2025 年 9 月,OpenAI 推出 GPT-5-Codex,這是 GPT-5 首個針對智慧體式程式碼編寫最佳化的版本。到了 2025 年 12 月,我們推出 5.2 版,人們也開始相信,可以放心把程式開發工作交給自主編寫程式碼的智慧體。尤其明顯的是,模型能可靠地遵循指示的時間大幅延長了。
我想測試模型究竟能持續工作多久,於是給了 Codex 一個空白程式碼庫和完整存取權,只交付一項任務:從零開始打造一套設計工具。接著,我讓 Codex 使用 GPT-5.3-Codex 執行任務,並將推理強度設為「極高」。Codex 連續執行了約 25 小時,使用約 1,300 萬個 Token,產生約 3 萬行程式碼。
這次只是實驗,並未部署到正式環境。不過,在長時間工作最重要的幾個環節,Codex 的表現都很好:遵循規格、專注於任務、執行驗證,並在過程中修正發現的問題。

Codex 長時間執行的工作階段是什麼樣子
我請 Codex 根據這次工作階段的資料產生一個摘要頁面:

下圖則是 CLI 工作階段的統計資料與 Token 用量:

從這些螢幕截圖可以看出一項重要變化:評估智慧體式程式碼編寫時,除了看模型在單樣本任務中的表現,也越來越重視它能應付的任務時間跨度。
真正的變化在於任務時間跨度
這不只是「模型變聰明了」。在實務上,智慧體能在更長的時間裡維持一致的工作方向,從頭到尾完成更大範圍的工作,而且即使出錯,也能修正後接續原本的任務。
METR 的任務時間跨度基準測試有助於理解這個趨勢。分別以約 50% 和 80% 的成功率為門檻,前沿智慧體能完成的軟體任務所涵蓋的時間跨度正快速增長,大約每 7 個月就翻一倍。詳見衡量 AI 完成長時間任務的能力(METR)。

我們最近在 GPT-5.3-Codex 的發布公告中說明了兩項進展,都直接影響智慧體執行任務的方式:
- 模型更擅長依序執行多個步驟(規劃 → 實作 → 驗證 → 修正)。
- 你更容易在任務執行途中調整方向,既能保留既有進度,也無須重新開始。
Cursor 撰文介紹能長時間自主開發程式的系統,其中打造瀏覽器的實驗也給了我靈感:Cursor 如何打造網頁瀏覽器(擴大智慧體的運作規模)。
Cursor 團隊寫道,OpenAI 模型「在長時間自主工作方面的表現好得多:能遵循指示、保持專注、避免偏離目標,並精確、完整地實作所需功能。」
為什麼 Codex 能在長時間任務中維持一致的方向
要讓模型長時間工作,比起寫一個龐大的提示詞,更重要的是智慧體透過什麼樣的迴圈執行任務。
在 Codex 中,這個迴圈大致如下:
- 規劃
- 編輯程式碼
- 執行工具(測試、建置、lint 檢查)
- 觀察結果
- 修正問題
- 更新文件與進度
- 重複上述步驟
這個迴圈很重要,因為它讓智慧體能夠:
- 取得實際回饋(錯誤訊息、差異、日誌)
- 將工作狀態保存在外部(程式碼庫、檔案、文件、工作樹、輸出結果)
- 在執行過程中接受引導(你可以根據結果調整方向)
這也解釋了為什麼在 Codex 的各種介面中使用 Codex 模型,比在一般聊天視窗中更得心應手:任務執行框架會提供結構化的上下文(程式碼庫中繼資料、檔案樹、差異、指令輸出),並要求智慧體依照固定流程確認是否符合完成條件。
我們最近發布了一篇介紹 Codex 智慧體迴圈的文章,裡面有更詳細的說明。
我們也推出了 Codex App,透過以下功能,讓你在日常工作中就能運用這套迴圈:
- 跨專案並行執行對話串(長時間任務不會耽擱日常工作)
- 技能(將規劃、實作、測試和回報流程標準化)
- 自動化(在背景執行例行工作)
- Git 工作樹(讓各次執行彼此隔離,方便審查差異,也減少來回切換造成的干擾)

我如何設定這次測試
我選擇用設計工具做這次「實驗」,因為這是很難蒙混過關的測試:既要有使用者介面和資料模型,也要支援編輯操作,還得處理大量邊界情況。架構一旦設計不當,很快就會出問題。
我給 GPT-5.3-Codex 一份內容詳實的規格,將推理強度設為「極高」。它最後連續執行了約 25 小時,全程維持一致的工作方向,並交付了高品質的程式碼。每完成一個里程碑,模型也都執行了驗證步驟(測試、lint 檢查、型別檢查)。
關鍵做法:讓專案記憶得以長期保留
這次最重要的做法是建立能長期保留的專案記憶。我把規格、計畫、限制條件和進度寫進 Markdown 檔案,讓 Codex 隨時都能回頭查閱。這樣既能避免工作偏離目標,也能讓「完成」的定義前後一致。
以下連結指向程式碼庫中的各份檔案,分工如下:
Prompt.md(規格與交付項目)
用途:先確定目標,避免智慧體「做出令人驚豔、卻不符合需求的東西」。
檔案的主要內容:
- 目標與不在目標範圍內的事項
- 必須遵守的限制條件(效能、確定性、使用者體驗、平台)
- 交付項目(完成時必須具備的成果)
- 完成條件(檢查項目與示範流程)
我在最初的提示詞中要求 Codex 將這份檔案視為完整的專案規格,並據此擬定以里程碑為單位的計畫:

