# OpenAI Codex 从入门到高阶精通（精通篇）
**作者**: MuscleMan | AI × Investing
**日期**: 2026-06-03T11:55:58.000Z
**来源**: [https://x.com/RealCodedAlpha/status/2064921935507837260](https://x.com/RealCodedAlpha/status/2064921935507837260)
---
阅读前提： 已完成前三篇，能熟练使用 Work Trees、Skills、Automations、MCP 和多模型编排。
> **MuscleMan | AI × Investing@RealCodedAlpha**: [原文链接](https://x.com/RealCodedAlpha/status/2062141239831449879)
>
本篇目标： 从"一个人顶一个团队"进化到"用 Codex 构建真正可持续运营的产品和工作体系"。
核心理念： 精通不是记住更多命令，而是形成一套属于你自己的、可持续进化的 AI 工作操作系统。
# 📖 精通篇目录
- 第一章：精通者的思维模型——从"用工具"到"建系统"
- 第二章：大规模遗留代码现代化——Sub Agents 的终极战场
- 第三章：Codex 安全审计体系——把漏洞扫描变成 CI 标配
- 第四章：Automation 极限性能调优——又快又省钱的秘密
- 第五章：团队协作工作流——多人共享 Skills 与 AGENTS.md
- 第六章：构建你的个人 AI 操作系统——Skills 生态的系统化设计
- 第七章：从 0 到第一个付费用户——用本教程所有技能造一个产品
- 第八章：精通者的避坑手册——所有踩过的坑，你不必再踩
- 第九章：Codex 的局限性与边界——精通者更知道什么时候不用 AI
- 第十章：精通篇知识总结
- 附录：四篇完整知识体系速查手册
## 第一章：精通者的思维模型——从"用工具"到"建系统"
🧠 1.1 初学者 vs 精通者的本质差异
做完前三篇，你已经掌握了 Codex 的几乎所有功能。但在进入具体技术之前，有一个思维层面的跃迁必须先发生。
观察三类 Codex 用户：
A 类——偶尔用户：
> "我今天有个任务搞不定，打开 Codex 问一下。"
> 每次从零开始，没有积累，明天遇到类似问题还得重来。
B 类——熟练用户（完成进阶篇的你）：
> "我知道怎么用 Skills、Work Trees、Automations，我能高效完成任务。"
> 有一定积累，但每个项目相对独立，技能不跨项目流动。
C 类——精通者：
> "我有一套不断进化的 AI 工作操作系统，每完成一个项目，系统就变得更强一点。下一个项目站在这次的肩膀上。"
精通者和熟练用户的核心区别只有一个：
精通者把每一次成功的工作流都系统化、可复用、持续迭代。
🔄 1.2 精通者的飞轮模型
```
完成一个任务
↓
把成功的流程封装成 Skill
↓
把学到的教训写入 AGENTS.md 或项目知识库
↓
把可以自动化的部分接入 Automation
↓
下一个类似任务速度快 3 倍
↓
省出来的时间做更高价值的事
↓
完成更多任务（回到顶部，飞轮加速）
```
这个飞轮一旦转起来，就是复利效应。 第一个月可能感受不明显，三个月后你会发现你的"起跑线"已经领先别人一个身位。
📐 1.3 精通者的三个核心习惯
习惯一：任务完成后必做的三件事
```
每次完成一个有价值的任务后，固定做：
1. 封装：
"我对这次的输出满意，把这个流程封装成 Skill"
2. 复盘：
"把这次遇到的坑和解决方案，追加到 project_knowledge.md"
3. 自动化评估：
"这个任务以后会重复吗？会的话设置 Automation"
```
习惯二：每周五做一次 Skills 盘点
```
帮我列出本周新增的所有 Skills，评估每个的质量：
- 调用过几次？每次输出稳定吗？
- 有哪些边界情况没处理好？
- 有哪些可以合并的重复 Skill？
生成一份 skills_review.md，并给出优化建议
```
习惯三：把 AGENTS.md 当活文档维护
AGENTS.md 不是写一次就不动了，而是持续更新的：
```
每次发现 Codex 犯了一个新的错误，立刻：
1. 修复这次的问题
2. 在 AGENTS.md 里加一条约束，防止下次重犯
```
## 第二章：大规模遗留代码现代化——Sub Agents 的终极战场
🏚️ 2.1 什么是遗留代码现代化？
遗留代码（Legacy Code）是每个开发者的噩梦：
- Python 2 写的老项目，要迁移到 Python 3.11
- jQuery 时代的前端，要现代化成 React
- 单体应用，要拆成微服务
- 几十个文件，没有测试，没有文档，原作者已经离职
