第一步：让 AI 理解全局

  1. 使用 GPT-5.2（XHIGH 模式），让它读取目标工作目录下的所有文件
  2. 让它生成一份代码地图，以及与最终目标相关的范围说明文档（scope）
  3. 让它创建一个 /tasks 目录，按顺序生成独立的任务文件，如 task-00.md、task-01.md……

第二步：逐个任务交给 Codex 执行

  1. 切换到 GPT-5.2-Codex（XHIGH 模式）
  2. 附上 scope 文件、rules 文件和当前任务文件（如 task-00.md）
  3. 每轮只传入一个任务文件，依次递增编号

关键点：每轮只让 Codex 看到一个任务。 这样能保持上下文聚焦，避免模型在多任务间混乱。

Scope 文件：定义全局方向

Scope 文件是整个项目的"大图"，包含：

  • 我们要做什么
  • 涉及哪些模块
  • 为什么做出某些设计决策

Rules 文件：约束执行规范

Rules 文件是 Codex 在开发过程中必须遵守的指令清单：

  1. 每个任务开始时，checkout 新分支
  2. 按任务描述完成开发；对于老项目，尽量精简代码而非堆叠新代码
  3. 运行类型检查、lint、完整测试套件（不允许删除或跳过测试），然后 commit 并 push
  4. 更新文档

实际效果

  • 每个任务的执行时间在 15 分钟到 1 小时之间
  • 任务可以叠加排列，Codex 会依次处理
  • 整个流程可持续运行 2-24 小时，取决于任务拆解的精细程度
  • 产出的代码通常功能完整，且比原有代码更干净

核心启示

这套方法的本质是把"指挥 AI"这件事工程化：先用高能力模型做规划和拆解，再用 Codex 模式做执行，中间通过 scope 和 rules 两个文件实现上下文传递和质量约束。对于独立开发者来说，这意味着你可以把一个大型重构或功能开发任务交给 AI 连夜跑完，第二天起来只需要做 code review。值得注意的是，任务粒度的拆解质量直接决定了最终产出——花时间写好 scope 和 task 文件，回报是成倍的。