CodexLoom

在当前的 AI 辅助开发浪潮中，我们大多习惯于与 Agent 进行单轮或短周期的对话。任务结束，上下文清空，下次需要重新铺垫背景。这种模式适合解决孤立问题，却难以应对复杂的、长期的专业领域工作。

CodexLoom 是一个建立在 Codex 之上的工作环境，旨在将 AI Agent 从临时的“聊天机器人”转变为拥有稳定身份、长期记忆和明确职责的“数字员工”。

核心理念：编织（Loom）而非重建

CodexLoom 并没有重新发明 Agent 的运行底层，也没有复制 Thread 的历史数据。它的核心逻辑是“编织”：

• 以 Thread 为基石：它利用 Codex 原生的 Thread 作为长期 Domain Agent 的持续工作空间。
• 赋予稳定身份：每个 Agent 拥有唯一的 ID、名称、Profile（档案）和主要 Thread。无论你在 Codex Desktop、Mobile 还是 WebUI 上操作，都能无缝恢复到同一个工作状态。
• 有界协作：Agent 之间不共享混乱的上下文，而是通过明确的 Message（消息）和 Topic（主题）进行协作，并交接受管的 Artifact（产物）。

简单来说，Codex 提供了线（Thread），而 CodexLoom 将这些线编织成了一张有序的协作网（Organization）。

三大关键角色与治理模型

在 CodexLoom 的体系中，Agent 不再是散兵游勇，而是组成了受治理的团队：

1. Domain Agents（领域专家）：长期负责特定领域（如前端架构、数据库优化）。它们在自己的 Thread 中积累专业知识，保持上下文的连续性。
2. Interface Agents（对外接口）：充当团队对外的“公关经理”。它们负责在飞书、Slack 或 Parall 等外部工具中与客户、社区或协作者沟通，确保内部的专业工作不会直接暴露在混乱的外部对话中。
3. Owner（人类管理者）：处于治理的核心。Owner 决定何时引入新 Agent，定义协作边界，并在 Agent 遇到无法决断的问题时通过 “Needs You” 信号介入。

这种设计实现了内外分离：对内，Agent 团队高效协作；对外，通过统一的接口提供标准化服务，保护了内部的工作流和知识边界。

为什么你需要 CodexLoom？

对于高级个人开发者、一人公司老板或小型技术团队来说，CodexLoom 解决了几个痛点：

• 拒绝重复铺垫：长期 Agent 记得住之前的决策和背景，无需每次对话都重新解释项目架构。
• 专业化分工：你可以培养一个专门写文档的 Agent，一个专门做代码审查的 Agent，让它们各司其职。
• 安全的对外协作：同事可以通过 Slack 与你培养的 Agent 协作，获取支持，而无需直接访问你的核心代码库或私人 Thread。
• 透明的治理证据：通过 Overview 面板，你可以查看 Agent 的活动状态、Token 消耗和缓存命中率，但这些数据仅用于运营监控，而非冷冰冰的绩效考核。

快速上手指南

CodexLoom 目前是一个本地优先、自托管的产品。启动前请确保已安装 codex CLI 并登录 ChatGPT 身份。

1. 启动服务

make release
./bin/codex-loom

随后打开浏览器访问 http://localhost:4870 进入 Owner WebUI。

2. 建立第一个长期 Agent

你可以通过图形界面点击 “New agent”，也可以通过 CLI 快速配置：

# 创建一个名为 research 的 Agent，指定其工作目录
./bin/loom agent create research --cwd /path/to/repo

# 设置 Agent 的身份档案
./bin/loom profile set research \
  --identity "负责这个领域的长期研究" \
  --domain "持续研究相关产品、协议和实现" \
  --scope "回答领域问题，沉淀结论，并向相关 Agent 提供建议"

# 发送第一项长期任务
./bin/loom thread send research "建立这个领域的现状基线"