ChatGPT Work + Codex 教程：AI 如何成为你的个人操作系统

据@jxnlco（OpenAI DevEx成员）在专访中演示，ChatGPT Work和Codex本质上是同一引擎的两种视图，Work只是将git和代码隐藏起来。原因是文件、脚本和可验证的执行结果是“行动能力”的地基，因此构建生产力工具的最佳起点是一个强大的coding agent。

这一洞察意味着，当前AI生产力工具的分化（如Work面向通用任务、Codex面向编程）只是表面差异，底层能力共享。用户无需在“工作agent”和“编程agent”之间二选一，而是可以基于同一引擎构建个性化工作流。

@jxnlco仅保留十来个pinned thread作为workspace，重要内容一律让模型写入notes目录。他的主项目是一个纯markdown的Obsidian库，存放在GitHub上，但关键细节是：他自己几乎不打开Obsidian——那是写给agent读的记忆层，人类只是顺带能看。

这种设计将上下文从易丢失的对话历史转移到持久化文件，使agent能跨会话访问结构化信息。同时，文件系统天然支持版本控制和协作，为长任务和团队场景提供基础。

他的chief-of-staff agent每天三次读取Slack、邮件、Twitter DM和Linear，但不允许自动发送。理由是“它一次读了40封邮件、100条消息，我要更外科手术一点”。而在具体任务线程中，他会放手到“测试全绿后自己去Slack私信Andrew”。

自动化授权不是起点，而是手动重复要求并验证N次后的结果。这一原则防止了AI在信息过载时做出错误决策，同时保留了人类对关键输出的控制。

所有会话存为JSON，@jxnlco可以查询“过去400个session中哪些skill从未使用过？该合并哪些？我反复给过什么反馈？”他甚至编写了一个self-improve skill自动执行此分析。心智模型是：这与day-one招人无异，不存在一次写就永远完美的skill。

这种元认知能力使系统能够自我进化，定期清理冗余skill、合并相似功能、根据反馈调整行为，从而避免技能库膨胀和性能下降。

购物时，@jxnlco不要求markdown报告，而是让AI“每个产品各开一个标签页”，回来直接点结账。报告需要用户再翻译成行动，而四个标签页不需要。输出应直接落在用户原本就要做决策的界面上。

这一原则适用于所有AI交互：避免生成需要二次处理的中间产物，而是直接交付可执行的结果，从而减少认知负担和操作步骤。

视频中提炼了四项可复制的实践：1）heartbeat起手式：让agent在固定时间检查邮件、Slack、Linear并汇报优先级；2）write-me skill：让agent读取用户过去一周的写作，反推出个人风格并分场景细化；3）长任务三文件法：goal.md（可验证成功标准）、plan.md（实现细节）、worklog.md（人类日志），且goal必须由agent根据用户描述的成功标准自行设定；4）用会话历史定期清理skill库。

这些方法强调从简单开始逐步加码，例如heartbeat先要求每条带链接，再接入任务系统，最后预写草稿。write-me skill被评价为“性价比最高的一招”，因为它利用用户自身语料让AI学习风格，无需手动编写规则。

Codex一直是桌面产品，但大量能力正在向ChatGPT Work云端迁移，自动化将运行在云上而非用户机器上。语音交互是下一步，@jxnlco大量使用听写，并提到主持人想要的“给自己的Codex打电话下指令”功能。

视频特别提到RESET的Tibo（@thsottiaux）对Codex团队的影响：他不仅代表公司面对用户，也代表用户面对公司，其与社区的互动方式推动了密集更新。