簡介

有些任務一次就能輕鬆驗證：建置成功、測試全部通過，任務就完成了。但有些最佳化問題很難解決，需要搭配緊密的評估循環反覆迭代。為了判斷下一步方向，Codex 必須檢查目前輸出、加以評分、決定下一項變更，並重複此流程，直到結果確實夠好。

這類使用案例很適合搭配自訂 UI，讓 Codex 記錄每次迭代的輸出和生成的產出物，方便你直觀檢視進度。 當目標產出物、模型輸出或生成資產持續改善時，你可以在 App 中查看 Codex 繼續處理任務。 關鍵在於為 Codex 提供必要的指令碼，用以產生評估指標和可供檢視的產出物。

從評估開始

任務開始前，先定義衡量成功的方式。最理想的設定通常會結合：

• 確定性檢查： 指令碼可以直接評分的項目，例如違反限制條件的情況，或使用程式碼計算出的確定性指標
• LLM 評審檢查： 對難以精確編碼的特性依評分規準打分，例如相似度、可讀性、實用性或整體品質；評分時可依據文字或圖像輸出

如果主觀評估很重要，請為 Codex 提供指令碼，讓它能透過 Responses API 等方式呼叫模型，並傳回結構化分數。目的不是取代確定性檢查，而是以一致的評審機制補足原本需要由人員目視評估的部分。

評估輸出採用機器可讀格式、在每次執行後儲存，且便於比較不同時間的結果時，這個循環的效果最好。

為 Codex 設定停止規則

困難任務常會逐漸偏離目標，因為提示詞只要求「持續改進」，卻未說明何時停止。請明確指定停止規則。

實用的做法如下：

1. 為整體分數設定目標。
2. 另為 LLM 評審的平均分數設定目標。
3. 指示 Codex 繼續執行，直到兩者都超過門檻，而非只有其中一項。

例如，如果目標是產生高品質的產出物，請 Codex 持續進行，直到整體分數和 LLM 評審平均分數都高於 90%。這能讓任務狀態清楚明瞭：Codex 可以判斷是否仍未達標、差距在哪裡，以及最新變更是否有所幫助。

持續記錄循環進度

如果 Codex 記下循環進度，而不是只依賴對話上下文，長時間執行的工作會可靠得多。

這份持續更新的紀錄應包含：

• 目前的最佳分數
• 上一次迭代變更了哪些內容
• 評估結果顯示哪些部分變好或變差
• Codex 接下來計畫嘗試什麼

這對長時間執行的任務尤其重要。任務恢復執行時，這份紀錄會成為銜接工作的依據，並可作為本次執行的自我評估紀錄。

檢視產出物，而不只看紀錄

對某些困難任務而言，程式碼差異和指標輸出還不夠。Codex 應檢視它產生的產出物。

如果輸出是視覺內容，例如生成的圖像、版面配置或算繪狀態，請讓 Codex 直接檢視該產出物。例如，輸出以圖像形式儲存在磁碟上時，讓 Codex 將目前結果與先前的最佳結果或預期的評分規準進行比較。

這能讓循環更健全：

• 評估指令碼會回報分數
• 產出物會呈現分數未反映的問題
• 下一項變更同時以兩者為依據

這種組合遠比在每次執行之間盲目修改程式碼有效。

讓每次迭代的步驟都明確

要求 Codex 每次都遵循相同的循環：

1. 針對目前的基準執行評估。
2. 根據分數和產出物，找出最主要的失敗模式。
3. 進行一項專門針對該瓶頸的變更。
4. 重新執行評估。
5. 記錄新分數，以及這項變更是否有效。
6. 繼續執行，直到達到各項門檻。

這套嚴謹做法十分重要。如果每次迭代同時變更太多項目，Codex 就無法判斷是哪個構想提高了分數。如果未留下紀錄，任務的可靠性便難以確認，也難以接續執行。