Codex-maxxing: 將 AI Agent 轉化為持久的運作迴圈

對於大多數開發者而言，AI agent 傳統上被當作交易型工具使用：你提供一個提示詞，agent 生成一個 diff 或一段程式碼片段，然後互動就結束了。然而，一種向「Codex-maxxing」的轉變正在發生——這種做法不再將 AI agent 視為一次性的聊天介面，而是將其視為持久的運作迴圈，在長期工作流中維持狀態、記憶與自主性。

這種方法將 agent 從程式碼助手轉變為數位幕僚長（Chief of Staff），能夠在人類操作員離線時，管理知識工作、監控通訊並執行複雜目標。

超越交易型提示詞

標準 AI 互動的核心限制在於「一個提示詞，一個答案」的循環。為了打破這一點，工作流必須轉向以持久線索（durable threads）和持續引導（continuous steering）為特徵的運作迴圈。

持久線索與壓縮

與其重新開始新的聊天，不如採用維持特定工作流的固定「巨型線索」（megathreads）策略（例如：幕僚長線索、SDK 開發線索或專案監控線索）。為了防止這些線索變得難以管理或成本過高，可以使用**壓縮（compaction）**技術來壓縮長期運行的歷史紀錄，同時保留必要的偏好與決策。

即時引導

引導（Steering）允許使用者在 agent 仍在執行工具呼叫時注入方向。與其等待任務完成，你可以排隊一系列的改進要求——「讓這個變小一點」、「修正這段文案」、「開啟一個 PR」——有效地在即時中塑造 agent 的意圖。這將互動轉變為一種流動的意識流，而非停停走走的過程。

建立共享記憶系統

只有當 agent 所獲取的知識不被困在單一對話中時，長期的線索才有用。目標是將線索層級的學習序列化為一個持久且可檢查的產物。

Obsidian Vault Pattern

一種非常有效的方法是使用 Obsidian vault（儲存在 GitHub repository 中）作為 agent 的永久家園。透過維護一個包含高層級指令的 AGENTS.md 檔案，agent 可以更新專案狀態、追蹤人員，並在不同的線索中關閉開啟中的迴圈。

使用 Git repo 來進行此 vault 的管理提供了兩個關鍵優勢：

  1. 雲端存取性： agent 可以跨不同環境工作。
  2. 基於 Diff 的審查： 當 agent 更新 vault 時，人類可以透過 Git diff 審查，查看 agent 究竟認為哪些內容值得被記住。

正如社群成員所指出的，這個審查步驟至關重要。如果沒有它，agent 可能會「愉快地聲稱」自己已經更新了紀錄，但實際上並沒有。將 agent 的摘要視為一種「願望」，並根據實際的檔案系統 diff 進行驗證，可以確保記憶保持為事實來源（source of truth），而非僅是一堆「看起來很合理的條目」。

透過 Heartbeats 與目標實現自主性

當 agent 可以無需直接觸發而行動時，真正的生產力提升才會出現。這是透過Heartbeats（線索本地的自動化程序）實現的——這些程序會排程週期性檢查。

幕僚長迴圈

A Heartbeat 可以被配置為每 30 分鐘檢查一次 Slack 和 Gmail，研究回答問題所需的資訊，並準備草稿。這消除了收集上下文（context）的「昂貴」部分，讓人類只需負責審查並發送最終回覆。

跨工具協作

Heartbeats 允許 agent 跨越工具邊界。例如，一個迴圈可以監控 Slack 線索以獲取回饋，觸發 Remotion 工具中的重新渲染，然後使用 @computer (GUI 控制) 將新檔案上傳回 Slack。這將 agent 從聊天機器人轉變為一個在背景運行的程序，能維持專案的動能。

目標導向執行

雖然 Heartbeats 處理的是週期性任務，但**目標（Goals）**處理的是完成度。一個強大的目標需要可驗證的成功標準。例如，將一個 library 從 Python 遷移到 Rust 並非僅僅是一個「願望」，如果目標定義為「通過所有原始單元測試」。測試套件（test suite）扮演著預言機（oracle）的角色，提供了一個 agent 可以自主地去達成之明確終點線。

側邊欄：全新的工作空間

AI 介面的演進正朝向側邊欄發展，那裡才是實際工作發生的地方。這不僅僅是為了預覽；它是為了與即時產物進行互動：

  • 靜態產物： 直接渲染 Markdown、CSVs 和 PDFs 以進行標註。
  • Web Surfaces： 使用 $browser 控制 index.html 檔案、Storybook 或 Slidev 簡報。這讓 agent 可以看到使用者所見的內容，並對空間標註（例如：「讓這個彈跳起來」）做出回應。

批判性觀點

雖然自動化的潛力巨大，但社群對於這種程度的整合所帶來的影響仍有分歧。有些人認為這是一種「LLM 精神病」（LLM psychosis）——花更多時間在照料 agent，而不是產出實際成果。其他人則對使用 AI 撰寫個人通訊表達了「反烏托邦」式的擔憂，認為將 AI 生成的草稿視為自己的話語會侵蝕專業關係中的真實性。

最終，「Codex-maxxing」的轉變代表了一種向更整合、更系統化的 AI 處理方式的移動——agent 不再是你呼叫的工具，而是一個持久的協作者，生活在你的檔案中、監控你的通訊，並維持你工作的狀態。

Sources