拆解 AI 编码工具的机制，用实测数据说话。这里记录 Codex CLI 与 AI 编码 Agent 的工作原理、成本账本、安全边界和工程实践。
一次设计评审留下 12 个待修项，父 agent 带着 16 个廉价 worker 用一个夜晚全部修完：13 小时、118 个文件、16369 行新增、158137319 个 token。但真正值得读的不是交付成绩，而是账单结构：95.4% 的 token 是重复读取已经缓存的上下文，模型真正新写出来的文字只有 0.42%；66 次「还没好」的空轮询烧掉 6.5% 的总量。这篇文章拆解父 worker 编排里的两个成本杠杆、一个最贵的等待习惯，以及 Codex 上那个至今无解的「父 agent 叫不醒」问题。
有人问：你们用什么 IDE 管理多个 coding agent？六百个工程师回答，没有一个人给出相同答案。这个「零共识」本身就是最有价值的信号。行业已经把 agent 造出来了，却没把工作台造出来。这篇文章拆解 Codex CLI 已经内置但极少被配置的三块拼图（codex queue、auto_recap、Guardian history），为什么「哪个刚跑完就看哪个」是错误的调度信号，以及把并发压到六条以内背后的管理逻辑。
Codex 的 /goal 让 Agent 跨轮次追一个目标，直到完成或预算耗尽。但真正决定长任务成败的不是模型能力，而是三件事：压缩之后审计要求会不会丢、谁给完成结果判卷、预算是闸门还是断路器。这篇文章拆解三个失效点，以及把实质写进文件、把人工审批变成可判定检查项这两个具体解法。
Archestra 团队用一个 Slack 螃蟹表情触发编码 agent，自动拉起环境、排查 bug、自审代码、录演示视频，一路修到 PR 提审。但真正棘手的是：当 agent 同时拥有内部数据读取、网络访问和公开仓库推送权限，数据会流向哪里？他们用 OpenAPPA 本地策略引擎给数据打上「内部」标记，在工具调用前拦下越界操作。
给 Codex 的活越大，跟踪它的改动就越费劲。工程师 Rafael Pierre 反其道而行：不堆 agent 数量，而是用 issue、分支、worktree 和 PR 把每一步钉在 GitHub 上，让 AI 写的代码始终经得起自己回头看。文章拆解了可验收的需求怎么写、AGENTS.md 该装什么、两层检查怎么布、并行任务该开几个。