开场｜第 1 页
这场分享讲的是 Codex 现在能做什么，以及 OpenAI 团队怎样把这些能力放进真实的开发工作。
两位讲者 Katia Gil Guzman 和 Vaibhav Srivastav 都来自 OpenAI 的 Developer Experience 团队。这次分享是在 AI Engineer Europe 的 workshop 现场。内容从模型、Agent Harness 和 Codex App 展开，再进入 Plugins、Automations、Code Review、Subagents 和几项实验性能力。
我觉得这场分享很适合作为一张 Codex 的能力地图来看。两位讲者还准备了多组现场 Demo，后面我会按照原分享的顺序，分别说明每段演示做了什么，以及现场实际证明到了哪一步。
这个系列，我们少听一点二手观点，直接听全球一线 AI Builders 亲口讲，他们是怎么想、怎么做的。再从里面找出，我们今天就能用的方法。
我们直接开始。
第 2 页｜Codex 的基本结构
Katia 把 Codex 定义为 OpenAI 的软件工程 Agent。它不只写代码，也能运行命令、执行测试和探索代码库。
Codex 以模型为基础。模型能力提升以后，Codex 也会得到相应提升。模型上面还有一层 unified agent harness。Katia 说，这一层负责工具执行、环境准备、Agent 行为管理和评估，安全能力也放在 harness 里面。
用户可以通过不同入口使用 Codex，包括 Codex App、IDE extension、CLI、Slack 和 GitHub。Codex 还可以连接 Figma、Linear、Notion 等外部工具。
Vaibhav 随后补充了从 GPT-5.2 到 GPT-5.4 的模型进展，也提到适合较短任务和 Subagents 的 mini、nano 模型。
我的理解是，这一部分相当于整场分享的总览。后面的 App、Plugins 和 Subagents，都是从这张总览继续展开。
第 3 页｜Codex App 与 Worktree
Vaibhav 说，自己原来是重度 CLI 用户。在参与 Codex App 的测试以后，App 逐渐成为他工作流的重要部分。
他主要提到两个原因。第一，App 可以集中管理不同项目。第二，在同一个项目里，可以同时处理多个功能、Bug 修复或问答任务。
Codex App 原生支持 Git Worktree。不同任务可以在各自的 Worktree 里工作，彼此不会直接干扰。Vaibhav 说，这让他能够减少上下文切换，同时推进多项工作。
他还简要介绍了 App 里的 Automations、Git 支持，以及 Windows 版本和原生 Windows sandbox。
第 4 页｜Skills、Apps、MCP 与 Plugins
接下来，Katia 介绍了 Codex 对 Plugins 的原生支持。Plugin 可以把 Skills、Apps、MCP servers 和提示词等内容打包成一套可复用的 workflow。
Skill 是为特定流程准备的可复用指令，可以包含说明、脚本和资源。经常重复的工作流程，可以整理成 Skill，也可以让 Codex 帮忙创建。
App 用来连接其他服务，比如 Notion、Linear 和 Google Drive。MCP server 则向 Codex 提供外部系统中的工具。
Katia 接着介绍了两个用于视觉开发的 Skills。ImageGen 负责生成视觉素材；Playwright Interactive 可以打开应用、操作浏览器、截图，并根据页面状态继续检查和调试。
后面的演示里，Game Studio 和 Google Drive 都是 Plugins：前者组合游戏开发需要的 Skills，后者连接 Google Drive。Automations 则是 Codex App 里按计划运行任务的功能，它不属于 Plugin，但运行时可以调用 App 或 Plugin。
第 5 页｜创建 Automation
Automation 的核心，是把反复出现的工作保存成后台任务，再按固定时间持续运行。它可以调用 App 或 Plugin；创建时需要确定任务内容、运行的 Project 和执行频率。
Katia 自己主要用它处理反复出现的信息整理任务。比如每天检查 Slack，找出需要回复或者有时间要求的消息，再按主题生成摘要。Gmail 也可以用同样的方式处理。
现场她让 Codex 把“定期整理 Slack 里的 Codex use cases”创建成一个 Automation。这个任务要真正运行起来，需要确定调用哪个 Plugin、在哪个 Project 里运行，以及多久执行一次。
Katia 先在对话里请求创建，但界面没有进入 Automation 的配置步骤。她再次说明以后仍然没有进入，于是打开 Automations 页面手动设置。