Plan.md(里程碑與驗證方式)
用途:把開放式工作拆成一系列檢查點,讓智慧體逐一完成並驗證。
檔案的主要內容:
- 每個里程碑的範圍要小到能在一輪迴圈內完成
- 各里程碑的驗收條件與驗證指令
- 如果驗證失敗,先停下來修正,再繼續下一階段
- 記錄決策,避免在不同做法之間反覆搖擺
- 程式碼庫的預定架構

我們最近在 Codex App、CLI 和 IDE 擴充功能中加入了原生規劃模式。這個模式能在動手修改之前,將大型任務拆解成一系列清楚、可供審查的步驟,讓你先和 Codex 確認做法。如果還有需要釐清的地方,Codex 會進一步提問。使用 /plan 斜線指令即可開啟規劃模式。
Implement.md(依據計畫執行任務的指示)
用途:這是操作手冊,明確告訴 Codex 該怎麼工作:遵循計畫、控制變更範圍、執行驗證、更新文件。
檔案的主要內容:
- 以記載計畫的 Markdown 檔案為準,逐一完成里程碑
- 每完成一個里程碑就執行驗證(如有問題,立即修正)
- 將程式碼變更限定在既定範圍內(不擴大範圍)
- 持續更新記載專案進度的 Markdown 檔案

Documentation.md(交付過程中的進度與決策)
用途:這份檔案既是共用記憶,也是稽核紀錄。即使我離開好幾個小時,回來後還是能了解期間發生了什麼事。
檔案的主要內容:
- 目前的里程碑進度(已完成的工作與接下來要做的事)
- 已做出的決策(以及原因)
- 執行與示範方式(指令與快速冒煙測試)
- 已知問題與後續事項

以下是這次任務中實際驗證里程碑的情形:

在每個里程碑進行驗證
Codex 寫完程式碼後,還會確認能否正常運作。每完成一個里程碑,它都會執行驗證指令,遇到問題就先修正,再繼續下一階段。
以下是我要求它執行的品質檢查指令範例:

下圖是 Codex 在 lint 檢查失敗後修正問題的例子:

智慧體做出了什麼
成果並不完美,也還沒到能部署至正式環境的程度,但確實是一套可以實際操作和測試的工具。這次的驗收標準不只是「能編譯」,而是「有沒有遵循指示?實際用起來能不能正常運作?」
實作的主要功能包括:
- 畫布編輯(框架、群組、形狀、文字、圖片與圖示、按鈕、圖表)
- 即時協作(跨分頁同步上線狀態、游標、選取範圍與編輯內容)
- 屬性檢查器控制項(幾何屬性、樣式、文字)
- 圖層管理(搜尋、重新命名、鎖定或隱藏、調整順序)
- 參考線、對齊與吸附
- 歷程快照與還原
- 重播時間軸,並從先前的時間點建立分支
- 原型模式(互動熱點與流程導覽)
- 留言(釘選的討論串可標記為已解決,也可重新開啟)
- 匯出(支援儲存、匯入與匯出,也可透過 CLI 匯出為 JSON 或 React 搭配 Tailwind 的程式碼)
使用 Codex 執行長時間任務的心得
這次能順利完成任務,靠的不只是某個巧妙的提示詞,而是以下幾項做法相互配合:
- 明確的目標與限制條件(規格檔)
- 為各里程碑設置檢查點與驗收條件(
plans.md) - 用操作手冊規範智慧體的工作方式(
implement.md) - 持續驗證(測試、lint 檢查、型別檢查、建置)
- 隨時更新進度與稽核紀錄(
documentation.md),讓整個執行過程都有跡可循
這就是長時間程式開發的發展方向:有了明確的規範,就能放心委派更多工作,不必時刻盯著進度。
試著把自己的長時間任務交給 Codex
這次歷時 25 小時的 Codex 任務,讓我們一窺程式開發的未來。我們正從單次提示詞和頻繁往返的結對程式設計,走向能長時間合作的開發方式:你可以把一部分實際工作交給 Codex 這位隊友,由它從頭做到尾。你只需在各里程碑引導方向,不必逐行過問。
我們對 Codex 的發展方向很明確:讓它更懂得與你合作,更緊密地結合實際工作的上下文,並透過明確的規範,讓成果可靠、方便審查,也容易交付。我們已經看到,當智慧體接手例行實作與驗證,開發者的工作進展就更快,也更有餘裕專注在最重要的事情上:設計、架構、產品決策,以及沒有現成範本可循的新問題。
受益的也不只開發者。隨著 Codex 更能掌握使用者的意圖,並透過計畫、驗證、預覽和回復變更等機制提供安全的開發基礎,更多非開發者也能打造作品、反覆改進,而無須整天待在 IDE 裡。Codex 的各種介面和模型還會有更多進展,但我們的目標始終如一:讓智慧體逐漸成為你能放心託付長時間任務的隊友,不必再時時看顧。
如果你也想親自試試,可以從這些資源開始: