Codex के उपयोग के मामलों का संकलन

• OpenAI ने agentic coding tool Codex को वास्तविक कार्यप्रवाह में तुरंत लागू करने के लिए 12 use cases को आधिकारिक दस्तावेज़ के रूप में व्यवस्थित करके जारी किया है, और हर केस में सुझाई गई team/category, starter prompt, तथा उपयोगी Skills की जानकारी शामिल है
• इन्हें Engineering·Front-end·Data·Integrations·Mobile·Evaluation जैसी 6 categories में वर्गीकृत किया गया है

1. Pull Request की तेज़ review करना (Integration / Automation)

• GitHub organization या repository में Codex code review जोड़ने पर सभी PR के लिए automatic review सेट किया जा सकता है
  • या PR comment में @codex review लिखकर इसे manually request किया जा सकता है
• Starter prompt: @codex review for security regressions, missing tests, and risky behavior changes
• Issue मिलने पर @codex fix it comment से तुरंत fix के लिए cloud task बनाकर PR update किया जा सकता है
• AGENTS.md में review guidelines section जोड़कर customization संभव है
  • उदाहरण: typo·grammar errors → P0, documentation missing·test missing → P1 जैसी priority settings
  • हर file पर सबसे नज़दीकी AGENTS.md के निर्देश लागू होते हैं, इसलिए किसी specific package के लिए subdirectory में अलग निर्देश रखे जा सकते हैं
• उपयुक्त किसके लिए: merge approval से पहले अतिरिक्त review signal चाहने वाली teams, production में चल रहे बड़े codebase
• उपयोगी Skill: Security Best Practices — secrets·authentication·dependency changes जैसे जोखिम वाले क्षेत्रों पर केंद्रित review

2. Responsive front-end design बनाना (Front-end / Design)

• Screenshot·design brief·reference image देने पर Codex मौजूदा design system components और tokens को reuse करके उन्हें responsive UI code में बदल देता है
• Prompt की मुख्य आवश्यकताएँ:
  • मौजूदा component·design system का reuse (नया parallel system बनाना नहीं)
  • spacing·layout·hierarchy·responsive behavior को screenshot से यथासंभव मिलाना
  • repository के routing·state management·data fetching patterns का पालन
  • अस्पष्ट हिस्सों में सबसे सरल implementation चुनना और assumptions स्पष्ट लिखना
• Playwright skill के साथ असली browser खोलकर implementation output को screenshot से compare किया जा सकता है और बार-बार सुधार किया जा सकता है
  • Browser window resize करके अलग-अलग breakpoints पर layout verify किया जा सकता है
• उपयुक्त किसके लिए: नया front-end project शुरू करना, मौजूदा codebase में designed screen implement करना
• बेहतर परिणाम के लिए desktop·mobile layout, hover/selected state, empty state·loading state जैसी विभिन्न states के references देना recommended है

बाकी use case की detail pages को fetch किया जाएगा। Navigation बहुत लंबी होने से body कट रही है। अब view_range का उपयोग करके सिर्फ़ body निकालने के तरीके पर स्विच किया जाएगा। bash में curl + grep से केवल body लाने की कोशिश की गई। Page JS rendering आधारित होने के कारण curl से body नहीं लाई जा सकी। web_fetch tool से हर page को fetch करके navigation के बाद का body भाग निकालने के तरीके से आगे बढ़ा गया। Body का एक हिस्सा दिखाई दे रहा है। अब बाकी pages को parallel में fetch किया जा रहा है। अब fetch की गई api-integration-migrations page भी देखी जा रही है। सभी use case की detail सामग्री जुटा ली गई है। अब बाकी 10 use cases को featured 1·2 की तरह ही व्यवस्थित किया गया है.

3. बड़े codebase को समझना (Engineering / Analysis)

कठिनाई: Easy | समय: 5 मिनट

• किसी अपरिचित repository में प्रवेश करने पर शुरुआत Codex से पूरे codebase को समझाने के अनुरोध से की जाती है
• यदि किसी specific system area में योगदान करना हो, तो दायरा जितना सीमित होगा उतना अधिक concrete explanation मिलेगा
• Starter prompt: Explain how the request flows through <name of the system area> in the codebase. Include: which modules own what / where data is validated / the top gotchas to watch for before making changes. End with the files I should read next.
• उपयुक्त किसके लिए: नई repository में onboarding कर रहे नए engineers, feature change से पहले behavior समझने वाले developers

