Record & Replay 录制的不是像素级别的屏幕视频，而是 一套包含操作目标、上下文环境和隐性规则的工作流描述。录制完成后，Codex 会自动生成一个可检查、可编辑的 skill 文件——这意味着你可以在它生成的脚本基础上调整步骤、补上遗漏的决策点（比如「文件命名规范」「字段默认值」），再把它变成团队共享的插件。它之所以不是写死的宏，核心在于 Codex 会结合当前的 Computer Use 能力，在复现时根据实际环境（文件路径、登录状态、窗口布局）做灵活适配，而非机械回放坐标点击。

Record & Replay 的出现，本质上是把传统 RPA（机器人流程自动化）「先写规则再执行」的模式颠倒了过来——你先做一遍，AI 从演示中自动提炼规则。传统 RPA 依赖固定的 If-Else 脚本，一旦界面或流程有变动就需手动维护；而 Codex 用大语言模型理解操作意图，复用 skill 时能动态适应输入参数和环境差异。但两者并非替代关系：RPA 在结构化、高重复任务上执行精度接近 100%，AI Agent 的优势则在处理非结构化数据、模糊需求和跨系统流程的动态决策。

Anthropic 一款法务 Agent 工具曾引发全球软件股单日蒸发 3000 亿美元，华尔街甚至造出新词「SaaSpocalypse」。一方认为，当 AI 能跨系统自主完成报销、合规审查等任务时，传统 SaaS 按席位收费的商业模式将被瓦解，软件的价值将从应用层向数据层迁移。另一方则反驳：Vibe Coding 一个月搓出的应用无法替代 Salesforce 积累了 20 年的扩展与合规护城河——AI 真正挤压的不是 SaaS 的功能，而是企业的 IT 预算分配。Record & Replay 放大了这种恐慌：当人类操作经验本身变成 AI 可复用的技能包，传统图形界面软件的角色正在从「生产力工具」变成「AI 的训练跑道」。

Record & Replay 开启了一个关键转折：今天你学习如何使用软件，未来更重要的一项能力是「教会 AI 使用软件」。目前已知的边界包括：仅限 macOS、需开启 Computer Use、不覆盖欧盟与英国。但更长期的信号藏在 OpenAI 的开放架构中——Codex 允许将模型后端指向 Ollama、Mistral 等第三方或本地模型，这意味着 skill 可能成为跨厂商的自动化标准。下一步的观察节点是：OpenAI 何时允许 skill 的共享市场（类似插件商店），以及是否有竞品（如 Claude 的 Computer Use）跟进演示式教学。真正的拐点不在技术细节，而在「做一遍演示」比「写一段 Prompt」更容易被非技术用户接受时，自动化的采用门槛将彻底消失。

当 skill 复现时误删了文件或提交了错误数据，责任在录制演示的人、在编写 skill 的 AI、还是在批准执行的用户？Codex 当前的安全机制（沙箱模式只读/工作区写/完全权限；审批策略交互/自动）提供了技术护栏，但其设计假设是「每次复现都需要人监控」，这与「完全自动化」的商业价值存在根本矛盾。真正值得追问的是：当企业大规模部署由演示生成的自动化 skill 时，审计追踪、操作回滚、异常告警等管控能力是否跟得上——这个问题比「AI 能不能学会」更决定这项技术的落地速度。