文章从第一性原理探讨 AI Agent 的 /goal 模式：为什么需要 Goal（解决模型长程任务中的偷懒、中途停止和目标漂移问题），以及 Codex 和 Claude Code 的底层实现差异。Codex 由执行任务的 Agent 自己判断完成状态，Claude Code 则采用独立上下文的对抗性审查，由验收模型判定目标是否达成。作者认为 Goal 本质上是 Harness 层为模型能力缺陷打的补丁，未来必然会被模型内化，并给出设定清晰可验证目标的实践建议。
作者因Claude账号被封，将全部历史对话数据导出，利用豆包工作新推出的计划模式和目标模式，对数年积累的对话“遗产”进行系统化整理。文章详细拆解了三步工作流：先用Plan模式只读调研并生成Markdown实施计划，直接在文档中修改对齐需求；再用Goal模式将“完成”标准拆成硬性验收指标，逐项校验交付成果。最终产出可检索的历史索引、验证过的工作流、风格偏好文档和可直接复用的Skills。文末总结了Plan与Goal模式的适用场景对比，强调复杂长任务应先定方案再锁交付标准，让AI经验得以持续复用。
文章介绍了 Claude 官方提出的 Loop Engineer 概念，该概念将现有的 Agent 工作流程进行了系统化梳理。文中详细讲解了四种 Loop 类型：回合制循环、基于目标的循环（GOAL 模式）、基于时间的循环以及主动循环。此外，作者还分享了关于代码库质量维护和 Token 消耗管理的优化建议，并提及了 Codex、Skills 和 Hooks 等相关工具。
文章介绍了 Codex 新上线的 Goal 模式，通过明确目标、验收标准和边界条件，使 AI 能像“牛马”一样持续执行复杂任务，解决了传统模式下需人工频繁干预的痛点，并提供了 Prompt 编写技巧与原理解析。