传统做法： 一个程序员慢慢啃，几个月甚至几年。
Codex 精通者的做法： Sub Agents 并行分析 + 分阶段现代化，几天搞定。
🗺️ 2.2 大规模迁移的四阶段战略框架
```
阶段一：侦察（Reconnaissance）
用 Sub Agents 并行读取整个代码库
产出：架构地图、技术债清单、风险热力图
阶段二：防御工事（Defense）
在动任何代码之前，先建立测试安全网
产出：核心功能的集成测试套件（以现有行为为基准）
阶段三：分批现代化（Modernization）
按依赖关系从叶子节点开始，Work Trees 并行推进
产出：每个模块的现代化版本 + 通过测试的证明
阶段四：集成验证（Validation）
Browser Use / 自动化测试全量验证
产出：完整通过的测试报告 + 上线
```
🔍 2.3 阶段一：侦察——用 Sub Agents 画出代码地图
假设你接手了一个 5 万行的 Python 2 老项目：
```
这是一个需要从 Python 2 迁移到 Python 3.11 的遗留项目，
代码在 legacy_app/ 目录下，约 5 万行，200+ 个 Python 文件。
请召唤 8 个 Sub Agents，分工如下：
Agent 1：扫描所有文件，统计：
- 文件总数、总行数
- Python 2 特有语法出现次数（print 语句、unicode 字符串、旧式除法等）
- 生成 scan_report.md
Agent 2：分析依赖关系，找出：
- requirements.txt 里哪些包有 Python 3 兼容版本
- 哪些包已经停止维护（需要找替代品）
- 生成 dependency_report.md
Agent 3：找出所有数据库操作，分析：
- 使用的 ORM 或原生 SQL
- 是否有 Python 2 特有的编码问题
- 生成 database_report.md
Agent 4：分析认证和安全模块，找出：
- 过时的加密方式（如 MD5 密码哈希）
- 硬编码的凭证
- 生成 security_report.md
Agent 5：找出所有 API 接口，分析：
- 接口数量、参数类型
- 是否有文档（docstring）
- 生成 api_report.md
Agent 6：找出测试文件，分析：
- 当前测试覆盖率（用 coverage 估算）
- 哪些核心功能完全没有测试
- 生成 test_coverage_report.md
Agent 7：找出最复杂的 20 个函数（按圈复杂度），
列出最难迁移的"地雷区"，生成 complexity_report.md
Agent 8：汇总 Agent 1-7 的所有报告，
生成总架构地图 architecture_overview.md，
包含：模块关系图（用 Mermaid 格式）、迁移优先级排序、预估工作量
全部完成后，把所有报告保存到 migration_reports/ 目录
```
🛡️ 2.4 阶段二：先建测试网，再动代码
这是最多人跳过、但最重要的一步。
核心原则： 没有测试网的迁移，等于在高空走钢丝没有安全绳。
```
在修改任何代码之前，先为现有核心功能建立"行为快照测试"：
目标：不是测试代码是否"正确"，而是记录代码"现在的行为"。
这样迁移后，只要测试还通过，就证明行为没变。
请基于 api_report.md 里的 API 清单，
为每个外部 API 接口写集成测试：
测试策略：
- 用真实输入，记录真实输出（作为 baseline）
- 覆盖：正常输入、边界输入、错误输入
- 测试文件保存到 tests/baseline/
建立完测试后，运行一次，确认在 Python 2 环境下全部通过。
把通过的测试结果记录到 migration_reports/baseline_results.md
这些测试将成为整个迁移过程的"安全网"。
```
⚙️ 2.5 阶段三：Work Trees 分批并行迁移
有了侦察报告和测试网，按依赖关系从叶子节点开始：
```
根据 architecture_overview.md 的模块关系图，
开始第一批迁移（叶子节点模块）：
Work Tree 1（feature/migrate-utils）：
迁移 legacy_app/utils/ 目录（工具函数，无外部依赖）
迁移内容：
- print 语句 → print() 函数
- unicode() → str()
- dict.iteritems() → dict.items()
- 整数除法语义分析
完成后运行 tests/baseline/test_utils.py，必须全部通过
Work Tree 2（feature/migrate-models）：
迁移 legacy_app/models/ 目录
额外任务：把 SQLAlchemy 0.9 升级到 2.0
