Codex 测试驱动修复：先复现再改代码

先给结论

先让测试稳定复现用户可见问题，再做最小修复并运行相关测试集，能够证明修复针对真实原因。

判断起点

用失败测试约束缺陷修复范围并形成回归证据。团队使用时还要考虑审批、日志、费用和责任归属。个人可以接受的自动执行范围，在共享仓库和生产环境中往往需要收紧，并为部署、密钥和数据库操作设置独立确认。

推荐做法

长内容处理应先返回目录、统计和匹配位置，再按需分页读取原文。摘要必须保留来源标识，让使用者能够回到证据。一次返回完整日志或文档看似省步骤，实际上会占满上下文并降低模型定位真正相关信息的能力。

核验重点

• 代码修改是否可审查并可回滚
• 工具权限是否限制在项目目录
• 测试、格式检查和日志是否形成闭环

把检查结果写成可复测记录，至少包含日期、版本、环境、输入样例和结果。这样项目升级或需求变化后，团队可以判断原结论是否仍然成立。

进一步验证

命名和描述会直接影响模型选择能力。名称使用清楚的动作加对象，描述写明何时使用、何时不用、是否产生副作用；参数保持单一含义。两个工具职责重叠时，优先合并边界，而不是通过更夸张的描述争取调用。

常见误区

为迎合现有错误行为而修改断言，会让测试通过但缺陷仍然存在。同时不要把“能够运行”直接解释为“适合生产”，个人试验与长期服务对权限、稳定性、监控和维护的要求不同。

如何形成自己的结论

围绕本文主题准备一个代表性样例，先记录当前方案的基线，再使用候选方案重复同一任务。比较最终正确性、人工修正、耗时、资源或调用成本以及失败恢复情况；如果结果会影响重要数据或线上服务，应先在隔离环境验证。

留下可复查记录

引入新架构前，用现有 API 或普通函数实现一个基线版本。如果统一发现、跨客户端连接或状态编排没有带来可测收益，就保留简单方案。额外协议和框架会增加升级、监控与排错责任，技术流行度不是采用理由。

参考来源

• OpenAI Codex

本文根据以上公开项目整理，不复制 README 全文。仓库功能、许可证和维护状态可能变化，使用或分发前请再次查看原始页面。