“长期记忆”，让它每次开工前都能读懂你的工作方式。
3. 配置安全权限 ：熟悉 Codex 的权限模式。对于不确定的任务，先用只读或自动审查模式查看方案；对于涉及核心文件修改的任务，务必保持人工确认机制，防止 AI 误删重要逻辑。

第二阶段：需求拆解与架构设计（谋定后动）

1. 逼自己想清楚需求 ：在开发前，可以使用 /grillme 等命令让 Codex 反向提问，逼迫你把模糊的想法（如“我想做个健身App”）转化为清晰的功能列表。
2. 先规划，后执行 ：千万不要直接让 AI 执行大方案。正确的做法是：先让 AI 输出完整的架构设计方案，确认无误后，将大方案拆解成一个个独立的小功能文件（如用户鉴权模块、数据流模块）。
3. 掌握异步与长周期目标 ：利用 /goal 命令让 Codex 一口气执行拆解好的小任务，并在执行过程中用 /pet 等指令随时盯进度。这种“先拆解、再执行”的心法，是保证代码质量的关键。

第三阶段：全栈实战与自动化编排（核心攻坚）

1. 多 Agent 协同与工具调用 ：在复杂的全栈项目中，不要让一个 AI 包揽所有事。你可以采用前后端分离架构，让 AI 分别负责前端 Vue 页面生成、后端 Python FastAPI 接口编写，甚至通过 Tool Use 机制对接 DeepSeek V4 等外部大模型，实现 AI 分析与问答能力。
2. 接入真实业务工具链 ：Codex 的强大在于它能进入你的“工作现场”。通过配置 Skills（技能包）和 Hooks（拦截器），你可以让 Codex 联动飞书、Obsidian 或本地文件。例如，让 AI 自动分析日志、生成 PPT，甚至自动化剪辑视频。
3. 内置浏览器与 Computer Use ：在开发前端或小程序时，充分利用 Codex 的内置浏览器。你可以亲眼看着 AI 自己打开浏览器、点击测试刚写好的 UI，甚至进行手机端响应式适配测试，实现端到端的自动验收。

第四阶段：质量审查与工程化沉淀（闭环交付）

1. Git Diff 是最后一道防线 ：每次 AI 修改代码后，务必执行 git status 和 git diff 。重点检查：有没有修改无关文件？有没有新增不必要的依赖？有没有破坏公共组件？干净的 Diff 才是高质量交付的证明。
2. 用测试驱动修复 ：如果运行报错，不要只发一句“继续修”。应该把完整的错误日志发给 AI，要求它分析“失败原因、涉及文件、修复建议以及是否影响其他模块”，避免 AI 陷入无头苍蝇式的反复修改。
3. 沉淀你的专属 SOP ：Codex 最有价值的地方不是单次写代码，而是把重复做的事情沉淀下来。将你在实战中摸索出的好 Prompt、好用的插件配置、排错经验，统统写回 AGENTS.md 或封装成自定义 Skill。