完成后运行 tests/baseline/test_models.py
Work Tree 3（feature/migrate-auth）：
迁移 legacy_app/auth/ 目录
额外任务：把 MD5 密码哈希升级为 bcrypt
注意：密码字段迁移需要写数据库迁移脚本，不要直接修改现有数据
完成后运行 tests/baseline/test_auth.py
```
✅ 2.6 阶段四：全量验证
```
所有模块迁移分支已合并到 python3-migration 分支，进行全量验证：
1. 在 Python 3.11 环境下运行完整测试套件：
python -m pytest tests/ -v --tb=short 2>&1 | tee test_results.txt
2. 如果有测试失败，逐一分析：
- 是迁移引入的 Bug？还是原来就有问题？
- 修复迁移引入的 Bug
- 原有 Bug 记录到 known_issues.md（暂不处理）
3. 用 @browser_use 测试主要的 Web 界面流程
4. 生成最终迁移报告 migration_final_report.md：
- 迁移了多少文件、修复了多少 Python 2 特有问题
- 顺手修复了多少安全漏洞
- 测试通过率 + 已知遗留问题清单
```
## 第三章：Codex 安全审计体系——把漏洞扫描变成 CI 标配
🔒 3.1 为什么需要自动化安全审计？
手动代码审查的问题：人会累、会漏看、不能覆盖每次提交、安全知识参差不齐。
Codex 驱动的自动化安全审计：每次提交自动扫描、覆盖 OWASP Top 10、用自然语言给出修复建议。
🛡️ 3.2 建立安全审计 Skill
通过对话调出满意的安全审计输出，然后封装：
```
对 src/ 目录进行完整安全审计，检查以下维度：
1. 注入漏洞
- SQL 注入（是否有未参数化的原始 SQL）
- 命令注入（os.system、subprocess 是否有用户输入）
- XSS（前端是否直接插入用户数据到 HTML）
2. 认证与授权
- API 接口是否全部有认证校验
- 敏感操作是否有权限校验（不只是登录，还要检查是"自己的数据"）
- Token 是否有过期时间
3. 敏感信息暴露
- 硬编码的密钥、密码、Token（正则扫描）
- API 响应是否暴露了不必要的内部字段
- 错误信息是否暴露堆栈信息
4. 加密问题
- 密码是否用强哈希（bcrypt/argon2），不接受 MD5/SHA1
- 传输层是否强制 HTTPS
5. 依赖漏洞
- 运行 npm audit 或 pip-audit，找出已知漏洞的依赖包
输出格式：
每个漏洞：🔴/🟡/🟢 严重程度 | 文件名:行号 | 描述 | 修复建议（含代码示例）
最后输出：安全评分（满分 100）、高危漏洞数量、立即修复的 TOP 3
保存到 security_audit_[日期].md
```
效果满意后封装：
```
把这个安全审计流程封装成 Skill，名字叫 security-audit
```
🤖 3.3 接入 GitHub Actions CI
```
帮我在 .github/workflows/security.yml 创建安全审计 CI：
触发条件：
- 每次 PR 到 main 分支时自动运行
- 每周一凌晨 2 点定时全量扫描
步骤：
1. 检出代码，安装依赖
2. 运行依赖漏洞扫描（npm audit --audit-level=high）
3. 调用 Codex API 运行 security-audit Skill
（API Key 存在 GitHub Secrets 里：OPENAI_API_KEY）
4. 如果发现高危漏洞（🔴），让 CI 失败，阻止合并
5. 把审计报告作为 PR 评论自动发布
```
📊 3.4 安全债务追踪 Automation
```
帮我建立安全债务追踪系统：
创建 security/SECURITY_DEBT.md，记录所有已知安全问题：
| ID | 漏洞描述 | 严重程度 | 发现日期 | 预计修复日期 | 状态 |
并设置 Automation：
每周一早上 8 点，检查超过预计修复日期还未解决的条目，
生成本周安全债务摘要到 security/weekly_security_brief.md
```
## 第四章：Automation 极限性能调优——又快又省钱
⚡ 4.1 为什么 Automation 会变慢？
- AI 生成的脚本有冗余逻辑
- 没有缓存，每次都重新拉取相同数据
- 串行执行的步骤，其实可以并行
- Token 消耗越来越多，费用越来越高
🔬 4.2 先做性能分析
```
帮我分析所有 Automation 任务的性能状况：
检查 automations/ 目录下的所有脚本，对每个脚本：
1. 统计大概的 API 调用次数
