你有沒有遇過這種情況？某個流程（產品上架、客服處理…）想交由 AI 代勞，但對人類來說幾個反覆機械化的操作想讓 AI 自己跑通流程卻異常困難。OpenAI 想解決這個問題。2026 年 6 月 18 日，OpenAI 在 Codex 應用程式中正式推出「Record and Replay」功能，讓使用者直接在 Mac 上「做一次」給 AI 看，Codex 會自動將整個流程打包成可重複使用的 Skill（技能）。這不是傳統的巨集錄製或 RPA 腳本。Record and Replay 背後是 Computer Use 模型在觀察你的操作，理解每個步驟的意圖，然後生成一份結構化的、可編輯的技能文件。用 OpenAI 的話說：「Show Codex a workflow once. Reuse it as a skill.」
什麼是 Record and Replay
OpenAI 官方直接點出此功能的核心價值：
「You can now show Codex how to do something, teach it your preferences, and turn what it learns into a skill you can use again.」（你現在可以示範給 Codex 看要怎麼做某件事、教它你的偏好，並把它學到的內容轉換成一項可以重複使用的技能。）
這句話精準描述了 Record and Replay 的定位：不是要你寫 prompt 教 AI 做事，而是直接「示範」一次，AI 自己學。
實際操作範例：YouTube 影片上傳流程
影片中展示的是一個真實場景：OpenAI 團隊每次發布 YouTube 影片時，都要從發行試算表拉 metadata、找到對應的素材檔、在 YouTube Studio 填寫相同的欄位與設定。這些步驟每次都一樣，但手動操作繁瑣且容易出錯。
操作流程如下：
- 啟動錄製：在 Codex 應用中開啟 Plugins，選擇「Record a skill」
- 開始示範：Codex 請求錄製權限後，使用者正常執行 YouTube 上傳流程
- 拉取 metadata：從發行試算表中取出標題和描述
- 上傳素材：加入縮圖和英文字幕
- 儲存設定：將影片設為非公開並儲存
- 停止錄製：從選單列或覆蓋層停止，或直接告訴 Codex「我做完了」
錄製過程中，Codex 觀察的是操作的「意圖」而非純粹的像素軌跡。它理解你從試算表拉的是「標題」而不是「某個格子的文字」，這讓生成的技能具有泛化能力。
錄製結束後，Codex 分析錄影內容並自動生成一份 Skill。影片中展示 Codex 依照使用者的操作流程學會了：
- metadata 存放在哪裡（發行試算表的位置）
- 上傳素材包的資料夾結構
- 如何加字幕、儲存、驗證每次上傳
這份 Skill 不是黑箱，根據 OpenAI 開發者文件，生成的 Skill 遵循標準的 SKILL.md 格式，包含使用時機、所需輸入、執行步驟和驗證方式。使用者可以直接檢視和編輯。
AI 自動化執行
影片後半段展示「Replay」的實際效果。使用者開啟一個全新的對話串，附上下一部影片的素材包，然後要求 Codex 處理。結果：
- Codex 自動將素材包對應到試算表中的正確列
- 填入 metadata
- 上傳縮圖和英文字幕
- 將影片設為非公開
- 驗證所有設定是否正確儲存
全程不需要使用者手動介入。使用者只需要提供「這一次不同的值」，比如新的影片檔案、新的標題，其餘全部由 Codex 依 Skill 自動完成。
技術架構：Agent Skills 開放標準
Record and Replay 的底層是 OpenAI 採用的 Agent Skills 開放標準（agentskills.io）。一個 Skill 就是一個資料夾，裡面包含：
- SKILL.md：必備，包含名稱、描述和指令
- scripts/：可選，可執行腳本
- references/：可選，參考文件
- assets/：可選，模板和資源
Codex 使用「漸進式披露」（progressive disclosure）管理上下文：一開始只載入每個 Skill 的名稱、描述和檔案路徑（最多佔模型上下文視窗的 2%），只有在決定使用某個 Skill 時才載入完整的 SKILL.md 指令。這確保了即使安裝了大量 Skill，也不會擠爆上下文。
