Abstract systems illustration for 为什么我选择 Codex-first,而不是一开始自建 Agent Runner
AI-native work series / 07

为什么我选择 Codex-first,而不是一开始自建 Agent Runner

入口要尊重用户习惯,治理层要保持独立。这是我选择 Codex-first 的现实判断。

如果大家已经习惯在 Codex Desktop 里工作,IntentDNA 不应该一开始就要求他们换一个入口。它应该先学会治理已有入口。

thesis

我选择 Codex-first,不是因为 Codex 是终点,而是因为它是现实入口。

做 AI-native 工具时,很容易陷入一个误区:既然我要治理 agent,那我是不是应该先做一个自己的 agent runner?

我的答案现在越来越明确:不应该。至少不应该一开始就这样做。因为用户已经在真实工具里工作,尤其是 Codex Desktop、Codex CLI、Claude Code 这类 coding agent 环境。

IntentDNA 的早期价值,应该是让这些真实入口变得更可治理,而不是要求用户放弃它们。

入口尊重习惯,治理保持独立。
Samuel Wang / AI-native Work notes
user habit

生产力工具的迁移成本,比技术架构图里看起来更高。

一个人习惯了某个 coding agent 的交互方式、快捷键、审批模型、文件浏览、终端集成和上下文处理,迁移到新 runner 并不只是换 UI。

如果我要求用户为了 IntentDNA 换入口,就等于把“治理价值”绑定到“迁移成本”。这会让一个本来应该轻量进入工作流的东西,变成沉重的平台替换。

所以更现实的策略是:先在用户已有入口旁边建立治理层。

runner cost

自建 runner 会过早吞掉核心精力。

一个生产级 runner 要处理工具、沙箱、权限、上下文、状态、记忆、错误、验证、trace、UI、部署和安全。每一项都很深。

如果 IntentDNA 早期把这些全部自建,最容易变成另一个半成品 agent framework。它会消耗大量精力,却未必证明最核心的理论:组织意图能否跨 harness 编译。

我更愿意把自建 runner 推迟到有足够 workflow、adapter 和证据之后。

adapter-first

adapter-first 是更符合 IntentDNA 本质的路线。

IntentDNA 的核心是治理语言和编译层。那它最早应该证明的不是“我能跑 agent”,而是“我能把同一套意图映射到不同 agent 运行面”。

Codex-first adapter 可以先回答一些关键问题:AGENTS.md 能承载哪些软约束?哪些权限只能靠外部 guard?哪些行为无法硬拦截?如何记录 RuntimeDecisionEvent-compatible evidence?

这些问题比自建一个漂亮 runner 更接近真实价值。

路线 优势 代价 判断
自建 runner 控制最完整 过早承担全部 harness 复杂度 后置
Codex-first adapter 贴近真实使用入口 部分硬约束不可直接映射 优先
SDK adapter 适合后台产品化 需要处理认证、部署、成本和 UI 第二阶段
dogfood

Codex-first 也是我的 dogfood 路线。

我自己就在使用 Codex 推进项目、文章、页面和验证。这意味着 Codex-first 不是抽象选择,而是我的真实工作面。

把 IntentDNA 先适配到我自己的工作流,能更快发现治理语言哪里有用,哪里只是概念。

dogfood 的好处是残酷:如果一个规则让我自己都觉得累,它很可能不是好设计;如果一个 workflow 真能提升我的交付,它就有机会成为产品资产。

future

Codex-first 不等于 Codex-only。

我选择 Codex-first,不代表 IntentDNA 只服务 Codex。相反,它是为了更稳地走向跨 harness。

等 Codex adapter 把 contract、unsupported、evidence 和 dogfood 跑通,再接 Claude Agent SDK、OpenAI Agents SDK、LangGraph 或内部 runner,才有更强的比较基础。

长期看,IntentDNA 的价值不在某个单点 adapter,而在所有 adapter 共享同一套治理语言。

high-signal references

这些判断背后有清晰的行业信号。

我引用这些来源,是为了把个人判断放回更大的市场、资本和工程实践背景里。它们共同指向一个趋势:AI 的竞争点正在从“模型调用”转向“工作系统设计”。

OpenAI Codex

Codex 已经成为开发者日常 coding agent 入口之一。

OpenAI Agents SDK

Agents SDK 更适合产品后端和自定义 orchestration 场景。

Anthropic Claude Code

Claude Code 体现了 coding harness 本身的重要性。

Anthropic: Building effective agents

建议从简单模式开始,避免不必要复杂度。

Model Context Protocol

MCP 表明工具和上下文连接会跨 host 发展。

Bessemer: The State of AI 2025

AI-native development 的机会来自工作系统,而不只是工具替换。