2. 找出可以缓存的重复请求
3. 找出串行但可以并行的步骤
4. 估算每次运行消耗的 Token 数
生成 performance_analysis.md：
- 每个 Automation 的性能评分
- TOP 3 最耗资源的 Automation
- 具体优化建议（含预计节省的 Token 量）
```
🚀 4.3 三大优化技巧
技巧一：数据缓存层
```
给 automations/brand_monitor.py 添加智能缓存：
当前问题：每次都重新搜索相同关键词，6 小时内结果不会大变。
优化方案：
1. 本地 JSON 文件缓存（键：关键词+日期，值：搜索结果）
2. 缓存有效期：6 小时
3. 命中缓存时不发 API 请求
4. 缓存文件保存到 .cache/ 目录（加入 .gitignore）
预计效果：重复运行时 Token 消耗减少 60%～70%
```
技巧二：并行 API 调用
```
优化 automations/weekly_report.py：
当前问题：
拉取 GitHub 数据（3秒）→ Analytics 数据（2秒）→ Typefully 统计（2秒）
三步串行，总共 7 秒。
优化方案：用 asyncio.gather() 改成并行执行：
import asyncio
async def fetch_all_data():
github_data, analytics_data, typefully_data = await asyncio.gather(
fetch_github_stats(),
fetch_analytics_stats(),
fetch_typefully_stats(),
)
return github_data, analytics_data, typefully_data
预计效果：总时间从 7 秒降到约 3 秒
```
技巧三：Token 成本监控
```
帮我建立 Token 成本监控系统：
创建 automations/cost_tracker.py：
- 每次 Automation 运行后，记录：时间戳、任务名、输入/输出 Token、估算费用
- 数据存储到 cost_log.jsonl
- 每周生成费用报告 cost_weekly_[日期].md
包含：总费用、各 Automation 费用占比、费用趋势图（ASCII 图表）
预警设置：单次运行费用超过 $0.50，记录到 cost_alerts.log
```
## 第五章：团队协作工作流——多人共享 Skills 与 AGENTS.md
👥 5.1 从个人工具到团队基础设施
团队使用 Codex 的挑战：
- 每个人的 AGENTS.md 写法不一样，规则互相冲突
- Skills 分散在每个人本地，没法复用
- 团队最佳实践没有沉淀，新人加入需要重新学
解决方案：把 Codex 配置变成团队的共享基础设施。
🏗️ 5.2 双层 AGENTS.md 架构
```
项目根目录 AGENTS.md（提交到 Git，团队共享）：
↑ 只写团队级硬性约束，所有人必须遵守
.agents/personal.md（加入 .gitignore，个人独享）：
↑ 只写个人偏好，不影响其他人
```
团队 AGENTS.md 模板：
```
# 团队 Codex 工作规范
## 代码规范（强制）
- TypeScript：严格模式，不允许 any 类型
- 测试：新功能必须有对应测试，覆盖率不低于 80%
- 提交：必须用 Conventional Commits 格式
## 技术约束（防止 AI 高频错误）
- 使用 Tailwind v4，不是 v3
- 数据库用 Prisma，不要裸写 SQL
- 认证用 Supabase Auth，不要自己实现 JWT
## 禁止事项（红线）
- 不要修改 infrastructure/ 目录
- 不要在代码里硬编码任何 API Key
- 不要直接向 main 分支推送代码
## 测试命令
npm run test # 单元测试
npm run test:e2e # 端到端测试
npm run build # 构建检查
```
📦 5.3 团队级 Skills 仓库结构
```
.agents/
skills/
code-review/SKILL.md # 代码审查
generate-tests/SKILL.md # 测试生成
release-notes/SKILL.md # 发布说明生成
onboard-module/SKILL.md # 新人理解模块
personal.md # 个人偏好（加入 .gitignore）
AGENTS.md # 团队规范（提交到 Git）
```
最有价值的团队 Skill——新人快速上手：
```
# .agents/skills/onboard-module/SKILL.md
---
