随着 vibe coding 时间的增加，我越发觉得“细节不重要，重要的是如预期交付”。这和指导实习生、指导新人融入团队并无二致。好的团队领导者，一定是放权状态，不抠细节的同时给成员充足的上下文（context），最后只检查确认结果即可。
这点，反映到 AI coding 上面，也是如此。很多人以为 vibe coding 是某种许愿式编程，你只需要念出你的咒语，Agent 便为你办妥一切。其实非也。模型无法猜测你的心思，就如你无法猜透上级、客户的心思一样，需要反复追问确定清楚交付细节。
但如果不想 Agent 反复追问呢？Codex 的/goal 指令，就是一个可以实现“按预期交付”的工具。goal 是用来做持续性迭代工作，你可以在睡觉前、或是额度快耗尽前起一个，让 Agent 持续不断进行多轮探索。几个月前，我在做 agentank 比赛的时候，就得知有人用它取得了 Top 的成绩。（虽然耗 token，但是结果上优于我的蒸馏学习）
前文讲过我用 Codex 来做什么，这次拿一个完整案例展开。
一个社交媒体帖子引发的产品想法
刷帖子有一个金融律所的人说，他的实习生过的日子比他好多了。新人不再像他们之前，古法审合同、一个个抠字眼、识别风险，直接丢给中外大模型即可。评论区反复在问，安全合规怎么搞、本地脱敏如何做。这点其实有不少解决方案，但是面向中小型组织和个人的似乎少见。我认为这是一个商机。
这是一个真切存在的需求点吗，能够做到 PMF 验证吗？用户的抱怨集中在哪里？同行竞品是如何切入的，他们的定价、销量、投融资情况如何？恰好我的 Codex 额度要用不完了，这个需求我们丢给 goal 指令，实测其效果。
六轮引导：从想法到产品
goal虽然能减少干预，但大概率交付的不是想要的。原因同开头讲的，双方都未获得关于产品的全部信息。”我“的观点和态度，会随着”我“掌握的信息变化。Agent 也会根据我的反馈信息，逐渐调整它的切入点和交付物。最终下来，我在整个过程中做了六次关键引导。
第一轮：从一个功能设想，转成市场问题。 原始观察和想法丢给 Codex 后，它直接开始假设需求成立。我的反馈是：不假设需求成立，先验证场景、替代品与付费可能。Codex 随即完成了中国与海外调研、竞品、定价、市场规模的整理。结论是风险场景真实，但个人脱敏工具并非空白市场，存在多个现有产品。
第二轮：从法律行业，扩到真实工作流。 市场切入范围调整。我反馈不要限制在法律行业，公司机密也不能直接喂给模型，试图让 Agent 思路放宽。Codex 重新扫描了个人插件、浏览器 DLP、企业治理与 Agent 安全的竞品地图。发现企业会为治理、审计和部署付费，个人通用插件的安装甚少。
第三轮：从功能堆叠，收敛到核心承诺。 我一开始随口提了句能脱敏然后还原，Agent 将落地页写出来后，我随即发现落地页 AI 味太重，用户未必关心"还原"能力。我把主矛盾收敛为：内容发出前识别风险，不展示复杂能力。
第四轮：从重工作区，收敛到轻量 MVP。 Agent 给出的调整方向是做离线安全工作区。但显然这个方案过于庞大。我反馈先从复制/粘贴切入。暂不做文件工作区、PDF/Office、系统级剪贴板劫持。这些都是为了控制交付复杂度。
第五轮：从"造功能"，转向"嵌入已有抱怨"。 看来模型整不明白，算了不要这个功能，看看用户的反馈集中在哪里。我让 Codex 去研究用户在哪里抱怨，不要教育用户新流程。它拉回了 24 条公开抱怨语料，收敛到客户报告、工单、错误日志三个真实场景。
第六轮：从 Skill 拦截，转成诊断获客。 如果切入工作流行不通，那试试写 Skill 搭便车。不过 Skill 被调用时内容已可能进模型，也就无法实现前置拦截。随即调整为免费隐私诊断工具，用来获客，付费产品才是本地脱敏。
Agent 给我下了一个目标：找到一个明确人群、一个真实场景，证明其会重复使用。
交付了什么
前前后后，Agent 自己统计的时间面板显示，花了7h6m25s，消耗了一半的周额度。从结果上看，竞品调研比我想的写得细致，调用数据分析写的 BP 数据也蛮不错，比自己写省力。甚至还帮我将诊断 Skill 发到 Skill 聚合平台，已经开始有人安装。
具体来说，是这么些东西：
- 可运行原型：浏览器本地检测器 + Agent Skill（v0.3.0）
- 市场研究：24 条投诉语料 + 13 款竞品分析 + 竞争格局报告
- 验证实验设计：三场景观察任务 + 扩展脚本
- 决策档案：186 条对话的完整记录
在需求验证的同时，帮我把落地页、获客原型demo给写了。
确保理解到位再动手
交涉这么多，我越发觉得自己像一个坏领导：“还是第一版好”、“你再补充些资料，我们看看怎么调整”。但需求澄清就是这样的，你不可能对一个未知之物有全貌的了解。
不过也不是没有缓解之道，之前用 grill-me 效果不错，这是一个动手前先尽可能想清楚的 Skill。它会对你的方案反复追问，直到决策树收敛。想清楚、问清楚再开动，这点和对新人的要求基本一样。所以你看，职场的经验同样能平移到 Agent 协作上。大道理是相通的。
堵不如疏
不少管理者和公司，会认为存在数据泄漏风险，所以不能用外部 AI。但我更倾向堵不如疏。用我们的工具，帮你的产品、工作流更加放心使用 AI，充分发挥先进生产力工具的作用，是使命之所在。
产品最终命名为 ContextArmor，定位是 AI 使用场景下的隐私防护。这个产品名，还花了不少时间。因为原来的名字 safecontext 被别人占了。花了几轮对话来敲定命名，不重叠的同时还要体现产品特色。
有意向的读者朋友，欢迎私聊我进行产品测试。想看goal详细报告的，也可以后台私我。