KM4BI KM4BI

Wie ich KI nutze: meine wöchentlichen Codex-Experimente

Nate B Jones beschreibt einen Codex-Workflow mit sauberen lokalen Ordnern, besser aufgebautem Kontext und gemeinsamer Aufgabenklärung vor der agentischen…

Nate B Jones startet ein wöchentliches Format darüber, wie er KI tatsächlich nutzt. Diese Folge konzentriert sich auf Codex und auf eine praktische Verschiebung: Agentisches Arbeiten wird nützlicher, wenn der lokale Kontext als sauberer Arbeitsordner vorbereitet wird.

Kontext als Arbeitsordner

Sein Workflow beginnt damit, Codex das Dateisystem durchsuchen zu lassen. Die gesuchten Dokumente beschreibt er in natürlicher Sprache. Er muss also nicht zwingend exakte Dateinamen nennen, sondern kann Thema, Entstehungszeit oder Art des Inhalts beschreiben. Codex sammelt die relevanten Dateien anschließend in einem eigenen Arbeitsordner.

Danach öffnet Nate einen neuen Chat, der sich nur auf diesen Ordner konzentriert. Das Modell erhält ein klareres Kontextfenster, ergänzt durch detaillierte Anweisungen oder Transkripte, falls diese als Referenzdateien nötig sind.

Besser für lange Aufgaben geeignet

Mit diesem Setup bearbeitet er Dokumentprojekte mit 30.000 bis 50.000 Wörtern, Tabellen, Code und strukturierte Prompt-Reihen. Nate führt diese Stärke auf die Herkunft von Codex zurück: Das System ist daran gewöhnt, Dateien in einer repoartigen Umgebung zu lesen und ihre Beziehungen zu verstehen.

In seiner aktuellen Erfahrung funktioniert dasselbe Muster mit Claude Code oder Claude Code Work nicht ebenso gut. Er bleibt bei der Erklärung vorsichtig: Es kann an Rechenengpässen, Modellunterschieden oder am aktuellen Zustand der Werkzeuge liegen.

Prompting wird gemeinsame Aufgabenklärung

Die zweite Veränderung betrifft das Prompting. Statt dem Modell sofort eine Aufgabe und Erfolgskriterien zu geben, beginnt Nate stärker mit sinnvollen Fragen zu den Standards, die das Ergebnis erfüllen soll. Das Modell hilft zuerst, die Form der Aufgabe zu definieren, bevor es in die Ausführung geht.

Er beschreibt diese Phase als wirklich kollaborativer, besonders mit GPT-5.5 und dem aktualisierten Codex: Das Modell kann beim Zuschnitt helfen und danach in den Ausführungsmodus wechseln, ohne den Faden zu verlieren.

Warum das wichtig ist

Es geht nicht um Loyalität zu einem Anbieter. Nate betont, dass er keine Seite wählt; ihn interessiert, was seine Arbeit effizienter macht. Das relevante Signal ist, dass KI-Agenten wertvoller werden, wenn sie Kontext organisieren, lange fokussiert bleiben und mit Leitplanken wie Auto-Review arbeiten können.

Diese Kombination ermöglicht paralleleres Arbeiten: mehrere Entwürfe, mehrere Ideen gleichzeitig, Serien von Prompts und sequenzielle Aufgaben in einem gut strukturierten lokalen Arbeitsbereich.

Source