name: onboard-module
description: 帮助新团队成员快速理解一个陌生模块。
触发词：帮我理解、解释这个模块、我刚接手
---
## 执行步骤
1. 读取目标模块的所有文件，找到入口和主要 export
2. 分析：它解决什么问题、对外暴露哪些接口、依赖哪些模块、哪里最复杂
3. 用通俗中文写一份模块说明
4. 生成"快速上手示例"——展示最常见的使用方式
5. 列出 2-3 个"容易踩的坑"
输出保存到 docs/modules/[模块名].md
```
新人加入时输入 /onboard-module src/services/payment/，5 分钟内理解复杂模块。
🔄 5.4 Skill 版本管理
```
在每个 SKILL.md 里加入版本头：
---
name: code-review
version: 1.2.0
last_updated: 2026-05-01
quality_score: 4.5/5
---
建立质量评分标准（满分 5 分）：
- 输出稳定性：0-2 分
- 边界覆盖率：0-2 分
- 可维护性：0-1 分
低于 3 分的 Skill 标记为"需要重构"，每月生成技能库健康报告
```
## 第六章：构建你的个人 AI 操作系统
🖥️ 6.1 什么是"个人 AI 操作系统"？
你现在有：Skills（各种 SOP）、Automations（定时任务）、MCP 连接（外部数据源）、AGENTS.md（工作规范）。
把这些整合在一起，就是你的个人 AI 操作系统——持续为你工作、持续自我进化的系统。
📋 6.2 设计你的 Skills 全景图
```
帮我分析工作模式，设计完整的 Skills 体系。
请问我以下问题（每次问一个，等我回答后再问下一个）：
1. 你每天重复做的事情有哪些？
2. 每周重复的工作有哪些？
3. 每月重复的工作有哪些？
4. 哪些工作你觉得最耗时但价值不高？
5. 你希望 Codex 能自动帮你做的事情（目前还没实现）有哪些？
收集完回答后，帮我设计 Skills 全景图：
- 按触发频率分类（每天/每周/按需）
- 按价值高低标注
- 列出实现优先级
保存为 MY_AI_OS_DESIGN.md
```
🗓️ 6.3 精通者的 AI OS 示例（内容创作者 + 独立开发者）
```
📅 每日 Automations
├── 08:00 daily-brief：汇总昨日数据 + 今日计划
├── 08:30 daily-tweets：生成今日推文草稿（Typefully）
├── 10:00 github-digest：GitHub 通知分类整理
└── 22:00 day-summary：今日完成事项 + 明日待办
📅 每周 Automations
├── 周一 09:00 weekly-report：上周数据周报
├── 周三 10:00 content-plan：下周内容选题规划
└── 周五 17:00 skills-review：Skills 质量盘点
🎯 按需调用 Skills（/ 触发）
├── /code-review 代码审查
├── /generate-tests 测试生成
├── /security-audit 安全漏洞扫描
├── /onboard-module 理解新模块
├── /write-article 写技术文章（模仿我的风格）
├── /analyze-competitors 竞品分析
└── /release-notes 从 git log 生成发布说明
🔌 MCP 连接
├── Gmail / Notion / GitHub / Supabase / 自建数据 API
```
🌱 6.4 Skills 的持续进化机制
```
帮我设置 Skill 进化追踪：
每次我修改了 Codex 的输出后，提醒我：
"你修改了输出，要不要把这个改动反映到 Skill 里？"
积累 3 次相同类型的修改后，自动建议更新 Skill。
在 .agents/skills/evolution_log.md 里记录每次进化。
这是让 AI 系统越用越懂你的关键机制。
```
## 第七章：从 0 到第一个付费用户——用所有技能造一个产品
🚀 7.1 精通者的终极考验
精通者的终极考验是：用 Codex 造一个真实的、有人愿意付钱的产品。
示例产品：AI Skills 市场（用户分享和购买 Codex Skills 的平台）
> 你可以替换成任何自己的想法，这里只是演示完整流程。
📋 7.2 Day 0：产品定义与规划
```
我想做一个"AI Skills 市场"：
用户可以上传自己做好的 Codex Skills，其他用户可以浏览、下载、付费购买。
请帮我完成：
1. 用户价值主张（一句话版本）
2. 目标用户画像（3 类用户）
3. MVP 功能清单（能验证核心价值的最少功能）
