一个开发者往 Codex 里敲了一行 /goal,然后走开了四个半小时。
等他回来的时候,AI 代理已经把整个应用拆成了 183 个用户故事,给每个功能写了测试,跑了一遍,把发现的 Bug 修了,又跑了一遍回归测试,再修,再跑——一路循环到零失败、零遗漏、零未解决的高危缺陷。
没人帮它写测试用例。没人帮它点页面验证。没人帮它修代码。
2026 年 6 月 21 日下午,开发者 Tom Osman(@tomosman)把截图发到了 X 上。3916 个点赞、218 次转发、73 万次浏览。几张 Codex 终端运行截图,直接点燃了开发者社区。
"This 'loop' automation is nuts inside of Codex."
「Codex 里的这个'循环'自动化太疯狂了。」
▲ Tom Osman 的主帖,Codex 代理正在自主运行整个质量保障流程,不是人类在操作
几分钟后他又补了一张图。
▲ 183 个用户故事、105 个页面路由,已持续运行四个半小时还在继续
183 个用户故事,105 个页面路由,跑了四个半小时还在继续。Tom 在回复里补了一句:"成功率比我自己手动做还高。"
/goal 一行指令,撬动整个闭环
Tom 贴出了他用的一行 /goal 指令:
"/goal go over every single feature in this app create a user story with expected behaviour based on the code keep a single canonical spreadsheet tracking the features status
when done switch loop to testing every user story and documenting all errors when done fix every logistical error or ux error test every user behaviour again post fix"
翻译过来:
「/goal 遍历这个应用里的每一个功能,根据代码创建用户故事和预期行为,用单一的规范电子表格跟踪功能状态
-
完成后切换循环到测试每一个用户故事并记录所有错误 -
完成后修复每一个逻辑错误或 UX 错误 -
修复后再测试每一个用户行为」
寥寥四行。但每一行都是一道硬闸门:遍历代码库、反推用户故事、建规范表格、阶段切换、修复后强制重测。每个环节都有明确的退出边界和验证回路。
最关键的设计是那张"规范电子表格"(canonical spreadsheet)。代理在发现、测试、修复的每个阶段都读写同一张表——这张表就是整个闭环的真相来源。进度不会散落在对话历史里,人类随时打开就能看到所有功能的状态、缺陷列表、严重程度和置信度分数。
六阶段模板:从个人实验到可复制产线
社区开发者 @jxwalker 随后贴出了一个更完整的六阶段版本,Tom 回复 "Nice" 表示认可。
这个版本把自测闭环拆成了六个严格阶段:
第一阶段:功能发现。遍历代码库,找到每一个面向用户的功能、路由、API、配置项。为每个功能创建唯一 ID、详细用户故事、预期行为(只基于实际代码实现)、边界条件、依赖关系。退出条件:所有可识别功能都已入表,零遗漏。
第二阶段:测试生成。为每个功能生成快乐路径、错误路径、边界条件、权限安全、移动端响应等全方位测试用例,全部录入同一张表格。
第三阶段:执行。跑所有测试。对每个失败记录缺陷 ID、重现步骤、期望结果 vs 实际结果、严重程度、根因假设,立即更新表格。
第四阶段:修复。对每个缺陷做最小安全修复,本地验证通过后更新状态。
第五阶段:回归测试。重跑全部测试和主要端到端用户旅程,确认没有引入新问题。
第六阶段:递归质量循环。重复以上过程,直到六项硬性条件全部为真:零未记录功能、零失败测试、零高危缺陷、零未解决 UX 问题、零中断的用户旅程、零不完整覆盖。每轮结束后输出覆盖摘要、缺陷发现与修复数、剩余风险、0-100% 置信度分数。
"Never declare done unless all exit criteria are met."