手动创建页面把这几个条件放在了一起：任务指令、要调用的 Plugin、运行任务的 Project，以及执行频率。
Automation 最终把一条重复任务落实成任务指令、工具、Project 和频率几项配置。现场到手动创建页面为止，没有继续展示新任务的首次运行结果。
第 6 页｜Google Drive Plugin
Google Drive Plugin 让 Codex 读取和更新已经连接的 Google Drive 文件。也就是说，Codex 不只读取代码库，还可以把整理结果直接写进 Google Sheet。这次的任务是从代码库读取 meetup 数据，再写入表格。
Katia 让 Codex 读取 OpenAI developer website 代码库里的 meetup YAML 文件，把活动名称、日期和城市写进 Google Sheet。视频里能看到两个结果：任务报告写入了 57 行，表格里也出现了对应的活动记录。
任务摘要显示，Codex 分析代码库后写入了 57 行。Google Sheet 里能看到活动名称、日期和城市。
Katia 还提到，输入也可以换成 CSV 等其他数据。也就是说，Codex 不只可以读取代码库，还可以接收其他数据文件，再把整理后的结果写入 Google Drive。
Codex 可以从代码库提取结构化数据，再直接更新外部表格。视频没有逐行核对这 57 条记录，也没有展示重复检测。
第 7 页｜Game Studio Plugin
Game Studio Plugin 把游戏开发常用的 Skills 组合在一起。Katia 给 Codex 的任务很简单：做一个由砖块构成的平台游戏，用 ImageGen 生成 sprites，再用 Playwright Interactive 打开并检查游戏。
这个任务需要运行大约一个小时，现场没有等它完成。接下来的视频由两部分组成：前半段是当天仍在运行的任务；画面切换后，是前一天由 Codex 完成的版本。
前半段里，当天的任务已经生成角色、金币、砖块和背景素材，但整个任务还没有结束。
画面切换后，Katia 打开了前一天完成的版本。游戏已经可以移动、跳跃和收集金币。她也提到，整体 UI 还需要继续调整。
Game Studio Plugin 把 ImageGen 和 Playwright Interactive 等游戏开发能力组合到同一个任务里。画面展示了素材生成和可玩版本两个结果；Playwright 具体怎样检查和调试游戏，以及当天任务最后是否完成，视频里没有继续展示。
第 8 页｜Code Review
Codex Code Review 用来对代码变更做第一轮检查。Vaibhav 的观点是，交给 Agent 的代码越多，越需要一个可靠的第一轮筛查。Review 可以在 GitHub 上自动审查 pull request，也可以从 CLI 或 App 发起。
Vaibhav 说，随着更多工作被交给 Agent，同时推进的项目和功能越来越多，人很难继续逐行检查所有代码。因此需要一个可以依赖的第一轮检查。
他还提到，Codex Plugin 可以在 Claude Code 会话中调用同样的 Review 能力。
他表示，OpenAI 的代码仓库默认会使用 Codex Code Review 检查 pull request。随后，他打开自己的工作项目，选择 uncommitted changes，现场发起一次 Review。
第 9 页｜独立 Review Thread
所谓独立 Review Thread，就是 Review 不在当前开发线程里继续，而是新开一个 Thread 和专门的 Codex process。它使用 Review system prompt，同时读取本次修改和仓库上下文。
播放时可以看两个状态：前半段是否新开了 Review Thread，后半段是否给出了具体的问题清单。
画面里出现了新的 Thread。这个 Review 不会只看当前 diff，也会结合仓库上下文检查修改可能影响到的其他部分。
画面切到后半段，Review 给出了按 P1、P2 排列的问题，并标出相关文件和原因。
Review 可以脱离开发线程独立运行，并返回一份带优先级的问题清单。Vaibhav 把它定位成代码检查的第一轮；人工复核和后续修复不在这段视频里。
第 10 页｜Subagents
Subagents 适合处理可以拆开的批量工作。主 Agent 把大任务分成多份，多个 Agent 分头执行，最后再统一汇总。
Vaibhav 的 repo 里保存了 45 份 Agent 角色文件，比如 accessibility reviewer 和 architect。每份文件都会说明这个 Agent 负责什么、遵循哪些指令，以及拥有什么权限。
