Codex CLI /goal命令详解：自动循环执行直到目标完成

Codex CLI 0.128.0 版本更新概述

OpenAI 的 Codex CLI 在 0.128.0 版本中引入了一个值得关注的新功能：/goal 命令。与传统一问一答的交互模式不同，/goal 允许用户设定一个明确目标，Codex 会持续循环执行任务，直到判断目标已完成，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工具，运行在开发者本地终端中，可以直接访问本地文件系统和执行 shell 命令。它与 ChatGPT 的网页界面不同，面向的是习惯在终端中工作的专业开发者。Codex CLI 支持多种运行模式，从需要逐步确认的安全模式到完全自主执行的模式，开发者可以根据信任程度灵活配置。作为开源项目，社区贡献者可以直接参与功能开发，这也是社区概念能够快速被纳入产品的重要原因。

这一设计借鉴了社区中广泛讨论的 "Ralph Loop" 概念，标志着 AI 编码代理从被动响应走向主动执行的一次重要演进。

/goal 命令的工作原理

核心机制：目标驱动的循环执行

大多数 AI 编码助手的工作方式是：用户提问，AI 回答一次就结束。/goal 命令改变了这个流程，让 Codex CLI 进入一种持续工作的状态：

用户通过 /goal 设定一个明确的目标描述
Codex 开始执行第一轮任务
每完成一个步骤后，系统自动评估目标是否已经达成
如果尚未达成，自动进入下一轮执行
循环持续，直到目标完成或 token 预算用完

这种模式特别适合需要多步骤迭代的编程场景，例如重构一个模块、实现一个完整功能，或者修复一组相互关联的 bug。从更宏观的视角来看，这正是 AI 代理（Agent）范式在编码领域的具体落地。AI 代理是 2024-2025 年 AI 领域最重要的技术趋势之一，与传统的单轮问答不同，AI 代理具备感知环境、制定计划、执行动作并根据反馈调整策略的能力。在编码领域，代表性产品包括 Devin（Cognition Labs）、Claude Code（Anthropic）、GitHub Copilot Agent Mode 等，它们的共同特征是能够自主执行多步骤任务：读取文件、编写代码、运行测试、分析错误、修复问题，形成完整的工作闭环。

实现方式：基于 Prompt 模板的自我评估

从 Codex CLI 的源码可以看到，/goal 功能的实现依赖两个关键的 Prompt 模板：

goals/continuation.md：每个执行轮次结束时自动注入到上下文中，引导模型评估当前进度，并决定是继续执行还是宣告完成
goals/budget_limit.md：当 token 消耗接近预算上限时触发，提示模型需要做收尾工作

这种基于 Prompt 工程的实现方式相当简洁。所谓 Prompt 工程，是指通过精心设计输入给大语言模型的提示文本，来引导模型产生期望行为的技术实践。在 Codex CLI 的实现中，这两个模板本质上是系统级 prompt，它们在特定时机被自动拼接到模型的输入上下文中。这种"模板注入"的设计模式在 AI 应用开发中非常常见——开发者不需要修改模型本身，只需要在合适的时机向上下文中插入结构化的指令文本，就能改变模型的行为模式。

它没有引入复杂的外部控制逻辑，而是直接利用大语言模型自身的推理能力来判断任务进度。当然，这也意味着目标完成度的评估质量，很大程度上取决于底层模型的理解和推理水平。这种方式的优势在于灵活性高、迭代成本低，但劣势在于模型可能不总是严格遵循 prompt 中的指令，尤其在复杂推理场景下，可能出现过早宣告完成或遗漏关键步骤的情况。

Ralph Loop：从社区概念到官方功能

/goal 命令的设计灵感来自 Geoffrey Huntley 提出的 "Ralph Loop" 概念。Ralph Loop 的核心思想很直接：让 AI 代理在一个循环中持续推进工作，而不是每走一步都停下来等待人类指令。

