OpenAI Codex CLI 是一款运行在终端中的 AI 编程智能体，采用 Rust 编写，主打高性能与高度可配置性。但工具再强，用不好也是白搭。这篇文章不是参考文档——它是一份实战经验总结，告诉你怎么把 Codex 用出最大价值。
这是最重要的一条。OpenAI 官方说得明白：当你不再将 Codex 视为一次性的助手，而是将其视为一个可以随着时间推移不断配置和改进的队友时，它的效果会最好。
具体来说，这条演进路径是这样的：
2025年11月26日，Anthropic 的工程博客上发表了一篇文章。标题平淡得像一份内部备忘录："Effective harnesses for long-running agents"。作者 Justin Young 没有宣布新产品，没有展示基准测试的飞跃，只是描述了一件事：如何让 Claude 在跨越多个上下文窗口的长时间任务中不崩溃。
三个月后，OpenAI 发布了自己的版本。他们的团队用三个工程师、零行手写代码，在五个月内构建了一个百万行代码的生产级产品。GitHub 上一个名为 awesome-harness-engineering 的资源库在几周内成为行业里被引用最频繁的文档之一。LangChain 发布了 Deep Agents——一个被明确定义为"agent harness"的开源运行时。Martin Fowler 的网站上出现了专题文章。36氪、知乎、腾讯云开发者社区的中文解析文章接踵而至。
他们都在讨论同一件事。
只是这件事，还没有一个公认的中文翻译。有人叫它"驾驭工程"，有人叫它"约束工程"，有人干脆不翻译，就叫 Harness Engineering。
Harness Engineering 的起点是一个令很多人不适的观察：你的 Agent 效果不好，可能不是模型的问题，是你的问题。
更准确地说，是你围绕模型搭建的那层基础设施——或者更准确地说，那层基础设施的缺失。
HumanLayer 的博客用了一个刻薄的标题："Skill Issue: Harness Engineering for Coding Agents"。文章的核心论点是：大多数人对 AI Agent 的失望，本质上是一种 skill issue——不是模型的 skill，而是使用者的 skill。你没有给 Agent 足够的上下文，没有设置正确的约束，没有提供验证手段，没有建立反馈回路。Agent 失败了，你归咎于模型，但实际上是你的 harness 不够好。
如果你真的开始把 AI Agent 用进日常工作流，很快会发现一个问题：任务本身不一定难，难的是任务之间的协作能不能可观察、可恢复、可交接。
传统 TODO 列表能记录“有什么事要做”，但很难回答两个更关键的问题：
Hermes 的 Kanban 系统解决的正是这个问题。它不是把 Trello 或 Jira 简单搬进 Agent 世界，而是把看板变成一个多智能体任务中枢：任务会在 Triage、Todo、Ready、In progress、Blocked、Done 这些状态之间流转，父子依赖可以自动晋升，每次运行都有记录，完成任务时还可以留下结构化的 summary 和 metadata，供下游 Agent 继续使用。
Autoresearch 桌面版是一个基于 Tauri v2 + React 的跨平台桌面应用，为 autoresearch 命令行工具提供了完整的图形化操作界面。它让你可以通过直观的 UI 管理 GitHub Issues、配置 AI Agent、监控自动化运行过程、查看历史记录，把原来需要手动敲命令的整个流程，变成点几下鼠标就能搞定的事。
下载：https://github.com/smallnest/autoresearch/releases/tag/v0.1.0
以 https://github.com/smallnest/wxeditor 为例。
我已把wxeditor项目git clone 本地 ~/workspace/mdeditor 文件夹。
打开应用后，首先进入概览页面。点击"切换项目"选择你的代码仓库目录，应用会自动检测项目下是否已有 .autoresearch/ 配置目录、program.md 规则文件和 agents/ Agent 配置目录。全部就绪后，页面会用绿色的状态提示告诉你"配置完整，可以开始使用"。
像 Karpathy 训模型一样开发软件。
Andrej Karpathy 的 AutoResearch 项目于 2026 年 3 月发布，短短几天内在 GitHub 收获 5 万+ 星标，介绍视频播放量达 860 万次。这是一款开源 Python 工具，代码量仅 600 行左右，可让 AI 智能体在无需人工干预的情况下，于单张 GPU 上自主运行机器学习实验。它通过修改训练代码文件（train.py）生成实验方案，以固定 5 分钟训练时长和验证比特率（val_bpb）为统一评估指标，自动筛选并保留效果更优的代码修改，形成「假设生成 → 训练执行 → 指标判断 → 结果回滚/保留」的循环机制。
这个项目的精髓在于三点：① 量化目标（val loss 是唯一判断标准）、② 自主循环（Agent 不需要人类每轮介入）、③ 只保留改进（退化就回滚，绝不将就）。预计每小时可完成约 12 次实验，一觉醒来就能收获上百轮自动优化的结果。
