Article 2026/09/19 4 分钟 免费

在Codex上使用开源模型,不要太简单

最新版Ollama你一定要安装。因为它现在支持Codex嵌入。也就是说,你可以非常容易地在Codex上使用开源模型。 你看,Codex的模型列表里,下面这些是OpenAI官方提供的模型,上面就是来自Ollama的模型,包括他们云端的模型,以及我自己本地安装的模型。 而且,现在使用来自第三方的模型,左边这些历史聊天都在,不再像之前那样,变成新的记录。 在测试的…

先把结论放前面,再拆过程。

我的工作流长什么样

同一个模型,在不同人手里的产出差距可以到十倍,差别不在模型,在你怎么组织上下文。就拿「在Codex上使用开源模」这件事来说,我最早也是凭感觉做的,直到把它拆成几个固定步骤,才第一次看到稳定的结果。大家更愿意讨论工具,因为讨论判断标准太难了,而且讨论完就得自己负责。

与其问别人怎么做,不如先把自己的约束条件写清楚。我把重复出现的动作抽成模板,模板只留必要的变量,其余全部固定。我的偏好很明确:宁可粗糙地跑通,也不要精致地停在计划里。

我习惯先做一个小样,小样能被别人看懂,才值得投入做大。很多人一开始就把系统想得太大,要流程、要模板、要自动化,最后系统没搭起来,事也耽误了。

哪些事情不该交给模型

我会先写一段不给人看的「意图说明」:要什么、给谁看、不要什么。这段说明才是我真正的提示词。一开始就想做对,是这个领域最常见也最贵的一种执念。所有结论我都写一句可验证的观测点,过一段时间回来对,对不上就改。

  • 用产出而不是投入时长衡量进展
  • 把「不要什么」写清楚,往往比写「要什么」更省时间
  • 一次只让模型做一件事,串起来的效果好过让它一口吃下全部

「在Codex上使用开源模」最反直觉的地方在于,做得越多并不越好,反而是删掉一些之后效果才出来。先解决「读得懂」,再解决「写得好」,顺序反了就是无尽的返工。我把「在Codex上使用开源模」相关的记录翻了一遍,发现失败的那几次有一个共同点:开始之前没有写清验收标准。

先做对一件小事,再谈体系。

把事情拆到足够小,小到不需要动力就能开始。每次结果不达标,我不改结果,改流程——把这次的问题写回流程里。

真正的瓶颈在上下文

重要的任务我会跑两轮:第一轮只出骨架,第二轮才填内容,返工成本能降一半以上。遇到判断不了的地方,我会把它写成一个待验证的问题,而不是硬给一个结论。

  1. 逐段审,标注不满意的部分而不是整体重来
  2. 写清目的:这份产出给谁看、解决什么问题、什么算合格
  3. 先出骨架,确认结构没问题再填内容

这里没有放之四海皆准的答案。我的约束条件和你不一样,能拿走的是思路,不是参数。大部分人的问题不是不知道怎么做,而是同时想做太多件事。如果你只想要一个立刻见效的招,那大概会让你失望;这类事情的收益都在后半段。

不要追求一次做对,要追求下一次更省力。我会先写一份只给自己看的要求说明,写完再动手,返工率会明显下降。我的做法是先固定输出,再优化输入。

先把工具放一边

模型最不擅长的不是写,是替你决定什么值得写,这一步必须你自己来。我会刻意留下一点余量,因为把时间排满的人,遇到意外只能牺牲质量。很多人抱怨模型「不懂我」,其实是从来没把自己的偏好、标准、历史结论沉淀成它能读到的东西。

我的判断是:把模型当搜索引擎用,收益会很快见顶;把它当可以反复调教的合作者用,才会复利。回头看「在Codex上使用开源模」,真正起作用的是那几个不起眼的细节,而不是我一开始以为的关键点。能用一句话说清的需求,才有可能被稳定交付;说不清的,模型只会放大模糊。

  • 把「不要什么」写清楚,比写「要什么」更省时间
  • 固定输入格式:先给素材,再给约束,最后才给任务
  • 先写清目的:给谁看、解决什么问题、什么算合格

我也走过弯路,上面这些结论是试错之后的产物,不是一开始就想明白的。我会先写一份只给自己看的要求说明,写完再动手,返工率会明显下降。需要说清楚的是,这套做法依赖一个前提:你愿意先花一点时间做整理。如果连这一步都不想投入,后面的方法都不会生效。

写在最后

不用一次全做。挑其中一条,这周先跑一遍,比读完更重要。