本文深入解析 OpenAI Codex 的 apply_patch 编辑文件工具的设计与实现。作者拆解了从模型生成 patch 到文件系统实际变更的五层链路：自定义 patch 语言生成、Lark grammar 解析、验证定位、安全审批与执行。文章对比了 Codex 自定义 patch 格式与标准 unified diff 的异同，详细说明了 hunk 匹配的四轮渐进容错策略、从后向前的替换顺序、写入前整份 patch 验证的意义，以及路径收集与 sandbox 权限审批机制，为 Agent 开发者提供了连接大模型文本生成与确定性文件操作的工程参考。
作者耗时5天对 REA 增强版 Codex 与原生 Codex 进行了108次对照实验，其中35对可同条件比较。文章详细记录了三个阶段：首先是六次小型探索，测试笔记导出、桌面应用复制、.NET 计价函数复现三组任务，两边均通过全部用例但 REA 组耗时略长；随后扩展至六档难度、两种模型共72次正式运行。文章分析了 REA 作为调查工具为模型提供的模块关系、函数位置等线索，以及原生 Codex 借助普通工具自行调查的能力，指出在小规模任务中两者能力差距不明显，差异更多体现在调查入口和验证路径上，并对实验边界与结论适用范围做了严谨说明。
作者对 OpenAI 发布的 Agents API 公测版进行了端到端实测，通过两次 POST /v1/agents/sessions 调用，体验了托管沙箱中的文件读写和 Skill 任务执行。文章介绍了 Agents API 开放的 Codex 背后托管 Agent Harness 的能力，以及 Agent 的三个层次（模型与 Harness、沙箱执行环境、工具与工作流），并详细记录了 Session 创建、SSE 事件流、Agent 在沙箱中的真实执行过程，包括命令失败后的自主恢复、CSV 数据校验与 JSON 输出，以及通过 Artifacts API 取回任务产物的完整流程。
文章从零讲解 Harness Engineering（线束工程）的概念：模型只负责生成文本，而 harness 是围绕模型的软件系统，负责将模型的输出转化为实际工作。作者通过 OpenAI、LangChain、Anthropic 的案例说明，不换模型也能大幅提升 Agent 能力，关键在于模型周围的系统建设。文章以'给文章添加点赞按钮'为例，逐步拆解 harness 的构成：给模型的六件套（tools、循环、记忆、上下文、工作环境、目标与验证），以及给用户的三件套（权限限制、可观测性、评估），展示了模型'提出请求'、harness'执行动作'的协作模式。
本文是对 OpenAI Codex 团队负责人 Tibo Sottiaux 的深度访谈编译。访谈回顾了 Codex 从内部研究项目成长为热门 AI 编码工具的历程，详解三个反直觉决策：用 Rust 编写、全面开源、模型无关。核心洞察包括“harness 永远领先模型一点”的拐杖理论，以及 AI 重写软件开发生命周期：代码评审自动化、维护成本坍塌、意图讨论成为人类评审核心。还介绍了 Codex 与 ChatGPT 合并的架构工程、未来混合执行环境，以及 Tibo 对工程师职业发展的建议。
作者几个月前搭建了一套名为「刚柔」的元 Skill，用图 IR、契约闸和检查机制防止模型偷懒、打折扣执行任务。随着 GPT-6 Astra 发布，模型遵循指令和多步执行能力大幅提升，OpenAI 官方建议检查 AGENTS.md 和 Skills 中可能影响模型行为的指令。作者由此意识到，许多为弥补旧模型短板而设的约束如今反而妨碍任务完成，于是委托 Codex + GPT-6 在秘书 Grok Bot 协调下彻底拆除该元技能。文章详细记录了清理的难度、推理档位选择、具体执行过程（如取消从零重跑、自动三路候选）及打包脚本隐私问题的修复，最终指出：该留的是把工作可靠完成的目标，而不是特定的脚手架，技术条件变了就该果断调整。
文章介绍了 OpenAI 对 Codex hooks 机制的重大升级：hook 现在支持异步执行和直接调用 MCP 工具。作者将 hooks 比作'闸机'，与 AGENTS.md、Skill 这类'规章制度'不同，它能在运行时真正拦截工具调用。文章详细讲解了 11 个事件类型（SessionStart、PreToolUse、PermissionRequest、PostToolUse、Stop 等）的触发时机与拦截姿势，配置文件的加载规则、异步 hook 的限制（最多 8 个并发、无法拦截）、MCP 工具 hook 的占位符机制，以及基于哈希绑定的信任机制。作者强调 hooks 是有用的护栏而非完整安全边界，真正防越权还需沙箱和权限体系配合。
文章回顾了AI从ChatGPT到通用Agent的演进路径。作者指出2025年11月Coding Agent越过奇点，2026年通用Agent工具爆发，标志着AGI前夜已至。文章探讨了“Token即生产力”的核心命题，并分析了算力、云平台及存储基础设施在AI时代的投资确定性。
文章探讨了 Harness Engineering 的概念，即通过设计环境、设定标准和建立反馈来构建 AI 的工程环境，从而将 AI 从简单的聊天工具转化为能持续工作的生产力。文章对比了 OpenAI 和 Anthropic 的不同实践路径，并以 VergeX 为例，阐述了 Harness 在 AI 交易中的具体应用，包括工具调用、上下文管理、架构约束和反馈循环四大核心模块。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
Latent Space 首期「High Taste Testers」栏目中，五位 AI 重度用户在 OpenAI DevDay 2026 后畅谈产品真相。核心观点：模型前沿没有让人失望，产品执行让人失望；Dots 等功能藏得太深、远程执行与状态迁移未解决；Codex 桌面端更新频遭差评；行业应从 agent 转向 assistant，助手胜负在减负；Jev 决策模型改变的是成本曲线而非能力边界；信任是这一代模型的真正分水岭；分发与深度的矛盾注定产品分裂，各自占据生态位。
文章介绍如何通过配置优化 Codex 的额度消耗：主线使用贵的 GPT-6.1 Sol 负责思考决策，把读文件、搜代码、跑测试等杂活派给单价仅为二十分之一的 GPT-6 Luna 子代理。作者给出 6 段配置：让 Codex 自动配置、设置默认子代理模型、创建只读侦察兵 scout 和执行修理工 fixer 两个子代理、在 AGENTS.md 写入自动派活规则、日常派活提示词，以及在 ChatGPT 普通聊天中先聊透需求生成任务单。还提醒避免 Fast 模式、滥用子代理等白烧额度的坑，附具体配置文件与提示词模板。