4. कठिन समस्याओं पर बार-बार iterate करना (Engineering / Analysis)

कठिनाई: Advanced | समय: Long-running

• Evaluation script (eval) देने पर Codex score-based improvement loop चलाकर अपने-आप बार-बार सुधार करता है
• Starter prompt की मुख्य संरचना:
  • AGENTS.md पढ़ना → current output को score करने वाली script/command खोजना
  • एक बार में एक improvement लागू करना → eval command फिर चलाना → score और changes log करना
  • अगर output visual हो तो view_image से सीधे जांच करना
  • कुल score और LLM average score दोनों 90% से ऊपर होने तक दोहराना
• Constraints: पहले acceptable result पर रुकना नहीं / नया result स्पष्ट रूप से बदतर न हो तो पुराने version पर restore नहीं करना
• उपयुक्त किसके लिए: हर iteration पर score किए जा सकने वाले problems, deterministic checks और LLM-as-a-judge scores दोनों चाहने वाले visual/subjective outputs, progress tracking की ज़रूरत वाले long sessions

5. Browser-based game बनाना (Engineering / Code)

कठिनाई: Intermediate | समय: Long-running

• Game brief → पहले PLAN.md में ठोस योजना लिखना → फिर वास्तविक game build करना
• उपयोगी Skills:
  • Playwright: live browser में game खेलना, current state inspect करना, controls·timing·UI feel को बार-बार सुधारना
  • ImageGen: concept art·sprites·backgrounds·UI assets बनाना, और बाद में batch generation के लिए prompts को reusable रूप में सहेजना
  • OpenAI Docs: game में OpenAI features जोड़ने से पहले latest official guides देखना
• Starter prompt: Use $playwright-interactive, $imagegen, and $openai-docs to plan and build a browser game in this repo. Implement PLAN.md, and log your work under .logs/
• उपयुक्त किसके लिए: शुरू से browser game बनाना, controls·visuals·deployment तक iterative testing चाहने वाला game development

6. Dataset analysis और report generation (Data / Analysis)

कठिनाई: Intermediate | समय: 1 घंटा

• अव्यवस्थित data files को clean·join·exploratory analysis·modeling तक ले जाकर reusable artifacts के रूप में package किया जाता है
• Starter prompt की आवश्यकताएँ: AGENTS.md पढ़ना → dataset load करना → file contents·join keys·data quality issues समझाना → import से visualization·modeling·report output तक reproducible workflow प्रस्तावित करना
• Constraints: one-off notebook state की जगह scripts और saved artifacts को प्राथमिकता / missing values या merge keys को मनमाने ढंग से create नहीं करना
• उपयोगी Skills: Spreadsheet (CSV·TSV·Excel inspection), Jupyter Notebook (exploratory analysis), Doc (.docx report), Pdf (final artifact PDF rendering)
• उपयुक्त किसके लिए: गंदी files से शुरू होकर charts·notes·dashboard·report पर समाप्त होने वाला analysis work, reproducible scripts चाहने वाली teams

7. Slide deck का auto generation (Data / Automation)

कठिनाई: Easy | समय: 30 मिनट

• pptx file को सीधे code से edit करके, image generation के साथ मिलाकर, repeatable layout rules को हर slide पर लागू किया जाता है
• उपयोगी Skills:
  • Slides: PptxGenJS से .pptx deck create/edit करना, overflow·overlap·font checks के लिए rendering और validation scripts सहित
  • ImageGen: illustration·cover art·diagram·slide visuals बनाना, और reusable visual direction बनाए रखना
• Starter prompt की मुख्य बातें: हर slide के bottom-right में logo.png जोड़ना / कुछ slides में text को left shift करना + right side पर image generate करना / मौजूदा branding बनाए रखना / delivery से पहले overflow और font substitution checks चलाना
• उपयुक्त किसके लिए: notes या structured input को repeatable slides में बदलने वाली teams, screenshots·PDFs·reference presentation से deck दोबारा बनाने का काम

8. Slack में coding task शुरू करना (Integrations / Automation)

कठिनाई: Easy | समय: 5 मिनट

• Slack app install करना → repository और environment connect करना → channel में @Codex जोड़ना, इस 3-step setup से शुरुआत
• Thread में @Codex mention करने पर request, constraints और desired outcome के साथ task शुरू हो जाता है
• Starter prompt: @Codex analyze the issue mentioned in this thread and implement a fix in <name of your environment>
• Work link खोलकर result review किया जा सकता है, और ज़रूरत हो तो Slack में follow-up करके आगे सुधार कराया जा सकता है
• Tip: अगर thread में पर्याप्त context या fix suggestion न हो, तो उसे prompt में सीधे शामिल करें
• उपयुक्त किसके लिए: Slack threads से शुरू होने वाले asynchronous handoff, context switch किए बिना issue triage·bug fix·scoped implementation चाहने वाली teams

