Codex CLI /goal命令详解：目标驱动自动循环的编码代理新范式

Codex CLI 0.128.0 版本更新概述

OpenAI 的 Codex CLI 编码代理工具发布了 0.128.0 版本，引入了一个值得关注的新特性——/goal 命令。这个功能允许用户设定一个目标，Codex 将持续自动循环执行任务，直到评估目标已经完成，或者配置的 token 预算耗尽为止。

Codex CLI 是 OpenAI 于 2025 年推出的开源命令行编码代理工具，它允许开发者在终端中直接与大语言模型交互来完成编码任务。与 GitHub Copilot 等 IDE 内嵌的代码补全工具不同，Codex CLI 更侧重于以代理（Agent）的方式执行完整的编码工作流——包括读取文件、编写代码、运行命令和调试错误。它基于 OpenAI 的模型能力，支持在本地开发环境中以沙箱模式安全地执行操作，是 OpenAI 在编码代理赛道上与 Anthropic 的 Claude Code、Google 的 Gemini CLI 等产品直接竞争的核心工具。

这一设计本质上是 OpenAI 对 Ralph Loop 模式的自有实现，标志着编码代理从"单轮对话"向"目标驱动的自主循环"迈出了重要一步。

/goal 命令的核心工作机制

运行原理

/goal 命令的工作原理相当直观：用户设定一个明确的目标描述，Codex CLI 会进入一个自动循环模式。在每一轮执行结束后，系统会自动评估当前状态是否满足目标要求。如果尚未完成，代理会继续下一轮操作；如果目标已达成或 token 预算耗尽，循环终止。

这种机制解决了当前编码代理的一个常见痛点：用户需要反复手动确认和推动代理继续工作。有了 /goal，用户只需设定目标，然后让代理自主完成整个任务链。

Prompt 工程驱动的技术实现

从技术实现角度来看，/goal 功能的核心并非复杂的程序逻辑，而是巧妙的 Prompt 工程。Prompt 工程（Prompt Engineering）是指通过精心设计输入给大语言模型的文本指令来引导模型产生期望输出的技术。在代理系统的语境下，Prompt 工程的作用远不止简单的问答优化——它实际上承担了传统软件工程中"控制流逻辑"的角色。通过在对话的不同阶段注入特定的 prompt 模板，开发者可以控制代理的行为模式、决策逻辑和终止条件，而无需编写复杂的程序化编排代码。这种方法的优势在于灵活性极高且迭代成本低，但也意味着系统的可靠性高度依赖于模型对 prompt 指令的遵循能力。

通过查看源码可以发现，该特性主要依赖两个关键的 prompt 模板：

• goals/continuation.md：在每一轮执行结束时自动注入，引导模型评估当前进度并决定是否继续执行下一步操作。
• goals/budget_limit.md：当 token 预算即将耗尽时注入，通知模型需要在有限资源内做出合理的收尾处理。

这种通过 prompt 模板在对话轮次末尾自动注入指令的方式，展示了一种轻量但有效的代理循环控制策略。它不需要额外的复杂编排框架，而是充分利用了大语言模型自身的理解和判断能力。

Ralph Loop 模式对编码代理的意义

/goal 功能所实现的 Ralph Loop 模式，代表了编码代理领域的一个重要趋势。Ralph Loop 是由开发者 Geoffrey Huntley 提出并推广的一种编码代理运行模式，其核心理念是让 AI 代理在一个持续循环中自主运行：执行任务、检查结果、根据反馈调整行动，直到预设目标达成。这个名称来源于一种直观的比喻——像一个不知疲倦的开发者 Ralph 一样持续工作。在 Ralph Loop 出现之前，大多数编码代理采用的是人在回路（Human-in-the-loop）的模式，每一步都需要用户确认。Ralph Loop 模式则将人的角色从"每步审批者"转变为"目标设定者和最终审查者"，大幅减少了人机交互的摩擦成本。这一模式已经被社区广泛讨论，并被视为编码代理走向真正自主化的关键范式转变。

传统的 AI 编码助手通常是"一问一答"式的交互，用户提出需求，AI 给出一次性的回答。而 Ralph Loop 模式将这种交互升级为目标驱动的自主循环：

1. 设定目标：用户描述期望的最终状态
2. 执行动作：代理采取行动（编写代码、运行命令等）
3. 评估进度：代理自我评估是否达成目标
4. 决策循环：未完成则继续，完成则停止

这种模式特别适合需要多步骤完成的复杂编程任务，比如重构一个模块、实现一个完整功能、或者修复一系列相关的 bug。

Token 预算：自主循环的安全阀机制

/goal 命令内置了 token 预算限制作为安全阀，这是一个务实的设计决策。在自主循环模式下，如果没有明确的终止条件，代理可能会陷入无限循环，不断消耗资源却无法真正完成目标。

要理解这一机制的重要性，需要了解 token 的基本概念。Token 是大语言模型处理文本的基本单位，大致相当于一个英文单词的 3/4 或一个中文字符。每次 API 调用都会消耗输入和输出 token，而 OpenAI 等模型提供商按 token 数量计费。在自主循环场景下，每一轮循环都会产生新的 token 消耗——包括上下文窗口中累积的历史对话、新的代码生成和命令执行结果。以 GPT-4 级别的模型为例，每百万输入 token 的费用可达数美元，一个失控的循环可能在短时间内产生数十甚至数百美元的费用。因此，token 预算不仅是技术层面的资源管理机制，更是商业层面的成本控制手段。

Token 预算机制确保了即使目标评估出现偏差，系统也能在可控的资源范围内优雅地终止，避免了潜在的成本失控问题。对于开发者而言，这意味着可以放心地让代理自主运行，不必担心意外的高额 API 费用。

编码代理的未来方向

Codex CLI 的这次更新虽然在实现上看似简单——本质上就是两个精心设计的 prompt 模板——但它代表的方向意义深远。随着编码代理从辅助工具向自主代理演进，目标驱动的循环执行将成为标配能力。

2025 年的编码代理市场正处于激烈竞争期。除了 OpenAI 的 Codex CLI，主要玩家还包括 Anthropic 的 Claude Code（同样是命令行代理工具）、Cursor（基于 VS Code 的 AI 编辑器）、Windsurf（前身为 Codeium）、以及 Google 的 Gemini CLI 等。这些工具在自主性程度、支持的模型、安全沙箱机制和工作流集成等维度上各有侧重。目标驱动的自主循环能力正在成为这些工具的差异化竞争点，因为它直接决定了代理能否独立完成复杂的多步骤编程任务，从而真正释放开发者的生产力。

可以预见，未来会有更多的编码代理工具跟进类似的功能设计，而围绕目标评估的准确性和循环效率的优化，将成为下一阶段的竞争焦点。

核心要点

• Codex CLI 0.128.0 新增 /goal 命令，支持设定目标后自动循环执行直到完成或 token 预算耗尽
• 该功能是 Ralph Loop 模式的 OpenAI 自有实现，将编码代理从单轮交互升级为目标驱动的自主循环
• 技术实现主要依赖 continuation.md 和 budget_limit.md 两个 prompt 模板，在每轮结束时自动注入
• 内置 token 预算限制作为安全阀机制，防止自主循环模式下的资源失控
• 代表了编码代理从辅助工具向自主代理演进的重要趋势