夜雨聆风我家里的 MacBook 存储本来就不大，今年又装了特别多 Agent 产品做体验，装完很快又卸载。但拖到废纸篓根本删不干净——很多 Agent 软件背后有一堆你没注意到的依赖文件。
让我意外的是，帮我找到那些残留文件的，不是什么磁盘清理软件，是 Codex——就是那个 OpenAI 做的 AI 编程助手。它扫了一遍系统，找出来十几个没卸载干净的关联文件，动辄占几个 G。
那一刻我才反应过来，这个工具已经不知不觉渗透到了我工作的方方面面——配图、整理会议纪要、读书、部署网站、甚至审合同。而写代码，只是它最不起眼的那个用途。
今天聊聊我最高频的 8 个使用场景。
先说结论：它不只是代码助手
简单说，Codex 是 OpenAI 推出的 AI 编程工具，表面上是帮你写代码的。但用下来我发现，它更像一个可以连接各种系统的"万能接口"。
你可能会觉得，不就是个聊天机器人吗？别急。
AI 编程工具的 8 个非编程场景
感官冲击：一个真实的场景
上个月我让 Codex 扫描了一遍 Mac，结果它找出了十几个已经卸载的 Agent 软件的残留文件——关联依赖、缓存数据、配置文件，动不动就占几个 G。这些东西拖到废纸篓根本删不干净，因为很多 Agent 背后有一堆你没注意到的依赖。
你不再是让 AI 帮你写代码，而是让它帮你管理整个工作系统。
8 个最高频的非编程场景
场景一：给文章做配图
现在我写文章的配图基本都交给 Codex。做法是先把文章丢给它，再调用自己做的配图 Skill。它会通读全文，判断哪些地方适合插图，确认后直接生成 HTML 版本的配图。
我很喜欢这种方式，因为配图本质上是网页——不满意的地方可以直接改文字、排版、间距，不需要重新生成。而用图片模型生成配图，每次修改都得从头来，效率很低。
而且用下来我越来越觉得，很多文章配图根本不需要图片模型。简单的图形、线条和排版，对信息传递来说往往已经足够了。有时候越简洁，读者越容易把注意力放在内容本身。
场景二：画流程图和架构图
工作中经常需要画流程图、梳理逻辑关系。我一直喜欢用 Excalidraw，因为它画出来的东西天然带着手绘感，看起来没那么生硬。
现在我的流程是：先把内容丢给 Codex 拆解——哪些节点、哪些关系、怎么组织结构——确认后再调用 Excalidraw Skill 生成。它同时输出 PNG 和 Excalidraw 文件，前者直接用，后者可以二次编辑。
这个"先确认结构再生成"的流程，让我改图次数大幅减少。以前直接画图经常画到一半发现结构不对，推倒重来。现在多了一步"让 AI 先帮你拆"，反而省了更多时间。
场景三：长文转 Slides
我给自己定了一个规矩：每周至少精读一篇长文。不是碎片化新闻，是真正值得花时间的深度文章。
读完之后我会把文章交给 Codex，生成一份 HTML 版 Slides。不用面面俱到，重点是核心观点、关键论据和整体脉络。然后我对着 Slides 再过一遍，相当于二次复盘。这个过程其实很有意思，很多第一遍阅读时忽略的细节，往往会在这个阶段重新浮现。第一次读是吸收信息，第二次借助 Slides 回顾是整理理解。我甚至会把生成的 Slides 分享给同事，他们不用读完全文就能抓住精华。
场景四：处理会议纪要
现在各种软件都有会议纪要功能，但我还是习惯导出成 Markdown 再交给 Codex。尤其是同一主题连续开了好几次会的时候，这招特别好用。
最直接的用法是提取 Todo。我还会追问一句："这些待办里，哪些你可以直接帮我完成？"有意思的是，很多事情它真能做——整理资料、写初稿、分析数据、汇总信息。
如果是客户会议或用户访谈，我会让它梳理最频繁出现的抱怨和被忽略的反馈。当数据量大、来源多（群聊、访谈、问卷）时，这种分析能力特别有价值。
场景五和六：连接飞书和微信读书
把 Codex 接入飞书之后，工作流彻底变了。飞书本身就是我的工作中心——聊天记录、会议纪要、文档、项目资料都在里面。看到一段群聊讨论，直接转发给 Codex 整理重点；开完会的纪要，顺手丢给它分析；写文档时觉得表达不够顺，直接在飞书文档里 @ Codex 帮你换个角度展开。
以前想让 AI 帮我改一段内容，需要复制出来再扔过去。现在很多时候根本不用这么麻烦。
