摘要：本文深入解析OpenAI Codex中的Goals机制，阐述其与一次性Prompt的核心区别及适用场景。文章详细探讨了如何编写高质量的Goal，通过定义明确的结果、验证方法及约束条件，实现AI任务的自主迭代与证据校验。结合复现量化论文的经典案例，展示Goals在复杂研究任务中的应用价值，旨在帮助开发者突破传统交互局限，提升AI编程工具在代码优化、调试及科学研究中的效能与可靠性。
如果你经常和AI编程助手打交道，一定经历过这种无力感：你让它优化一段代码，它改了，结果测试挂了；你让它排查一个不稳定bug，它给了个猜测，然后就此打住，等你喂下一条指令。传统的Prompt就像临时工，干完一单就原地待命，绝不主动思考“下一步该干嘛”。
但现在，OpenAI Codex带来的Goals机制，正在彻底颠覆这种“一次性”的交互模式。它给AI植入了一个“北极星”——让AI拥有了持久的目标、自我校验的能力，以及在迷雾中持续推进的定力。今天，我们就来深度拆解，如何在Codex中玩转Goals，让你的AI助手真正进化为自主工作的“契约管家”。
什么是Goals？从“听令行事”到“契约驱动”
简单来说，Goals是Codex里的一种持久目标机制。
传统的Prompt是单行道：你下令，它执行，汇报，等待。而Goals则是一个持续激活的循环合约：你定义终点线和红线，AI在跑道上每迈出一步，都会自己回头看一眼——“目标达成了吗？”“有没有越界？”如果没有，且预算充足，它就会循着最新的线索继续往下挖。
这可不是让你放手不管，任由AI“脱缰狂奔”。Goals本质上是一个有范围、用户可控的完成合约。它最适合的场景，是那些“下一步该怎么做，取决于上一步发现了什么”的复杂任务，比如：
步步为营的性能调优
鬼魅般的不稳定测试排查
牵一发而动全身的依赖迁移
需要反复对照的论文复现
这类任务，你给再长的Prompt也没用，因为路径是未知的。你需要的是一个能随时锚定方向的指南针。
唤醒Goals：给你的AI装上“生命周期管理”
从Codex 0.128.0版本开始，Goals正式上线。更新完客户端后，你只需要用 /Goal 加上你的期望结果，就能启动它：
/goal 将 p95 延迟降至 120 毫秒以下，且不引起正确性测试回退
一旦激活，Codex就不再是那个只会回答问题的机器，它会自己看代码、跑命令、改逻辑、测结果，直到撞线或者遇到死胡同。当然，你随时可以掌控它的命运：
/goal—— 查看当前目标进度/goal pause—— 暂时踩刹车/goal resume—— 重新启动/goal clear—— 彻底移除目标
炼金术：如何写出一份让AI“不走偏”的强Goal？
很多人以为，Goal就是写一个更长的Prompt，大错特错。好的Goal，是一份关于“AI怎么工作、什么算成功、遇到阻碍怎么办”的精密合约。写好Goal，就像写文章改稿一样，要把“空洞”变为“具体”，把“罗嗦”变为“简洁”，确保每个词都有明确的质的规定性。
一份强悍的Goal，通常要锁定六个核心要素：结果、验证方法、约束、边界、迭代策略、阻塞停止条件。
这里有一个实用的黄金模板：
/goal <期望的最终状态>，通过<具体证据>验证，同时保持<约束>。使用<允许的输入、工具或边界>。每次迭代之间，<Codex应如何选择下一步最佳行动>。如果遇到阻塞或没有有效路径，<Codex应报告什么、什么能解除阻塞>。
让我们来直观对比一下：
❌ 弱Goal：
/goal 将 p95 checkout 延迟降至 120 毫秒以下，同时不引起正确性测试回退
（这只是一个愿望，没告诉AI怎么证明自己做到了，遇到了坑该怎么跳出来。）
✅ 强Goal：
/goal 将 p95 checkout 延迟降至 120 毫秒以下，以 checkout 基准测试验证，同时保持正确性测试套件全部通过。仅使用 checkout 服务、基准测试夹具及相关测试。在每次迭代之间，记录变动内容、基准测试结果，以及下一步要尝试的最佳实验。如果基准测试无法运行或无有效路径剩余，则停止，并附上已尝试路径、收集到的证据、阻塞点，以及所需的下一步输入。
