OpenAI 的编程智能体，提供云端任务与 CLI 等使用方式——这是 OpenAI Codex 最主要的用途，也是本文讨论的前提。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：OpenAI Codex + LiteLLM

LiteLLM 的定位是：用统一接口调用上百种模型并做路由、限额的开源网关。两者分工可以是：OpenAI Codex 负责「补单元测试」这一步，LiteLLM 负责把前后步骤串成自动化流程。

工作流步骤

  1. 明确交付物和验收标准，例如：测试能在本地通过。
  2. 准备输入：一个缺少测试的函数或模块，先去掉敏感信息。
  3. 在 OpenAI Codex 中执行核心步骤（提示词见下文）
  4. 把结果交给 LiteLLM 做下一步处理，或从 LiteLLM 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

补单元测试

准备材料：一个缺少测试的函数或模块。

为【函数名】编写单元测试，覆盖正常输入、边界值和异常输入，使用项目现有的测试框架，不要修改被测代码。先列测试用例再写代码。

交付前确认：测试能在本地通过。

交接时最容易出问题的地方

  • 格式不兼容：两边导入导出的格式提前测试一次。
  • 信息丢失：每次交接附上来源和版本号。
  • 责任不清：约定哪一步由谁做最终确认。
  • 权限分散：两边的账号和分享范围分别检查。

如果暂时不想引入第二个工具，也可以先用 Jules 等同类产品替代其中一环，跑通流程后再决定。

补充练习

读懂陌生代码库

适用情况：手头有一个刚接手的项目仓库时。

先不要改任何代码。请阅读这个仓库，输出：1）目录结构说明；2）主要模块之间的调用关系；3）本地运行步骤；4）你认为最脆弱的 3 个地方。

检查点：运行步骤能实际跑通。

小功能开发

准备材料：一个清晰的需求描述。

实现以下需求：【需求】。要求：先给出实现计划和要改动的文件列表，等我确认后再写代码；遵循现有代码风格；补充必要的测试。

交付前确认：先有计划再动手。

代码审查

准备材料：一个 Pull Request 的改动。

审查这个改动，按「必须修改 / 建议修改 / 可以忽略」三级列出问题，每条附上文件和行号，重点关注安全、并发和错误处理。

交付前确认：问题定位到行。

常见问题：越改越乱

回滚到上一个可用提交，把需求拆小后重新开始。

常见问题：泄露密钥的风险

把密钥放在环境变量，规则文件中禁止读取 .env 等敏感文件。

常见问题：测试全绿但功能不对

人工补充关键用例，检查测试是否真正断言了结果。

概念补充：规则文件

放在仓库里的说明文件，告诉 AI 项目约定和禁止事项。

概念补充：差异审阅

在接受 AI 修改前逐个查看 diff，是最重要的安全习惯。

适合人群：数据分析师

数据分析师可以用 Codex 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

注意事项

本文基于 OpenAI Codex 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

文中提示词和示例仅作示意，实际效果取决于你的材料和 Codex 当前版本，重要内容请人工核对后再使用。

延伸阅读