这是一个系列文章，主要分享我最近使用 chatgpt 过程中的一些小技巧，每次分享 3 点，希望你能有所收获。
1 让两个任务直接交接与反馈
两个相互依赖的任务，可以在支持任务间消息的 codex 环境中直接沟通。比如一个任务制作安装包，另一个准备安装环境：前者完成后，把包版本、存放位置、校验值和使用说明发给后者；后者检查前置条件，再按已授权的流程继续验证，发现问题后把日志和复现步骤反馈回来。
比如可以说：“授权‘制作安装包’和‘准备安装环境’这两个任务双向沟通，传递本次安装所需的资料。包制作完成后通知环境任务；环境任务核对版本和前置条件，满足约定条件后继续验证，并把发现的问题发回制作任务。”
这样可以减少人工转述时遗漏的细节，也不用每次都由我传话。开始前要明确双方分工、交接内容和继续条件，并让修复后的包使用新版本、重新验证。能否直接互发消息，取决于当前客户端、工具和权限；具体交接信息仍要显式传递。
2 根据实际反馈调整定时任务
定时任务可以先从目标清楚、范围较小的版本开始，再根据收到的内容逐步调整。比如新闻推荐过于宽泛，就收窄到关心的技术和官方来源；学习内容太难，就要求先解释概念，再给一个能动手尝试的例子。
比如可以说：“把现有的每日学习任务调整为面向初学者，每次只讲一个概念，附一个小例子和来源。跳过学习清单中已讲过的主题，保留原来的时间和发送位置。更新后复述保存的规则，我再看下一次结果是否合适。”
先试跑一次有助于发现明显问题，后续的真实反馈也能继续完善内容。调整时要更新已保存的任务，而不是只在聊天中表达偏好；改完核对规则，再看实际输出。具体见官方文档。
3 用 ai 持续改进自己的 ai 工作流
除了让 ai 完成当前任务，我也会让它检查这次合作过程：哪些步骤重复、哪些信息总要补充、哪里容易误解，哪些检查确实有用。一次 skill 运行结束后，就可以从真实遇到的问题中提炼改进建议，再逐步应用到 skill、提示词、定时任务或项目规则中。
比如可以说：“复盘这次 skill 的执行过程，列出最值得改进的三点，每点附具体例子、修改建议和验证方法。先给我 review，不直接改规则；确认后做小范围修改，再用相同场景验证。”
第九篇提到过用完 skill 后提出改进建议，这里我想把这个习惯扩展到整个工作流。每次有依据地改一点，验证有效后再保留，让后续任务逐渐减少重复沟通、遗漏和返工。