6.2
深览指数
科技人人都是产品经理·李召羊··AI 生成
Codex堪称Claude Code最严的父亲
本文来自一篇个人经验分享，作者比较了三款AI编程工具（Codex、Claude Code、Cursor）在企业级开发中的实际表现。核心结论是：虽然Claude Code编程能力最强，但Codex凭借其更稳定的账号可用性、极高的Token额度以及GPT的通用Agent能力，已成为其团队的核心生产工具。文章提供了将多款AI工具混合使用以降低成本、建立基于GitHub仓库的Prompt/Skill文件管理体系的实战策略。适合正在构建个人或小团队AI工作流的开发者阅读。原文 ↗
核心观点
- ▍在AI编程工具的实际企业应用中，Claude Code的编程能力最强，但Codex因其通用性、高Token额度及稳定的可用性，已成为作者团队的核心生产工具，Claude Code仅作为辅助设计之用。
- ▍企业项目的落地过程中，编程并非最难的环节，前期的流程共识与多角色的权衡取舍才是真正的挑战，导致AI工具（如Codex）对上游决策的影响甚微。
- 01作者团队在四月份开始使用Codex，因其操作友好、Token额度高，且GPT的通用能力在处理复杂分析类项目中表现良好。
- 02Claude Code的主要缺点是频繁封号，导致无法稳定使用，这是作者团队将其降为备选的核心原因。
- 03作者的AI工具配置为：Codex为核心生产工具，Claude Code用于设计方案，DeepSeek处理杂务，这种混搭策略极大降低了Token的采购成本。
- 04个人使用Codex构建工作流的方法是：将需求和技能封装成Prompt和Skill文件，利用Agent编排执行顺序，并将核心产出写入文件以保持上下文稳定。
- 05作者举例分享了使用Codex批量制作社媒内容的流程：信息搜集、内容分析加工、生成标题和正文、生成图片，全流程通过几条提示词在Agent文件中编排完成。
- 06作者建议在GitHub新建仓库专门存放Prompt和Skill文件，将使用习惯与具体AI产品解绑，仅根据能力和成本选择工具。
反方 / 局限
- — 文章暗示，随着模型能力的提升，对提示词工程的依赖正在降低，只要需求描述清楚，多数AI模型都能满足，这意味着作者倡导的精细工作流管理可能并非长久之计。
- — 作者以“打工人”的视角指出，AI工具的竞争最终带来的可能是员工需要自费采购Token以维持生产力的“变相付费上班”模式，这揭示了工具选择之外的结构性压力。
5 分钟 · 3 卡片 · 9 资料
读原文 →