Codex Goals 是什么？从一次性 Prompt 到持续目标的完整指南

在用 Codex 处理复杂编程任务时，很多开发者都会遇到同一个痛点：一次性 Prompt 写得再详细，后续对话也容易跑偏。

你明明说“帮我优化这个接口性能”，结果 AI 改着改着就开始重构整个项目架构；或者让你“继续调试这个测试”，它却在无关的方向越走越远。

OpenAI 推出的 Codex Goals（也称 /goal 模式），正是为了解决这个核心问题。它把“一次性指令”升级为“持续可验证的目标”，让 AI 围绕同一个目标循环推进，直到拿出明确证据证明完成。

本文将系统解答：Codex Goals 是什么？它和普通 Prompt 有什么本质区别？如何从一次性思维切换到目标驱动模式？

为什么一次性 Prompt 在复杂任务中越来越不够用？

大多数人第一次使用 AI 编程助手时，习惯这样写 Prompt：

帮我修一下这个 bug。
优化这个搜索函数。
把这个功能实现一下。

这类写法适合简单任务：解释一段代码、修改单个函数、生成测试用例。但当任务变成“持续推进直到真正完成”时，一次性 Prompt 的局限性就暴露出来：

上下文不断膨胀，模型容易忘记最初意图
完成标准模糊，AI 只能靠“感觉”判断是否该停
容易失控，在没有明确边界的情况下越做越多

Codex Goals 就是为这类“路径不确定但终点明确”的任务而生。它不是一个更长的 Prompt，而是一个持久化在线程内的目标状态。

从 Codex 0.128.0 版本开始，Goals 正式可用。它会让 AI 在多个对话轮次中持续记住同一个目标，并围绕“完成证据”来决策下一步行动。

Codex Goals 核心概念：从指令到“完成契约”

简单来说，Goal 是一个带有明确验收标准的持续目标。

它不仅告诉 Codex “你要做什么”，更重要的是回答以下四个核心问题：

期望产物是什么？
用什么具体证据证明完成？
哪些事情明确不能做（约束）？
遇到 Blocker 时如何停止并报告？

普通 Prompt 像是一次性请求：

“请帮我优化这个函数。”

而 Goal 更像一份完成契约：

/goal 将 checkout 测试在当前分支上全部通过，同时不改变任何公开 API 的行为和返回结构。完成证据为：所有测试通过的完整日志 + 公开 API 合约测试结果。

这种转变，让 Codex 从“听话的助手”变成了“有验收标准的执行者”。

Goal 与普通 Prompt 的本质区别

根据 OpenAI 官方文档和实践经验，两者有以下关键差异：

工作模式不同：
– 普通 Prompt：单次问答模式
– Goal 模式：循环执行-评估-判断模式（Agent-like Loop）

判断完成的方式不同：
– 普通 Prompt：靠模型主观感觉“应该差不多了”
– Goal 模式：必须提供可验证的证据（测试通过、benchmark 数据、日志、研究复现结果等）

适用场景不同：
– 普通 Prompt 适合：解释概念、生成代码片段、小型修改
– Goal 模式适合：性能优化、复杂调试、flaky test 排查、大型重构、研究复现

如何正确使用 /goal？三步写出可执行目标

使用 Goal 非常简单，在对话开头输入 /goal 后描述目标即可。但要让它真正高效，写法需要升级。

第一步：定义清晰的可量化结果

避免模糊描述，如“优化性能”“改进代码”。要改为：

将 /api/search 接口的 P95 响应时间从当前基线的 240ms 降低至 160ms 以下。

第二步：明确完成证据和约束条件

一个高质量 Goal 通常包含：

完成证据：必须看到的具体产物（benchmark 报告、测试日志、验证截图等）
约束范围：不允许做什么（不改 API 结构、不引入新依赖等）
迭代策略：先建立基线 → 定位热点 → 最小化修改 → 重复验证
停止条件：什么情况下必须暂停并报告（预算耗尽、证据不足等）

第三步：配合文档建立执行蓝图

在大型功能开发中，推荐这样写：

/goal 根据 docs/PRD.md 和 docs/SPEC.md 实现用户权限管理系统。

开始前先阅读两个文档，并整理出：
1. 必须实现的需求清单
2. 明确不做的非目标
3. 需要验证的验收标准
4. 可能存在歧义的地方
5. 建议的 checkpoint 执行顺序

每完成一个 checkpoint 后运行对应测试。只有所有验收标准满足、构建通过、关键流程验证完成时才停止。

这种写法把 PRD（为什么做）和 SPEC（怎么做）转化为可执行的检查清单，大幅提升稳定性。

实战场景：Goal 在调试、优化和研究中的用法

场景一：性能优化

/goal 优化 /api/search 的本地 benchmark 表现，将 P95 从当前基线降低至少 30%。

完成证据需包含：
1. 优化前 benchmark 命令、样本量、P50/P95 数据
2. 最小必要改动说明
3. 优化后同一 benchmark 的对比数据
4. 性能变化原因分析 + 正确性验证结果

约束：不改变 API 响应结构，不引入外部缓存。
迭代策略：最多尝试 3 个假设，优先最小改动。

场景二：复杂调试

Goal 可以让 AI 系统性地排查，而不是随机尝试修复。

场景三：研究复现

在论文复现或新技术验证场景中，Goal 可以要求 AI 必须提供可运行的代码和对比实验数据才能视为完成。

Token 额度告急时的 Goal 续命技巧

这是很多开发者忽略的实用技巧。

当你看到 Token 预告警时，不要继续用普通模式硬撑。立即切换到 Goal 模式：

/goal 继续完成剩余的「xxx 优化任务」，当前已完成基线建立和第一次迭代，请基于现有进度继续推进，直到满足验收标准。

Goal 模式会注入进度评估提示，帮助 Codex 更好地理解当前状态，在有限上下文内更高效地推进任务。

使用建议：
– 一次只设置一个 Goal，避免多目标冲突
– 任务描述越具体越好
– 配合测试、类型检查作为“回压机制”
– 注意 context window（约 170k 有效上下文）

总结：从“让 AI 做事”到“让 AI 负责结果”

Codex Goals 的本质，是把 AI 从一次性工具升级为可信赖的执行伙伴。

它要求我们改变和 AI 对话的思维方式——不再是不断下达指令，而是共同定义一个清晰、可验证、带边界的目标，然后让它围绕这个目标持续推进。

当你学会把模糊需求转化为结构化的 Goal 后，会发现复杂任务的完成质量和可控性都会显著提升。

现在就试试吧：打开 Codex，输入你的第一个 /goal，感受从“一次性 Prompt”到“持续目标”的转变。

关键词：Codex Goals、/goal 命令、Codex 持续目标、AI 编程助手、Prompt 工程、性能优化 Goal、Codex 0.128.0、AI Agent 循环