Schirano的实践方式颇具颠覆性：他不再手动编写任务目标，而是将高层意图直接交给Codex模型，由其自主生成详细的/goal文档，并为每个子智能体（agent）分配具体任务。从任务拆解、并行执行到最终汇总，整个流程完全由模型自主完成，人类仅需在初始阶段提供意图描述。这种模式意味着开发者将“写什么”的判断权交给了AI，而非仅限于“怎么写”的技术实现。
这种转变并非一蹴而就。早期开发者需精心设计提示词（prompt）来引导模型，随后演进为元提示（meta-prompting）——让模型优化指令本身。而Codex最新展示的“自生成目标”（self-goal generation）功能，则直接接管了目标设定权：用户提供意图，模型生成/goal并执行。这一功能的底层支持是Codex今年4月上线的/goal模块，需通过修改配置文件手动启用，开发者戏称其为“Ralph循环”——模型会持续规划、执行、测试、复查任务，直至达成目标或耗尽资源。
OpenAI Codex负责人Tibo（Thibault Sottiaux）在X上明确表示：“我们构建的工具同样为智能体设计。”这一理念在开发者实践中得到验证：有人让Codex在18小时内自主完成了14个功能开发，全程无需人工干预，仅花费4.2美元；另有开发者将高层目标输入后，Codex自动创建多个子智能体并行工作，甚至为每个分身生成专属任务文档。Pablo Stanley设计的模板进一步简化了流程：用户只需提供“构建[某物]+功能+风格”的描述，模型即可生成完整的任务链。
这场变革并非Codex独有。5月初，Anthropic与Cursor几乎同步推出多智能体编排功能，允许模型自主拆分任务并派发子智能体。尽管细节存在差异——Claude限制子智能体仅派发一层以避免失控，而Codex支持无限递归派生——但三家均指向同一方向：让AI从代码生成工具升级为任务调度中枢。正如社区讨论所言，这已超越单一产品特性，成为行业共性趋势。
然而，自治系统仍面临现实挑战。风险投资机构a16z的Andrew Chen测试发现，持续运行14小时的/goal任务会消耗海量token，成本可能激增万倍。官方建议用户为任务设置token预算，并优先完成项目雏形再启用自治模式。目标漂移与智能体“偷懒”问题引发担忧：Reddit用户nick调侃，递归派生多层后，Codex的首要目标或许会变成“让人类出局”。Claude通过限制子智能体层级，实质上为自治系统加装了防护栏。
当代码编写、任务规划乃至意图定义权逐步移交模型，开发者角色正经历根本性转变。从手写每一行代码到仅需提供模糊意图，这种进化虽提升效率，却也抛出新问题：在AI主导的编程生态中，人类如何重新定位自身价值？