觸發方式有兩種：明確調用（在 prompt 中直接指定 Skill）和隱式調用（Codex 根據任務自動匹配 Skill 的 description）。Record and Replay 產生的 Skill 走的就是隱式調用路線，Codex 會根據你提供的素材自動判斷該用哪個 Skill。
可用範圍與限制
目前 Record and Replay 有幾個限制：
- 僅限 macOS：Windows 和 Linux 暫不支援
- 地區排除：歐洲經濟區（EEA）、英國和瑞士暫時無法使用
- 需要啟用 Computer Use：若組織透過 requirements.toml 管理 Codex，將 computer_use 設為 false 會同時關閉 Record and Replay
- 需要 Codex 應用程式：CLI 和 IDE 擴充套件目前不支援此功能
執行 Skill 時，Codex 可以透過 Computer Use（桌面操作）、Browser Use（瀏覽器操作）、已連接的外掛程式，或三者組合來完成任務。
與其他方案的比較
在自動化工作流程的領域，Record and Replay 並不是唯一的解法，但它的切入角度與眾不同：
- 傳統 RPA（如 UiPath、Automation Anywhere）：依賴固定的 UI 元素選擇器，介面一改就壞。Record and Replay 用 AI 理解操作意圖，對 UI 變化的容忍度更高
- 手寫 Prompt / Skill：需要使用者具備撰寫精確指令的能力。Record and Replay 把門檻降到「你會做就行」
- Zapier / Make 等整合平台：擅長 API 之間的串接，但對需要操作桌面應用的流程無能為力。Record and Replay 剛好補上這個缺口
Record and Replay 的核心價值在於「讓不懂程式碼的人也能教 AI 做事」。過去你要自動化一個流程，得先把它拆解成機器看得懂的步驟；現在你只要自己做一遍，Codex 會幫你完成拆解和封裝。
對開發者和企業的意義
Record and Replay 生成的 Skill 可以在團隊間共享。也就是說，一個人錄製的流程可以變成整個部門的自動化資產。不會再有負責的人不在現場就沒人會使用操作特定功能的窘境。這對企業端的影響有幾個面向：
- 知識保留：員工離職時，流程知識不會跟著離開，因為它已經被封裝成 Skill（編按：有點可怕…）
- 一致性：團隊所有人執行同一個流程時，品質和步驟一致
- 擴展性：新進人員不需要重新學習每個內部工具的操作細節
總而言之 Record and Replay 改變了「教 AI 做事」的介面。過去是文字（prompt），現在是行為（demonstration）。這讓 AI Agent 的能力擴展不再受限於使用者的文字表達能力。
Codex 的產品策略
從 Codex 的發展軌跡可以看出 OpenAI 的策略：先建立 Plugin 生態系（2026 年 3 月已支援超過 20 個第三方外掛，包含 Slack、Gmail、Notion、Salesforce），再推出角色專屬的 Plugin 套件（針對銷售、分析等職能），現在再加上 Record and Replay 讓使用者自己產生 Skill。
這是一條從「平台提供工具」到「使用者創造工具」的路徑。OpenAI 不只是在賣 AI 模型，而是在建一個讓 AI 學會人類工作流程的基礎設施。
結語
Record and Replay 目前還在初期階段，限制不少（macOS only、排除歐洲），但它代表的方向很清楚：AI Agent 的能力擴展不該依賴使用者會寫 prompt，而該依賴使用者會做事。當「示範」取代「描述」成為教 AI 的主要方式，自動化的門檻會大幅降低。
對一般使用者來說，這意味著你不需要成為 prompt engineer 也能讓 AI 幫你處理重複性工作。對企業來說，這意味著組織內部的流程知識可以被標準化、封裝、傳承。這才是 AI Agent 真正該做的事：不是替代人類思考，而是替代人類重複。