AGENTS.md 更适合写“规则和边界”,而不是写死每一步操作:把审批要求、该用哪个 skill、项目标准写进去,让 Codex 自己判断怎么执行。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
AGENTS.md 用来定规则,不写死流程
材料里的观点立正的做法是在项目根目录的 AGENTS.md 里写清约束,比如“所有对外发布相关内容都需要审批”,然后给 Codex 完整权限,靠这份文件来 gate,而不是去设计一套 rigid 的 custom access control。他的理由是硬编码的权限控制容易挂一漏万,也没法利用 Agent 本身的判断力;先给 full access 加规则约束,出问题再回头改 AGENTS.md 或退回确定性方案1。所以推荐的设置方向是:把“什么必须审批、什么不能做、该调用哪个 skill”写成规则,执行细节交给 Codex。
skill 的调用也可以写进 AGENTS.md
材料里的观点在实操里,他们遇到过 Codex 的 skill 系统没生效的情况,处理办法是不再依赖 Codex 自带的 skill 机制,而是把 skill 系统挪到 AGENTS.md 里说明,通过 AGENTS.md 告诉它以后用哪个2。这段是多人视频、说话人未逐段确认,只能作为具体做法参考,不能确定是谁的判断。可迁移的点是:当某个能力没被自动触发时,与其反复调试工具本身,不如在 AGENTS.md 里明确指定该用哪个 skill。
规则之外,还要给足上下文和标准
AGENTS.md 只是入口之一。更完整的做法是把团队最重要的做事标准——设计规范、代码质量要求、审核 checklist——写成 AI 能理解的规则注入工作流,让 AI 自动拿这些规则做 double check,效果接近让最资深的人出现在每次具体工作里3。同时立正强调不要过度参与,尽量给 Agent 工具、标准和 skill,让它自己把事干好1。所以 AGENTS.md 里除了审批边界,也适合放验收标准和该遵守的规范。
材料只给出 AGENTS.md 的用法思路和零散实操片段,没有一份完整的推荐模板;具体字段和写法需要结合你自己的项目规则来定。
出处
- 1Codex“背着我”发了个帖,但我不怪她…
直接讲了在 AGENTS.md 里写审批规则、给 full access 再 gate 的取舍,是理解设置思路的核心。
- 2课代表和鸭哥工作的实况 | how the sausage is made
展示了把 skill 系统写进 AGENTS.md 的具体做法,适合核对“skill 不生效怎么办”。
- 3你团队的 AI 效果不好,问题不在模型,在 Context
说明规范注入和 AGENTS.md 在 context 架构里的位置,适合理解规则该放什么。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 我把鸭哥的context infrastructure发给codex让它帮我安装,对话是在codex一个新建的项目中打开的,我发现它能够帮我安装好但却无法很好让这个上下文系统运行,我还是没办法体验到“使用鸭哥的上下文系统”有什么不同。然后我检查了文档的位置,发现鸭哥的context-infrastructure/在我所在工作区文件夹内,而AGENTS.md在context-infrastructure/子目录下。所以我应该怎么让codex帮我调整呢?
问题多半不在安装,而在加载路径:Codex 只从工作区根目录读 AGENTS.md,你的规则藏在子目录里,等于没被加载。先让 Codex 把入口文件放到根目录并指向子目录,再用一个小任务验证它是否真的读到了。
- 如果我要给 Codex 建一份长期上下文文件,先写哪几类内容最有用?
先写三类:当前有效的事实与规则(价格、权益、来源边界、验收标准),项目的主线目标,以及只在该决策时才读的参考资料。
- 如果公司要做 AI Native 转型,我看到目前比较常用的方式:
- step 1:让团队接受并会用 AI
- step 2:重构协作方式和角色定义
- step 3:让更多人 End-to-End own 项目,并改激励机制
- step 4:用新指标衡量人与 AI 协作后的生产力
其中 1 和 2 前两步各家都在做;后两步方向一致,但目前没有业界公认的最佳实践,围绕这个,我想了解:
1 和 2 具体的含义,以及 3 和 4 在探索过程中有哪些确定性的事情?
前两步是让员工真正接受并用好 AI,再改协作、角色和激励;后两步较确定的是:端到端负责、按特质组队、把判断外化成上下文,以及用业务结果而非产出速度衡量。
- 如何让团队接受并会用 AI?
别把“教会每个人”当成用 AI 的前提。先用小团队解决真实问题、留下可查的结果,再让愿意学的人顺着自己的问题进来。
- 没有技术背景的小白,如果学好AI,给出清晰可实践的步骤。
非技术背景学 AI,重点不是背概念,而是练三件事:把隐性标准写成文档、给对上下文、把需求说成可验收的结果。
- 想请你用立正公开材料中的分析方法,帮助检验一篇面向A股读者的观点文章。起点是围绕黄仁勋的近期争议,有人担心:美国企业负责人公开争取与中国开展AI合作的个人成本上升,可能使技术合作收缩,形成所谓‘AI铁幕’。这里不认定任何尚未证实的间谍或泄密指控,也不请你判断新闻真假。我们希望把分析落回A股:从‘发声成本上升’到‘出口许可和供应变化’,再到‘国产替代、订单、收入、利润、估值和股价’,这条因果链应怎样检验?哪些环节最容易被叙事跳过?国产替代需求增加,为什么未必等于相关上市公司受益,更未必等于股票值得买?请指出需要的中间证据、替代解释和反证,区分受益与可能受损的业务,并给出文章应有的核心判断。不要推荐具体股票或预测涨跌;如公开材料没有涉及本事件,请明确区分材料中的方法与应用推演。
现有材料没有谈黄仁勋或“AI铁幕”,只能借用立正文章里的提问方法:把“发声成本上升→国产替代→股价上涨”拆成可逐环验证的链条,先找中间证据和替代解释,再谈受益。