我最近发现一个挺有意思的现象。不少人用 Codex 的时候，上来就把 effort 开到xhigh。不管是改个 README，还是修个小 bug，或者是启动一个项目，还是让它帮忙看一段报错，第一反应都是：拉满！！！（不只针对 Codex ，所有具有 effort 的 LLM 都适用。这就像是你本打算洗个车，结果你车开进洗车房把车和人一块洗了。这事儿吧，不能说完全没道理。xhigh肯定有用。Open

从需求 -> 设计 -> 确定接口信息 -> 考虑表结构 -> 生成业务逻辑和源码 -> 处理事务、异常、权限、日志、依赖 -> 测试、文档补全、安全检查等，确保团队可以 Review、可以接手、可以继续迭代。尤其是当你要做一个不只是 CRUD 的需求，比如优惠券核销、订单售后、库存同步、审批流、会员积分、报表统计这类业务时，它的智能引导和 AI 工具箱会比单纯问让 AI 帮你写代码更接近真实流程

因为有些问题比较复杂，单个 agent 无法一次性解决，尤其是在复杂的旧代码库中：比如在整个服务中搜寻错误，涉及数百个文件的迁移，或者在提交之前需要从各个角度进行严格测试的计划。官方也发了⚠️声明：dynamic workflows 消耗的令牌数量可能比典型的 Claude Code 会话多得多，因此我们建议从范围较窄的任务开始，以便了解其在工作中的使用情况。而官方的声明则表是，Opus 4.8

因为有些问题比较复杂，单个 agent 无法一次性解决，尤其是在复杂的旧代码库中：比如在整个服务中搜寻错误，涉及数百个文件的迁移，或者在提交之前需要从各个角度进行严格测试的计划。官方也发了⚠️声明：dynamic workflows 消耗的令牌数量可能比典型的 Claude Code 会话多得多，因此我们建议从范围较窄的任务开始，以便了解其在工作中的使用情况。而官方的声明则表是，Opus 4.8

图：原文封面，出自 Jason Liu 的 X 长文《Getting the most out of Codex》以下是原文全文翻译。作者 Jason Liu（@jxnlco），2026-05-20 发布于 X（长文形式）。我的个人看法放在文末「我的想法」一节，与译文分开。大多数开发者第一次用编程 agent 都是为了写代码：检查一个仓库、生成一份 diff、跑测试、开一个 pull reques

周末的时候，微信读书官方发布了一个 weread skills。不得不说微信读书这波是走在前列的。这篇就跟大家聊聊如何配置微信读书的 — weread skills。首先你需要登录 https://weread.qq.com/r/weread-skills，点击快速配置。然后把 “下载 https://cdn.weread.qq.com/skills/weread-skills.zip 安装 sk

周末的时候，微信读书官方发布了一个 weread skills。不得不说微信读书这波是走在前列的。这篇就跟大家聊聊如何配置微信读书的 — weread skills。首先你需要登录 https://weread.qq.com/r/weread-skills，点击快速配置。然后把 “下载 https://cdn.weread.qq.com/skills/weread-skills.zip 安装 sk

Prompt 这件事，正在从“炫技”变成“定义任务”。这也是我看这门课最大的感受。以后真正会用 AI 的人，可能不是记了最多模板的人。而是最清楚自己要什么的人。他知道什么时候该搜索，什么时候该深挖，什么时候该让 AI 反驳自己，什么时候该停下来检查事实。他也知道，一篇文章不是越完整越好，一个回答不是越长越好，一个 prompt 不是越复杂越好。说到底，AI 只是把执行成本降下来了。但判断成本没有消

技术行业有一个常见的误区：把「用更大的模型」等同于「更好的解决方案」。Anthropic 的 Advisor Strategy 用一种优雅的方式证明了——聪明地组合，往往比粗暴地堆料更有效。这让我想起软件工程领域一个古老的道理：好的架构不是让每个组件都变成最强的，而是让每个组件在最合适的位置发挥恰好的作用。Opus 不需要全程在线，它只需要在关键时刻说对那几句话。这不正是「顾问」的精髓吗？

Anthropic 的 KYC 不是终点，而是起点。AI 正在从“开放实验场”变成“受监管基础设施”，这个趋势不会因为哪个公司标榜“负责任”而改变。监管机构的关注、模型能力的突破、用户规模的扩大——这三股力量会共同推动 AI 实名制的到来。对于我们这些开发者来说，最重要的准备不是技术层面的，而是心理层面的：接受一个不再匿名的 AI 生态，并学会在新的规则下找到自己的位置。别折腾了，该来的总会来。你