这 45 份文件代表 45 种已经配置好的 Agent 角色。Vaibhav 要检查这些角色的职责、指令和权限是否合理，于是让主 Agent 创建 20 个 reviewer Subagents，把文件分组交给它们审查。
20 是 reviewer 总数。现场同时最多运行 6 个，所以它们会分批启动。
画面里，主 Agent 正在把 45 个文件分组。每个 reviewer 会拿到自己负责的文件和检查依据。
界面先启动 6 个 Subagents，后面的任务组继续排队。
画面切到后半段，主 Agent 已经把 reviewers 的结果合并成一份问题清单。其中几项都和权限有关：有些角色只负责分析或验证，却被配置了 workspace-write，也就是修改工作区文件的权限。
这里的核心分工是：主 Agent 切分文件，reviewers 并行检查，最后再把发现的问题合并成一份结果。
第 11 页｜默认角色与 Custom Subagents
Custom Subagent 把稳定的分工保存成可以反复使用的角色配置。常见分工不需要每次重新说明，可以提前写好它负责什么、使用哪个模型、能不能修改文件，以及可以调用哪些工具。
Codex 默认提供 general-purpose、worker 和 explorer 三种角色，用户也可以创建自己的角色。视频里展示了两个例子。
PR Explorer 只负责搜索代码和追踪执行路径，不修改文件，所以它使用速度更快的 GPT-5.3 Codex Spark，并且只有只读权限。
画面切到后半段，Codex 创建了 Docs Researcher。这个角色连接 OpenAI Docs MCP，用来查询官方文档，并要求回答时给出引用。
Custom Subagent 保存的不是一次任务，而是一套可以重复调用的角色设置。视频展示了两个角色怎样配置，没有继续运行 Docs Researcher。
第 12 页｜Guardian Approvals
Guardian Approvals 是一项实验性审批机制。它把人工确认集中在真正需要批准的高风险操作上，减少用户反复确认普通命令。Codex 准备执行特权动作之前，会临时启动一个 Subagent，判断这一步是否需要人来批准。
Vaibhav 举的例子包括删除目录、运行 server，以及把文件暴露到互联网。
这个 Subagent 不负责执行动作，只负责判断。如果不需要人工批准，原任务继续；如果需要，任务就停下来等待用户。Vaibhav 希望借此减少用户反复批准命令的疲劳。
现场，Vaibhav 尝试用运行 dev server 触发 Guardian。演示讲清了审批机制和判断流程，但画面没有继续出现批准、拒绝或自动放行的结果。
第 13 页｜Hooks
Hooks 把每次都要执行的固定动作接入任务生命周期，在指定事件发生时自动运行脚本。Vaibhav 提到三类事件：Session 开始、工具调用前后，以及 Session 准备停止。
比如 SessionStart Hook 可以在任务开始时从 GitHub 拉取最新代码；工具调用 Hook 可以记录 Codex 每一次调用工具的过程。视频展示的是 Stop Hook，我们主要看事件和脚本怎样连接。
配置文件把 Stop 事件连接到 keep-going.py。当 Codex 准备停止时，这个脚本会要求它继续执行一轮，先运行一个有效的验证命令，再停止并返回结果。
这个 Stop Hook 的目的，是避免 Codex 在还没有完成有效验证时结束任务。画面展示了它怎样连接脚本，但没有继续展示触发后的下一轮执行。
最后，Vaibhav 还快速提到 Personality 和 Custom Instructions。随后是 Codex Security 和 Claude Code Plugin。
Guardian 和 Hooks 当时都属于实验性能力。前者处理特权动作的审批，后者把固定动作接到任务事件上。
收尾｜第 14 页
回到开头，这场分享讲的不是一项孤立功能，而是 Codex 怎样进入完整的开发工作流。
模型和 Harness 负责推理与执行；Codex App 和 Worktree 让多个任务可以并行推进；Skills 和 Plugins 把可复用流程与外部工具接进来；Automations 和 Hooks 让任务按时间或事件自动运行；Code Review 和 Subagents 分别承担代码检查与任务拆分；Guardian Approvals 再处理高权限动作的审批。
几段现场演示把这些能力放进了具体任务：定时整理 Slack、把代码库数据写进 Google Sheet、生成和检查游戏、独立审查代码，以及并行检查 45 份 Agent 角色配置。
这场 OpenAI Codex Masterclass 最终展示的是：Codex 的工作范围已经从完成单次编码任务，扩展到并行协作、外部连接、自动执行、质量检查和权限控制。
