把 Codex CLI 从工具箱变成生产力系统。

第一次在本机启用 Codex CLI，确认账号、环境和工作目录。

如果登录态、工作目录和项目上下文不清楚，后续所有命令都可能在错误前提下运行。

• 先确认当前目录是不是目标仓库。
• 不要在未准备好的环境里直接执行高风险命令。
• 记录项目常用脚本，方便后续把验证交给 CLI。

在提交前检查风险点、回归面、缺失测试和风格不一致问题。

AI 不仅能写代码，更能帮你做高频 review，把隐含风险提前暴露出来。

• review 结论必须结合真实 diff 与测试结果理解。
• 不要把审查意见当作自动真理，仍要人工做最终判断。
• 对高风险改动要补充手动验证说明。

当任务可以拆成独立的调研、实现、测试或文案工作时并发推进。

大型任务最怕一个代理上下文过载。子代理能把复杂问题拆散，再由主代理统一收口。

• 只在边界清晰时并发，避免多个代理改同一批文件。
• 主代理必须保留集成和最终验证职责。
• 不要把阻塞主路径的关键决策完全外包。

查当前文档、版本差异、官方说明和近期变更，尤其适合高时效信息。

很多技术和平台信息都会变，外部搜索能减少凭记忆回答带来的过时风险。

• 优先使用官方来源，并保留链接。
• 新闻、价格、平台能力等时效信息必须核对日期。
• 不要把搜索结果摘要当成无需验证的事实。

控制是否允许自动运行命令、写文件、访问外部系统和执行高风险操作。

AI 越能执行真实动作，越需要清晰审批边界。审批模式决定了速度和安全之间的平衡。

• 依赖安装、外部发布、删除或重置类动作要特别谨慎。
• 高风险任务必须明确哪些情况要停下来请求人工确认。
• 审批策略应该和团队发布规范一致。

排查 UI 视觉问题、布局异常、设计差异或错误截图中的关键信息。

很多前端问题光靠文字难以描述，截图能让模型快速理解页面状态和异常位置。

• 截图只是补充，仍要提供相关组件或样式文件范围。
• 涉及敏感信息的图像要先脱敏。
• 视觉建议最终仍需回到代码和实际渲染验证。

给 Codex 提供受控的额外工具能力，例如文档源、内部系统或特定服务接口。

MCP 能把通用 AI 助手变成了解你工具链和资料源的工程代理，提高上下文质量与行动能力。

• 先定义工具的安全边界，再开放给代理使用。
• 只接入真正能稳定提升效率的工具，不要让工具噪声压过主线。
• 高价值资料源应优先接官方或可信内部源。

把项目规范、常用部署流程、固定代码模式和工具集成整理成可复用技能。

高手和新手的差距往往不在一次回答，而在是否能沉淀成稳定模板，下次继续复用。

• skills 应该聚焦高频、清晰、可复用的流程。
• 不要把过度依赖个人记忆的隐性知识硬编码进去。
• 随着项目演进要定期更新 skill 内容。

在 PR 检查、日常脚本、发布流程和批量维护任务中复用 Codex 能力。

当工作流走向团队协作时，真正的效率来自自动化，而不是每次从零描述任务。

• CI 中的 AI 步骤必须有清晰边界和可审计输出。
• 自动化不是放弃 review，而是把 review 前置和标准化。
• 部署链路中的凭据与权限必须单独管理。