Codex 很强，但不是万能的。本文结合两位资深开发者的实战经验和 OpenAI 官方文档，总结出一套判断「该不该让 Codex 上」的实用框架，以及五个必须人类亲自把关的场景。

一位开发者让 Codex 用八轮迭代优化自己的 AGENTS.md，每轮都在真实 PR 上做评测。结果出人意料：在训练集上表现最好的版本，在干净的留出集上反而退步了。这个实验揭示了一个被大多数人忽略的事实，听起来合理的指令，不一定是好的干预。