Ralph Loop 的命名来自 Geoffrey Huntley 在开源社区中的实验性实践，其技术思想可以追溯到更早的自主 AI 框架。2023 年，AutoGPT 项目首次向大众展示了让 LLM 在循环中自主执行任务的可能性，但由于当时模型能力的局限，实际效果并不稳定，经常陷入无意义的重复或偏离目标。Ralph Loop 相比这些早期方案的关键改进在于：它更强调目标的明确性和资源约束的必要性，而不是追求完全无限制的自主性。这种"有边界的自主"理念也体现在学术界的 ReAct（Reasoning + Acting）等框架中——让模型在每一步都进行显式推理，然后再决定下一步行动，而非盲目执行。

这个概念在 AI 编码代理领域正在获得越来越多的关注。与简单的失败重试机制相比，Ralph Loop 有几个本质区别：

目标导向：有明确的完成标准，而不只是重复同一个操作
自我评估：代理具备判断自身是否达成目标的能力
资源约束：通过预算等机制防止陷入无限循环

Codex CLI 将这一社区概念正式纳入产品功能，说明这种自主循环执行的模式已经具备了实际可用性。

Token 预算：自主执行的安全边界

Token 预算机制是 /goal 功能中不可忽视的安全设计。要理解这一机制的重要性，首先需要了解 token 的概念：token 是大语言模型处理文本的基本计量单位，一个英文单词通常被拆分为 1-3 个 token，中文字符通常每个字对应 1-2 个 token。OpenAI 的 API 按输入和输出的 token 数量计费，例如 GPT-4o 的输入价格约为每百万 token 2.5-5 美元。在自主循环执行场景中，每一轮迭代都会产生新的 API 调用，上下文窗口中累积的历史信息也会被重复计入输入 token，导致成本随循环次数呈非线性增长。

如果没有预算限制，一个自主循环的 AI 代理可能带来几个问题：

费用失控：持续调用 API 产生大量不必要的开销，一个执行 20 轮迭代的复杂任务可能轻松消耗数十万 token
无效循环：代理在某个问题上反复尝试却无法突破
过度修改：对代码库做出超出预期范围的变更

通过配置 token 预算，开发者可以在自主性和可控性之间找到合适的平衡点。当预算即将耗尽时，budget_limit.md 模板会引导模型进行有序的收尾——比如保存当前进度、总结已完成的部分——而不是在执行中途突然中断。

开发者如何用好 /goal 命令

/goal 功能代表了 AI 编码工具从"被动助手"向"主动代理"转变的一个关键节点。对于日常开发工作，它带来了几个实际的使用场景：

后台式任务处理：设定一个高层目标后，开发者可以转去处理其他工作，让 Codex 自行推进
复杂任务拆解：需要多步骤迭代才能完成的任务，不再需要手动逐步引导
成本可控的自动化：通过 token 预算配置，在享受自主执行便利的同时管控 API 开销

在实际使用中，有几个值得注意的最佳实践方向：目标描述应尽可能具体和可验证，例如"重构 auth 模块使所有测试通过"比"优化代码"更适合作为 /goal 的输入；token 预算的设置需要根据任务复杂度进行调整，过低的预算可能导致任务在关键步骤中被迫中断；对于涉及核心业务逻辑的修改，建议在版本控制的保护下使用，以便在结果不理想时快速回滚。

随着底层模型推理能力的持续提升，这种目标驱动的自主执行模式会变得越来越可靠。对于经常使用 Codex CLI 的开发者来说，现在是开始尝试 /goal 命令、摸索最佳实践的好时机。

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
功能通过 continuation.md 和 budget_limit.md 两个 prompt 模板实现，利用 LLM 自身能力评估目标完成度
设计借鉴了 Ralph Loop 概念，代表 AI 编码工具从助手向自主代理的转变
token 预算机制作为安全阀，防止无限循环和过度消耗
这种目标驱动的自主执行模式适合处理需要多步骤迭代的复杂编程任务