「绝不声明完成,除非所有退出条件都满足。」
▲ @jxwalker 的六阶段完整模板,从功能发现到递归循环,每个阶段都有明确退出条件
这个模板直接把"自测闭环"从一次性的 hack 升级成了可复制的生产线。
底层到底在跑什么
Codex 能做到这些,依赖的是它底层的 Agent Loop 机制。
OpenAI 在今年 1 月的官方博客《Unrolling the Codex agent loop》里详细拆解过这个循环:用户输入被组装成 prompt,送入模型推理,模型要么返回最终回答,要么请求执行一个工具——读文件、跑命令、写表格。Harness 执行工具,把结果塞回上下文,再推理,再执行。一直循环,直到模型自己判断"完成了",不再请求工具调用。
每一次工具调用都是一次"感知-决策-行动"的小闭环。当用户用 /goal 把更大尺度的目标描述清楚——"先发现功能、再生成测试、再执行、再修复、再回归、再循环"——代理就能在更长的时间跨度上反复迭代这些小闭环,直到大目标达成。
▲ OpenAI 官方博客拆解 Agent Loop:每一次推理和工具调用都构成一个小闭环
到了 4 月底,Codex CLI 0.128.0 把这种持久循环做成了正式功能:/goal。官方文档明确写了使用场景——"需要跨多个 turn 持续工作、直到达到可验证的结束状态"。还给了一组控制命令:/goal pause 暂停、/goal resume 恢复、/goal status 查看状态。
持久自治一直是社区的"高级玩法"。OpenAI 把它做进了产品。
Greg Brockman 亲自转发
帖文发布几个小时后,OpenAI 联合创始人兼总裁 Greg Brockman(@gdb)转发了。
"codex for testing every single feature in your app:"
「用 Codex 测试你应用里的每一个功能:」
评论很短。他没有说"试试看"或"很有趣"。他用的是陈述语气,像一个产品经理在告诉你这个功能的设计用途。配上原帖转发,2884 个点赞、12.6 万次浏览——等于告诉整个社区:这就是我们做 /goal 时想看到的。
▲ Greg Brockman 转发并评论,把事件从个人实验推到了 Codex 官方能力展示的高度
兴奋与焦虑同时炸开
回复区像一面镜子,照出了开发者社区此刻的真实心态。
一边是压倒性的兴奋。有人说"自动化 QA 循环可能会重塑手动测试团队的工作方式"。有人感叹"对于讨厌写文档的人来说是巨大解脱,工具直接处理掉了"。Tom 自己也说成功率比手动操作更高。
另一边是冷静的担忧。最尖锐的质疑指向同一个问题:Codex 自己出测试题、自己答卷、自己打分——这个闭环里,人类到底在不在回路里?
有人直言:"谁来审查测试?如果 Codex 既出题又判卷,这有点可疑。"还有人边跑边怕:"我现在在试,但太害怕去检查它是不是只在产出垃圾。"
Tom 在回复里给了一个务实的回答:电子表格就是人类介入的入口。你可以随时打开表格,看清每一个功能的状态、每一个缺陷的描述、代理给自己打的置信度分数。人类不需要参与执行,但需要参与判断。
183 个故事只是个开始
183 个用户故事,105 个页面路由,四个多小时的无人值守运行。这是真实应用的全量功能 QA,被一行 /goal 指令自动化了。
对于开发者来说,几件事同时成立:手动 QA 的重复劳动可以大幅外包给代理;你必须学会把"完成"的标准翻译成代理能理解和验证的语言;最终的责任不会消失,只会从执行层移到设计层。
人的重心不再停留在逐条测试和逐个修 Bug 上。你的新角色是目标设计师和最终验收官。当你不写测试、不跑测试、不修 Bug,唯一要做的是定义"什么叫做好"和"什么时候算过关"——然后把 /goal 敲进去,走开。
Tom 跑这个实验的代码库是 ZHC Institute 的零人公司构建器——一个想让上千个 AI 代理自动运行、自动 token 化的平台。在这个场景下,让 AI 自己测自己的代码——它就是基础设施级的刚需。
Codex 把这个刚需做进了产品。183 个故事,只是开始。