4. 技术选型建议（AI 友好、快速开发、低运维）
5. 商业模式设计（免费/付费边界）
完成后，用 Compound Engineering 生成 GitHub Issues，
细化到可以直接给 Codex 执行的粒度。
保存所有内容到 PRODUCT_DEFINITION.md
```
⚡ 7.3 Day 1-3：MVP 快速开发
```
技术栈：Next.js 15 + Convex + Supabase Auth + Stripe + Vercel
用 Work Trees 并行推进：
- Thread 1：数据库 Schema + Convex API
- Thread 2：前端页面（首页、浏览页、详情页、上传页）
- Thread 3：Supabase 认证流程
- Thread 4：Stripe 支付集成
每个 Thread 完成后跑测试，通过后合并。
全部合并后用 Browser Use 做完整 QA 测试。
目标：3 天内有可以访问的真实地址。
```
📣 7.4 Day 4-5：上线冷启动
```
产品 MVP 已上线，现在需要第一批用户：
1. 落地页优化（@browser_use 测试）：
- 核心价值主张是否清晰
- CTA 按钮是否显眼
- 加载速度是否 < 2 秒
2. Product Hunt 准备：
- 写 tagline（60 字以内）和 description（300 字）
- 生成 5 张产品截图（Browser Use 截图 + 内置图像生成美化）
- 写 First Comment（创始人自述）
3. 上线公告推文：
用 /daily-tweets Skill 生成上线公告系列（3-5 条）
起草博客文章："我用 Codex 3 天做了一个 AI Skills 市场"
保存为 blog/launch_story.md
4. 目标用户触达：
找出 10 个可能感兴趣的 Twitter 用户
为每个人写个性化 DM 草稿
```
💳 7.5 第一个付费用户——里程碑
```
第一个付费用户出现了！
帮我：
1. 从 Supabase 查出这位用户的完整行为路径：
- 什么时候注册、浏览了哪些 Skills、通过什么渠道来的
2. 用 @Gmail 发一封手写感觉的感谢邮件：
- 语气：真诚、非模板感
- 内容：感谢支持 + 问为什么选择我们 + 请求 5 分钟通话
3. 把这次付费记录到 milestone_log.md：
日期、金额、用户来源渠道、购买的 Skill
这是产品历史的第一页。
```
## 第八章：精通者的避坑手册
🗂️ 8.1 系统越做越重
现象： Skills 越来越多，AGENTS.md 越写越长，但输出质量反而下降。
原因： 上下文塞得太满。
解决方案：定期"AI OS 瘦身"
```
帮我做一次 AI 操作系统瘦身：
1. 审查 AGENTS.md：
- 哪些规则已过时？哪些 Codex 现在默认遵守不需要写？
- 目标：缩减到精华
2. 审查 Skills 库：
- 2 个月没调用的 → 归档到 .agents/skills/archive/
- 功能重叠的 → 合并
- 质量低于 3 分的 → 重构或删除
3. 审查 Automations：
- 输出你已经不再看的 → 关闭
- 能降频的 → 从每天改为每周
目标：精简而有力，而不是大而全但臃肿。
```
⚖️ 8.2 过度依赖的危险信号
🎯 8.3 什么时候不要用 Codex
## 第九章：Codex 的局限性与边界——精通者更清醒
🔭 9.1 三个本质局限
局限一：没有真正的理解，只有模式匹配
越是标准化的任务（写测试、重构、CRUD），Codex 越可靠。越是依赖业务背景的判断，越不可靠。
局限二：长上下文质量退化
即使有 Compaction，超长会话质量确实退化。精通者的应对：定期用 progress.md 保存状态，重开会话。
局限三：幻觉永远存在，只是概率高低
让 AI 跑测试是降低幻觉风险最有效的手段，不是消除幻觉。
📈 9.2 各类任务的成功率参考
精通者的使用原则： 80%+ 的任务放心使用，60% 以下的任务 Codex 做辅助而非主力。
## 第十章：精通篇知识总结
📋 10.1 四篇完整知识体系总览
```
┌─────────────┬──────────────────────────────────────────────────┐
│ 入门篇 │ Desktop App 安装、7大核心能力、5 Primitives、 │
│（会用） │ AGENTS.md 正确写法、Steer、Chronicle │
├─────────────┼──────────────────────────────────────────────────┤
│ 进阶篇 │ 四维 Prompt 框架、语音输入、Plugins 深度实战、 │
