AI代码生成虽高效，但常面临偏离任务和上下文丢失的挑战。本文介绍一种创新工作流，通过让Claude Code监督Codex执行任务，实现了自动化迭代开发。该方案利用结构化文件记录过程与结果，并形成证据包，有效防止跑偏，为AI驱动的软件开发提供了更高的可靠性。
智能速览
Claude Code作为监督者，Codex作为执行者，形成开发双保险。
使用tasks.md和feature_list.json结构化管理开发过程与结果。
通过run-folder生成证据包，确保每一步都可追溯和验证。
支持CLI、GUI、MIXED多种操作模式，适应不同开发习惯。
结合MCP与skills配置，可实现全自动迭代开发，防止上下文爆炸。
精华内容
这套工作流的核心在于角色分离与过程固化。它将AI的创造力与严谨的监督机制相结合，通过一套明确的规则和工具，让AI编程变得既高效又可控。
监督与执行
在此方案中，Claude Code（CC）扮演项目监督者角色，负责理解需求、分解任务并审查结果。Codex则作为核心的代码执行者，专注于根据指令完成具体的编码工作。
这种分工明确的结构，有效避免了单一模型在复杂项目中容易出现的目标漂移问题。监督者确保方向正确，执行者保证产出效率，二者协同，形成了一个稳定的开发闭环。
过程透明化
工作流的精髓在于过程的透明化管理。它使用`tasks.md`文件详细记录每一个开发任务、指令和中间状态，如同开发日志。
同时，`feature_list.json`文件则集中管理所有功能项的最终结果和状态。通过这两个核心文件，整个开发轨迹被清晰地固化下来，不仅便于随时复盘，也为后续的迭代或交接提供了坚实基础。
证据链与自动化
为了防止代码生成过程中的“黑箱”操作，该方案引入了`run-folder`作为证据包。这个文件夹完整保存了单次运行的输入、输出和中间文件，使每一步都可审计、可验证。
更进一步，通过配置模型上下文协议（MCP）和技能，整个工作流可以实现全自动迭代。它能智能管理上下文，避免信息过载导致的“上下文爆炸”，并通过Git进行确权存档，保障了项目的完整性和安全性。
这种AI协同工作流为自动化编程提供了一种全新的、更可靠的实现路径。它不仅提升了开发效率，更重要的是建立了一套信任机制。未来，这种模式能否成为AI驱动开发的新标准，值得每一位开发者关注与探索。
关键评论
有用户联想到这与antigravity的检测工作流有相似之处，说明该思路有一定行业基础。
评论区关心成本问题，询问监督者和执行者哪个模型消耗的token更多。
不少读者期待看到用此方案开发出的实际项目案例，以验证其有效性。
