把 Eval 装进 Codex 之后：Build 变便宜了，「完成」反而变贵
「AI Coding 越强，Eval 越重要」——这个反直觉主张被 OpenAI 官方多篇一手材料强验证。先说清楚一件事：原文本次没能取回全文，我们能核的是论点，不是细节案例。
- 先说核查缺口：这是一篇 X 长文（Article），正文本次未能取回——X 主站被封（HTTP=000），jina reader、xcancel、nitter 镜像均不可达，只有聚合页卡片给了标题、开篇与互动元数据。
- 已核实的部分：作者 @UPing123zzz（Ethan宇，蓝 V）；发布 2026-08-29 00:14 北京时（雪花 ID 反推）；9,974 浏览 / 95 赞 / 15 转。
- 核心论点：「AI Coding 越强，Eval 越重要。因为 Build 正在变便宜，但『什么叫完成』这件事，并没有变简单。」
- 论点有硬背书：OpenAI《Harness Engineering》明确写「随代码吞吐上升，瓶颈变成人类 QA 能力」；Codex Skill-Creator 已新增 Evals 功能。
- 物证在前一轮研究里：decode-codex 仓库最大的实现文件是 quality-gate.ts（约 135 KB），而它的测试文件（约 215 KB）比实现本身还大 1.5 倍。
- 对我们的判断：这套范式有 12–18 个月的持续内容价值；工程上把「质量门禁」做成内容流水线的标配，比多写一个生成 Skill 划算。
这篇的正文，我们没取到
先讲一件不太体面但必须讲的事：这篇文章的正文，本次核查没能取回。
它是 X 长文（Article），不是普通短推。普通短推能通过 oEmbed 或 syndication 接口取到正文，长文不行——这正是那些接口返回空的原因。
能确认的是这些：作者 @UPing123zzz，X 显示名 Builder，蓝 V 认证；WebSearch 显示本名 Ethan宇，AI Coding / 个人成长方向创作者。发布时间 2026-08-29 00:14 北京时（雪花 ID 反推）。互动数据 9,974 浏览 / 95 赞 / 15 转 / 2 评论。他还有一篇同主题的姊妹篇，1,658 浏览——在做系列。
开篇原文是这样的：「AI Coding 越强，Eval 越重要。听起来有点反直觉……因为 Build 正在变便宜，但『什么叫完成』这件事，并没有变简单。」
这个主张不是个人玄学
「Build 变便宜，定义完成变贵」听起来像博主金句，但它有四条互相独立的一手背书。
| 长文论点 | 一手 / 权威来源 | 验证 |
|---|---|---|
| Build 变便宜，QA 与「定义完成」成瓶颈 | OpenAI《Harness Engineering》：随代码吞吐上升，瓶颈变成「人类 QA 能力」；明确写道「修正成本低，而等待成本高」 | 强验证 |
| Agent 自驱动迭代闭环 | OpenAI × Thrive（2026-05-27）：practitioner's correction → production trace → tailored evals → Codex 驱动迭代，Agent 收 eval 目标、查根因、提修复、跑验证、交 PR | 强验证 |
| Skill 需要可验证评测 | Codex Skill-Creator 新增 Evals：类似单测，定义「测试提示词 + 好结果标准」，捕捉质量衰退，并判断某技能是否已被基础模型吸收、可以退役 | 强验证 |
| 大文件测试 > 实现 | decode-codex 仓库：quality-gate.ts 约 135 KB，测试约 215 KB | 直接物证 |
第三条里藏着一个很少被提到的用法：Eval 不只用来判断「做没做好」，还能判断这个技能是不是已经没必要存在了。基础模型每次升级都会吞掉一批曾经的「技巧」，没有 Eval 你不知道哪些已经可以删掉，Skill 库只会越堆越重。
三轮研究撞的是同一堵墙
把最近三轮连起来看，会看到一条完整的「Agent 自我验证」认知链——每一轮都从不同角度撞上同一件事。
三层 Eval：把「感觉更好」变成「证明更好」
Eval 不是一个开关，是分层的一整套。OpenAI 的 Eval 工程方法论把它拆成三层，从硬到软。
这套分层搬到内容流水线上，直接可用的有三个维度。
可读性 Eval——段落长度、标题层级、有没有被平台吞掉的样式。这一层是确定性的，脚本就能判。
事实一致性 Eval——文中的数字、引用、日期是否与源材料一致。这是防幻觉最实用的一道闸，也是我们的稿件里最不能出错的地方：一篇稿子写得再好，数字错了就全废。
品牌一致性 Eval——署名、简介、口吻是否统一。这一层注定要靠 rubric，因为是主观判断，但标准写下来之后，判断质量会比「凭感觉」稳定得多。
这个范式值多少，以及它的保质期
范式判断：长期有效，不是风口噪音。OpenAI 在 2026 年密集发文亲自定义 Harness Engineering 与 Eval Loop，说明这是主流工程范式转移。对我们这种靠专家型 IP 变现的，这意味着这套叙事有至少 12–18 个月的持续内容价值，且每个论点都能引用权威背书。
更实际的一条：这套范式可以直接平移成我们的选题。「当 AI 能把活干完，机器人『干得好』谁来判定」——把 Eval 门禁类比到机器人抓取与导航的成功标准，这是别人写不了、只有做过交付的人写得出来的题目。
作者为蓝 V 个人创作者，非 OpenAI 官方；长文非开源、无 LICENSE，不可当代码或技能搬运，引用需署名，转载需授权。另：该范式仍在快速演进（OpenAI 2026 年密集发文），文中引用的官方材料需持续跟踪更新。