│（用得好） │ Skills 封装流程、Work Trees 并发、Sub Agents、 │
│ │ Automations、暗代码避坑、Compound Engineering │
├─────────────┼──────────────────────────────────────────────────┤
│ 高级篇 │ MCP 配置与自建、多模型编排、Chronicle 高阶、 │
│（一人一队） │ Computer Use 高阶、iOS 开发、Remotion 视频、 │
│ │ Supabase 集成、CI/CD 一条龙、Chorus 并发实战 │
├─────────────┼──────────────────────────────────────────────────┤
│ 精通篇 │ 精通者思维飞轮、遗留代码迁移四阶段、安全审计体系、│
│（建系统） │ Automation 性能调优、团队协作、个人 AI OS 设计、 │
│ │ 从 0 到付费用户全链路、局限性清醒认知 │
└─────────────┴──────────────────────────────────────────────────┘
```
🧠 10.2 精通篇核心知识一览
## 🎓 四篇全部完成——这是新的起点
完成四篇教程意味着你掌握的不只是一个工具，而是一套在 AI 时代高效工作的方法论：
- 用 Compound Engineering 把模糊需求变成可执行计划
- 用 Work Trees + Sub Agents 让一个人发挥团队效率
- 用 Skills + Automations 把重复劳动变成自动运行的飞轮
- 用 多模型编排 让不同 AI 发挥各自所长
- 用 精通者飞轮 让系统持续自我进化
AI 工具在快速演进，今天的最佳实践明天可能被取代。精通者最重要的能力不是记住所有命令，而是：
> 保持对 AI 能力边界的清醒认知，同时保持对新可能性的开放心态。
## 📎 附录：四篇完整知识体系速查手册
🔑 最常用命令速查
```
# 安装 Codex CLI
npm install -g @openai/codex
# 启动（进入项目目录后）
codex
# 指定沙盒模式
codex -s workspace-write # 默认，推荐
codex -s read-only # 只读，安全审查用
```
📁 重要文件位置速查
🎯 Prompt 四维框架速记卡
```
目标（Goal）： 我要什么结果
上下文（Context）： 相关的文件/数据/背景
约束（Constraints）：技术要求/不能碰的/风格规范
完成标准（Done When）：什么情况下算完成
```
🔄 精通者飞轮速记
```
完成任务 → 封装 Skill → 记录教训 → 设置 Automation → 下次更快
```
📊 各功能适用场景速查
你现在最缺的不是努力，是正确的方法 + 趁早行动。行动起来！ 🔥
✅ 点赞 + 收藏这个指南,持续获取更多AI干货
✅ 关注我
#OpenAI
#Codex
#AICoding
## 相关链接
- [MuscleMan | AI × Investing](https://x.com/RealCodedAlpha)
- [@RealCodedAlpha](https://x.com/RealCodedAlpha)
- [1.4K](https://x.com/RealCodedAlpha/status/2064921935507837260/analytics)
- [Jun 3](https://x.com/RealCodedAlpha/status/2062141239831449879)
- [536](https://x.com/RealCodedAlpha/status/2062141239831449879/analytics)
- [#OpenAI](https://x.com/search?q=%23OpenAI&src=hashtag_click)
- [#Codex](https://x.com/search?q=%23Codex&src=hashtag_click)
- [#AICoding](https://x.com/search?q=%23AICoding&src=hashtag_click)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [12:05 PM · Jun 11, 2026](https://x.com/RealCodedAlpha/status/2064921935507837260)
- [1,419 Views](https://x.com/RealCodedAlpha/status/2064921935507837260/analytics)
---
*导出时间: 2026/6/11 20:42:57*