Codex 越用越懂你?OpenAI 团队成员爆火「自我蒸馏」玩法,我实测四轮升级
不要让 Codex 只当一次性助手,让它学会自我进化。本文拆解 OpenAI Codex 团队成员 VB 爆火的「自我蒸馏」玩法,并分享我实测后的四轮升级方案。
一、一个让 Codex 自己教自己的玩法
最近 OpenAI Codex 团队成员 VB(前 HuggingFace)分享了一个让社区炸锅的玩法:「自我蒸馏」。
简单说,就是让 Codex 回看自己的会话历史,识别重复工作流,然后自动生成 Skill、Sub-Agent 和自动化任务。
我第一次看到的时候,脑子里只有一个念头:这才是 Agent 的正确打开方式。
不是每次任务从零开始,而是让 Codex 越用越懂你,越用越聪明,最后变成一个真正懂你的工作系统。
二、原版玩法:让 Codex 自己扫描自己
VB 的核心思路很简单:
不要让 Codex 只做一次性任务的聪明助手,要让它成为能不断复用过去经验、持续升级的工程化 Agent。
具体做法:
给 Codex 一段提示词,让它去执行三件事:
- 回看近期会话 —— 找出重复的工作流和请求
- 识别重复模式 —— 哪些任务你一直在做?
- 生成对应资产 ——
- 重复工作流 → 沉淀为 Skill
- 特定角色 → 沉淀为 Sub-Agent
- 周期性任务 → 沉淀为 Automation
这样 Codex 就从「执行者」升级成了「组织设计者」。
普通用户用 Agent:帮我完成这个任务。 高级用户用 Agent:帮我把能力产品化、流程化、自动化。
这是两个完全不同的维度。
三、原版的问题:只看重复,太浅了
我按照 VB 的提示词在本地跑了一遍,发现原版有几个明显的不足:
第一,只看「重复」,忽略「失败」。
原版提示词让 Codex 找重复工作流,但现实中很多问题不是「重复」,而是「失败」。比如 Skill 没触发、Agent 机制没跑起来、输出物厚度不够……这些不是重复,是断点。
第二,缺少评分和反馈机制。
自我审计怎么衡量?标准怎么定?原版没有回答这个问题。
第三,资产类型太单一。
原版只提到 Skill、Sub-Agent、Automation 三类资产。但实际项目中,还需要项目地图、失败案例库、评分器、业务资产缩影等。
第四,没有考虑 Codex 本身的能力边界。
原版是通用提示词,没有结合 Codex 官方机制(Worker、Agent MD、Skill 触发规则)做针对性优化。
这些问题不解决,自我蒸馏只能停留在「找重复」的层面,无法真正提升 Codex 的能力。
四、我的第一轮升级:结合本地 Codex,找出真实问题
我做的第一件事,是让 Codex 基于我本地的使用记录做自我分析。
结果它发现的问题比我想象中多:
- Skill 没有被正确触发
- Agent 机制没有跑起来
- 输出物厚度过厚,缺少精炼
- 缺少 loop 和反馈闭环
- 项目地图缺失
- 失败案例没有沉淀
- 业务价值优先级混乱
这些问题,原版提示词一个都没覆盖到。
所以我升级了自我蒸馏的维度,从「找重复」扩展到 12 个扫描项:

这轮升级的核心变化:从「经验沉淀」变成「问题驱动」。
不是找什么可以复用,而是找什么阻碍了效率。
五、我的第二轮升级:基于 Codex 官方机制加固
第一轮解决了「扫什么」的问题,第二轮解决「怎么扫」的问题。
Codex 有自己的能力边界和官方机制:
- Worker 机制:并行执行任务
- Agent MD 文档:定义 Agent 的角色和行为
- Skill 触发规则:什么时候调用什么 Skill
- Scale 功能:打包重复工作流
我让 Codex 基于这些官方机制,重新设计自我蒸馏的流程。
比如:
- Skill 触发失败,不只是记录,要分析触发条件是否合理
- Agent MD 文档,不只是写,要纳入沉淀资产
- Worker 机制,不只是知道,要强制执行
这轮升级后,自我蒸馏不再是「通用提示词+本地数据」,而是「官方机制+本地问题+系统优化」的三位一体。
六、我的第三轮升级:抽象出通用版提示词
经过前两轮迭代,我抽象出了一个通用版自我蒸馏提示词。
这个版本的特点:
- 不绑定任何本地路径或项目
- 自动探测当前电脑的项目、产物和历史
- 基于 Codex 官方机制设计
- 包含 12 维扫描体系
- 输出 candidate → 验证 → 升级 的最小安装流程
通用版的核心逻辑:
- 扫描:自动探测本地项目、会话、Skill、Agent、输出物
- 诊断:基于 12 个维度找出问题和断点
- 生成:产出候选 Skill、Sub-Agent、Automation
- 验证:测试候选资产是否有效
- 升级:验证通过后,正式纳入系统
这个流程跑完一轮,Codex 就比上一轮更懂你。
跑十轮,Codex 就从一个「聪明的助手」变成了一个「懂你的同事」。
七、这到底是什么?不是模型训练,是 Agent 进化
很多人误解了自我蒸馏。
它不是让模型自己训练自己(那是 Self-Improvement 的另一种含义)。
它是让 Agent 执行任务 → 留下记录 → 回看记录 → 识别模式 → 打包资产 → 下次调用 → 继续优化。
这是一个闭环:
执行任务 → 生成记录 → 回看分析 → 识别模式 → 沉淀资产 → 复用资产 → 执行任务
每跑一圈,Agent 就多一层经验。跑一百圈,Agent 就积累了一百层经验。
这就是为什么有人说「AI 在替代人的工作」。
因为 AI 正在以这种方式「蒸馏」你的经验。你教它一次,它学会一套。你教它一百次,它就有了你的「工作 DNA」。
八、为什么说这是 Codex 的高级用法
普通用户用 Codex:
- 打开对话
- 描述需求
- 拿到结果
- 下次从头再来
高级用户用 Codex:
- 打开对话
- 描述需求
- 拿到结果
- 让 Codex 分析这次对话
- 识别可以复用的部分
- 生成 Skill 或 Agent
- 下次直接调用
- 继续优化
区别在哪?
普通用户每次都在「教」,高级用户每次都在「培养」。
Codex 不是工具,是实习生。你教得越多,它越懂你。你培养得越好,它越能独立工作。
自我蒸馏,就是把「培养实习生」的过程自动化。
九、这个玩法适合谁?

十、给你的行动建议
如果你也想尝试 Codex 自我蒸馏,建议按这个顺序来:
Step 1:跑一遍原版
先让 Codex 用 VB 的原版提示词扫描一次,看看能找出什么。
Step 2:升级扫描维度
不要只看「重复」,加入「断点」「失败」「厚度」「评分」等维度。
Step 3:结合本地实际
你的 Codex 有什么 Skill?什么 Agent?输出物是什么?让 Codex 基于真实数据做分析。
Step 4:产出候选资产
不要一次性追求完美,先产出 candidate,再验证,再升级。
Step 5:持续跑循环
每周或每月跑一次自我蒸馏,Codex 会越用越懂你。