接入微信读书后更爽。我的阅读习惯是很少把工具书从头读到尾——先打开热门划线，把最核心的观点扫一遍，再根据兴趣挑章节精读。热门划线相当于成千上万名读者提前帮我们做了筛选，哪些内容最值得停下来思考，大家已经用划线投过票了。
而 Codex 接入之后，我经常遇到的一种情况解决了：记得某本书里有个好观点，但想不起来在哪。以前只能翻书，现在直接让 Codex 从热门划线里按主题筛选、按作者查找、跨书整理共同概念。
书里的内容没变多，但调用这些内容的成本被大幅降低了。
场景七和八：部署网站和处理日常事务
我自己 Vibe Coding 了 11 个小工具，很多有后端。通过腾讯云 CloudBase 的 CLI，所有部署都在 Codex 里完成，不用再去后台折腾配置。这一点对于独立开发者来说体验提升巨大——以前部署一个项目要登录控制台、配域名、看日志，现在一句话搞定。
日常运营方面更夸张。我们是小公司，很多原本需要行政、HR、财务甚至法务处理的基础工作，现在基本都交给 Codex。一份合同拿过来，让它检查风险、梳理重点条款、按需求修改，很多标准化合同它处理起来已经相当成熟了。
更关键的是连接飞书多维表格之后，它就不只是聊天工具了，而是能直接参与日常运营——新增数据、修改数据、批量检查数据。我设了一个每日自动巡检：检查前一天数据有没有遗漏、异常或不合理的地方。人录数据难免出错，让它每天跑一次，很多问题当天就能发现。到了月底跑一个命令，它就把这个月的经营情况梳理出来。
认知升华：复利效应
大多数人把 AI 工具当"单点工具"用——需要的时候打开，用完就关。但我想聊一个更底层的逻辑。
这 8 个场景串在一起之后，产生的不是加法，而是复利。
复利效应的核心是"利滚利"——每一轮增长的基数不是初始值，而是上一轮的累积值。爱因斯坦据说把复利称为"世界第八大奇迹"，虽然这个出处有待考证，但道理是真的。
Codex 连接的系统越多，每个连接点的价值就越大。最初它只是一个代码助手，但当我把它连到配图工具、连到笔记系统、连到会议纪要、连到数据看板，它就不再是一个"写代码的工具"了，而是一个可以跨系统调用的"操作中枢"。
打个比方：你只有一条电话线的时候，它只是个通话工具。但当一百万条电话线连成网络，每条线的价值就不再是"打一个电话"那么简单了——它能传递信息、协调资源、创造机会。AI 工具也是一样，每多连一个场景，整个网络的价值就指数级增长。
这就是为什么同样一个 AI 工具，有人觉得"也就那样"，有人觉得"离不开"——差别不在工具本身，而在于你给它连接了多少个场景。每次新增一个连接，不是在加 1，而是在乘以 N。
复利效应：单点使用 vs 连接使用的价值差距
陷阱与边界
说了这么多，必须泼冷水。
第一个坑是"为了连接而连接"。不是所有任务都需要 AI 介入，有些手工操作更快更可靠。我有个朋友把所有事情都丢给 AI，结果连写封简单的邮件都要等它生成半天，反而拖慢了效率。硬凑场景只会增加复杂度。
第二个坑是"不检查就信任"。Codex 帮你审合同、分析数据，输出看着很专业，但你必须对关键结论做二次验证。我自己就遇到过一次，它帮我分析一份用户调研数据，结论看起来很合理，但我回头核对原始数据时发现它把两组数据搞混了。AI 幻觉在专业领域的杀伤力比闲聊大得多。
AI 不是银弹，是放大器。你自己的判断力才是最后一道关卡。
行动框架
一、列出你每周最重复的 3 项工作，它们最适合交给 AI——重复意味着结构化，结构化就意味着能自动化。比如每周五写周报、每天检查数据、每次开完会整理纪要，这些都可以今天就开始试。
二、不要只增加功能，要增加连接。读书记笔记连到写作工具，会议纪要连到待办系统，合同模板连到审批流程——每多一个连接，效率提升就是乘法而非加法。
三、建立一个自动化巡检流程。哪怕只是让 AI 每天检查一次数据、每周汇总一次进展，你会发现很多人工容易忽略的问题它都能抓到。一旦体验过自动化的效率，你就不想再手动做了。
AI 工具的真正价值不在于它某一次帮你做了什么，而在于它连接了你多少个工作场景。
从"写代码的工具"到"跨系统的操作中枢"，这一步跨越的关键不是 AI 有多强，而是你愿意把它连接到多少个工作场景。每一次连接都是一次复利的起点——而这些回报，远比你想象的来得快。别等到所有人都用明白了你才开始，现在就打开你的 AI 工具，找一个写代码以外的场景试试。
