我让 Codex 自己开发、自己 Eval、自己修：一次真实 AI 工作流实验
作者以真实 GEO 视频工作流中的语义素材检索模块为实验对象，构建了 24 个 Case 的测试集，让 Codex 遵循「Baseline 考试 → 失败分析 → 最小修改 → 重新考试 → Release Gate 判定」的闭环流程自主工作。Baseline 通过率 79.17%，通过分析 5 个失败案例的共同点，Codex 仅增加一层确定性的 Query Rewrite，通过率提升至 91.67%，且无回归案例，但高风险 Case 未改善。最终 Release Gate 判定 FAIL，作者强调 Eval 让 AI Coding 从「生成代码」走向「对结果负责」，人类应聚焦于定义目标、边界和质量标准。
