5分钟快速上手 Codex Autoresearch：从零安装到跑通第一个自主实验的完整教程-迪斯科星球

5分钟快速上手 Codex Autoresearch：从零安装到跑通第一个自主实验的完整教程

【免费下载链接】codex-autoresearchCodex Autoresearch Skill — A self-directed iterative system for Codex that continuously cycles through: modify, verify, retain or discard, and repeat indefinitely. Inspired by Karpathy’s autoresearch concept.项目地址: https://gitcode.com/gh_mirrors/co/codex-autoresearch

Codex Autoresearch 是一款面向 AI 编程工具 Codex 的自主实验技能（Skill）：你只需告诉它一个可度量的数值目标，它就会自动循环"修改 → 验证 → 保留改进、回滚失败"，直到达成目标。这篇教程将带你用 5 分钟完成 Codex Autoresearch 安装，并在真实项目中跑通第一个自主实验。

什么是 Codex Autoresearch？

一句话概括：定目标、自动迭代、达成目标（Aim. Iterate. Arrive.）。

传统使用 AI 编程工具时，你提需求、AI 给代码，然后由你人工验证效果。而使用 Codex Autoresearch，你交给它的是一个可度量的目标——比如"把测试报错数从 5 降到 0"或"把覆盖率提升到 90%"——Codex 会接管整个实验循环：

📋 先扫描仓库，给出方案并向你确认，批准后才动手
🛠️ 每一轮只修改一个聚焦的点（一个明确的假设）
📏 用指定的度量命令测量结果
✅ 指标改进且回归测试通过 → 保留这次修改
↩️ 否则 → 自动用 Git 回滚，绝不让坏改动留下

如此反复，直到指标达标。这套思路受 Karpathy 的 autoresearch 概念启发，并推广到任意软件仓库。适用场景非常广：测试失败数、覆盖率、类型错误、告警数、响应延迟、产物体积、可复现的安全问题——凡是一条命令能稳定测出的结果都可以。

环境准备：4 个前置条件

安装前先确认以下条件（详细步骤见 docs/INSTALL.md）：

前置条件	说明
Codex CLI	当前版本，需支持 Skills 与 Goals 能力
Python	3.11 或更高版本
Git	已配置提交者身份（git config user.name / user.email）
目标仓库	一个干净的 Git 仓库，处于已命名的分支上、无未提交改动

💡 Codex Autoresearch 把 Git 当作"实验记忆"：每次尝试都是一个提交，每次失败都会回滚，因此目标目录必须是 Git 仓库。

第一步：一键安装 Codex Autoresearch 技能

最简单的方式是克隆仓库到技能目录。以"当前用户的所有项目可用"为例：

git clone https://gitcode.com/gh_mirrors/co/codex-autoresearch mkdir -p ~/.agents/skills cp -R codex-autoresearch ~/.agents/skills/codex-autoresearch

如果只想让它在某个项目中可用，则改为复制到该项目的.agents/skills目录下（参考 docs/INSTALL.md 的"Manual Repository Install"一节）。如果你的 Codex 内置了技能安装器，也可以直接在会话中运行$skill-installer install命令并指定上述仓库地址完成安装。

验证安装成功：在目标仓库中打开 Codex，输入$，列表中能看到codex-autoresearch即说明安装成功。

第二步：以完整权限启动 Codex

由于实验的每一轮迭代都需要创建与回滚 Git 提交，建议以 Full Access（完整权限）启动：

codex --dangerously-bypass-approvals-and-sandbox

⚠️ 请在自己信任、且处于干净分支状态的仓库中执行该命令。

第三步：发出第一个自主实验任务

在会话中调用技能，用一句话描述目标，例如：

You: $codex-autoresearch Reduce `python3 scripts/score.py` error_count to 0.

在写入任何文件之前，Codex 会先向你展示一张确认卡，只需核对这几项：

确认项	含义示例
目标与数值目标	error_count：基线 5 → 目标 0（越低越好）
可修改范围	仅仓库内指定路径，如`src/`
度量命令	`python3 scripts/score.py`，读取 JSON 键`error_count`
回归保护（Guard）	可选，如`python3 -m pytest -q`，须始终通过
运行模式	前台（实时观察）或后台（无人值守）
迭代上限	可选

确认无误后回复 "Go"，Codex 立即启动自主迭代。整个过程无需修改任何 Codex 配置，也没有特殊提示词语法。

理解核心机制：修改 → 验证 → 保留 / 回滚

整个循环由内置控制脚本（见 scripts/autoresearch.py）驱动，它与 Codex 的分工非常清晰：

Codex负责"聪明"：分析证据、提出假设、修改代码
控制脚本负责"纪律"：Git 边界检查、指标测量、提交与回滚、状态与日志记录

每轮迭代的核心流程：

检查证据 → 修改一个聚焦的点 → 提交并测量 ├─ 改进且 guard 通过 → 保留 └─ 否则 → git revert 回滚 然后追加一条审计事件 → 重复直到达成目标

这种严格是刻意设计的：任何越界修改、指标解析失败、超时都会让运行停止并给出精确的错误与日志路径，而不是"悄悄猜测"结果——这正是长时间自主运行可以被信任的原因（工作流细节见 references/workflow.md）。

前台还是后台：选对运行模式

前台（Foreground）	后台（Background）
运行位置	当前 Codex 会话	独立 controller 进程
适合场景	实时观察进度、随时指导方向	长时间任务、通宵运行
控制方式	Codex Goal 暂停 / 恢复	询问`$codex-autoresearch`状态、停止、恢复

🎯 想实时看 Codex 怎么思考、中途调整策略 → 选前台
🌙 想布置完任务去睡觉、明早看结果 → 选后台

两种模式遵循完全相同的实验规则，只是运行位置不同（后台机制见 references/background.md）。

查看结果：实验历史与可视化报告

实验完成后，所有产物统一放在不会提交的autoresearch-results/目录：run.json（已确认的不可变配置）、events.jsonl（仅追加的事件历史，是状态的唯一事实来源）、logs/（完整的指标与测试输出）。

运行结束后，可以让 Codex 展示经过验证的实验历史：

$codex-autoresearch show experiment history

也可以生成一份可视化的 HTML 报告，写入autoresearch-results/report.html：

$codex-autoresearch generate an HTML report

报告中直观呈现指标轨迹、每一轮实验的保留 / 回滚结果、对应提交与日志入口，非常适合复盘与分享。

常见问题速答（FAQ）

1. 安装这个技能会改动我的 Codex 配置吗？不会。安装只是复制技能文件，不修改任何 Codex 设置。

2. 为什么要求完整权限（Full Access）？因为每轮迭代都要创建或回滚 Git 提交，受限沙箱可能阻止对.git的写入。

3. 可以中途暂停和恢复吗？可以。前台模式通过 Codex Goal 暂停 / 恢复；后台模式向$codex-autoresearch询问状态、停止或恢复即可。

4. 支持非 Git 目录或多个仓库同时跑吗？不支持。Git 是实验记忆与回滚边界，一次运行只管理一个仓库，保证提交归属与度量不被混淆。

企业官网建设流程全解析