看出来了吗？强Goal下，如果延迟只降到了135ms，AI绝不会自欺欺人地宣告胜利；如果测试挂了，它也会老老实实滚回去返工。这才是真正的“契约精神”。
底层透视：Goal激活后，Codex发生了什么“基因突变”？
当Goal上线，Codex的运行逻辑发生了三个深层变化：
目标永不失联：哪怕AI跑了十轮测试都失败，最初的目标依然像钉子一样钉在线程里。它不会因为中间过程的曲折而遗忘初心。
见缝插针的空闲驱动：AI不会在你还在打字时抢跑，也不会在别的任务排队时乱插队。只有在线程完全空闲、目标仍激活、预算还充足时，它才会悄悄启动下一轮探索。
无证据，不完成：Goal绝不是AI觉得“差不多得了”就能勾选的待办事项。没有铁证——文件改动、测试绿灯、跑通的benchmark——它绝对无法被标记为完成。
值得注意的是，在架构设计上，Goals是线程范围内的持久化状态，而不是全局记忆。它紧紧依附于当前的上下文，包括AI读过的代码、跑过的日志和推理链。这种设计极其克制，保证了AI不会拿着A项目的目标去B项目瞎指挥。
高阶实战：用Goals啃下量化论文复现
科研党们注意了，这是Goals最惊艳的应用场景。
假设你要复现Bueller等人的《Deep Hedging》论文。如果你只写一句 /goal 复现这篇论文，AI大概率会给你一堆似是而非的代码和“看起来很美”的图表，因为你没告诉它，哪些是核心数值，哪些是因材料缺失无法精确重现的近似值。
正确的姿势是写一份研究导向的Goal：
/goal 利用现有论文材料和本地资源，对 Buehler 等人的《Deep Hedging》进行最强证据支持的复现。尝试每一个主要结果，验证输出，最终形成一份报告，将复现成功的工作机制、近似训练结果、被阻断的精确复现路径及剩余不确定性区分开来说明。
在这个Goal的驱动下，Codex不再只是盲目跑代码，而是像一个严谨的审计师，将论文拆解成不同的“证据通道”：
可以重建的部分：它成功复现了定价和对冲逻辑，跑出了Heston参考价格，甚至重建了主要直方图。
无法精确复现的部分：论文并没有提供原始的随机种子、训练路径或优化器状态。
此时，Goals的威力显现出来了——它强迫AI保持诚实。最终产出的报告，不会用一个笼统的“复现成功”来糊弄你，而是会清晰地标注：
| 数量 | 论文原值 | 复现值 | 差异 |
|---|---|---|---|
| Heston看涨期权价格 | 1.69 | 1.6918 | <1% |
| 50%-CVaR价格 | 1.94 | 1.9764 | <2% |
结论：深度对冲近似了完全市场Heston对冲。
状态：近似复现。
剩余不确定性：原始训练路径和检查点不可用，无法精确重现原始实验。
这就是Goals在复杂研究中的价值：它在模糊中持续推进，同时坚决防止合理的推断被夸大为绝对的结论。它不仅帮你干活，更帮你定义了“干完”的底线标准。
避坑指南：什么时候别碰Goals？
Goals虽好，但绝非万能药。以下场景请老老实实用普通Prompt：
简单粗暴的任务：改一行代码、解释一个报错、做个小Review。
终点线模糊的玄学任务：比如“把这个功能做得更好”、“重构一下这段代码”。没有可测量的验收标准，Goals就会陷入无限空转。
刻意掩盖不确定性的任务：如果数据本身就残缺，别指望用Goal来强行抹平。在Goal里坦诚说明“允许用代理证据”，远比掩耳盗铃要安全。
写在最后
Goals的出现，悄然改变了人机协作的边界。它把一条线性的对话流，扭成了一个围绕明确结果的、有状态的工作循环。在这个循环里，人类负责制定规则和愿景，AI负责在规则内循证探索。
用好Goals，你就能体会到那种“只要方向对了，剩下的交给AI”的从容。而这，正是智能体时代最核心的生产力密码。