9. ChatGPT app बनाना (Integrations / Code)

कठिनाई: Advanced | समय: 1 घंटा

• हर ChatGPT app तीन हिस्सों से बना होता है: MCP server (tool definitions) + optional React widget + ChatGPT connection
• उपयोगी Skills:
  • ChatGPT Apps: tool planning·MCP resource connection·build flow guidance
  • OpenAI Docs: code लिखने से पहले latest Apps SDK guide देखना
  • Vercel: Vercel ecosystem guide और official Vercel MCP server का उपयोग
• Starter prompt की आवश्यकताएँ: एक core user outcome चुनना → स्पष्ट name·description·input/output वाले 3~5 tools प्रस्तावित करना → v1 में widget चाहिए या नहीं यह तय करना → MCP server के लिए TypeScript और widget के लिए React को prefer करना → authentication·deployment·testing requirements स्पष्ट करना
• Output: Tool plan / proposed file tree / golden prompts set / risks और unresolved questions
• उपयुक्त किसके लिए: ChatGPT app की शुरुआती planning, MCP server scaffolding, local HTTPS testing से ChatGPT developer mode validation तक tight loop चलाना

10. iOS और macOS apps बनाना (Mobile / Code)

कठिनाई: Advanced | समय: 1 घंटा

• SwiftUI project scaffolding से build और debug तक सब कुछ CLI-first (xcodebuild या Tuist) तरीके से किया जाता है
• अगर मौजूदा Xcode project हो, तो XcodeBuildMCP से targets list करना, scheme चुनना, build/run करना, screenshots capture करना बार-बार दोहराया जा सकता है
• उपयोगी Skill: Build iOS Apps — SwiftUI UI build/refactor करना, Liquid Glass जैसे latest iOS patterns लागू करना, simulator runtime performance audit और debugging
• Starter prompt constraints: CLI-first बनाए रखना / मौजूदा models·navigation patterns·shared utilities को reuse करना / जब तक scope को स्पष्ट रूप से सीमित न किया जाए तब तक iOS·macOS compatibility बनाए रखना / हर बदलाव पर छोटा validation loop चलाना
• Output: app scaffold या माँगा गया feature slice / build और run scripts / किए गए minimum validation steps / इस्तेमाल की गई scheme·simulator·checks specification
• उपयुक्त किसके लिए: Codex द्वारा शुरू से scaffold किए जाने वाले greenfield SwiftUI apps, तथा मौजूदा Apple platform projects जिनमें schemes·simulator output·screenshots·UI automation की ज़रूरत हो

11. Figma design को code में बदलना (Front-end / Design)

कठिनाई: Intermediate | समय: 1 घंटा

• Figma MCP server के माध्यम से structured design context·variables·assets·accurate variants लाकर उन्हें repository के design system के अनुसार code में बदला जाता है
• उपयोगी Skills:
  • Figma: get_design_context → get_screenshot क्रम में design context और screenshot लाने के बाद implementation शुरू करना / Code Connect mapping से published components को source files से जोड़ना / repeatable Figma-to-code workflow के लिए project-specific design system rules बनाना
  • Playwright: वास्तविक browser में responsive behavior verify करना और implementation output validate करना, Figma reference से compare करके बार-बार सुधार करना
• Starter prompt का मुख्य flow:
  1. get_design_context से सही node·frame context लेना
  2. अगर response कट जाए तो get_metadata से file structure map करके ज़रूरी nodes दोबारा लाना
  3. get_screenshot से implement करने वाले exact variant का screenshot लेना
  4. Assets download करने के बाद implementation शुरू करना — मौजूदा components·design tokens का reuse, अलग system नहीं बनाना
  5. अगर Figma localhost image या SVG source लौटाए, तो उसे ज्यों का त्यों इस्तेमाल करना, placeholder या नया icon package नहीं जोड़ना
  6. Playwright से browser में UI validate करना और visual/interaction mismatch को बार-बार सुधारना
• Figma file के लिए सुझाई गई तैयारी:
  • color·typography·spacing में variables या design tokens का उपयोग
  • बार-बार आने वाले UI elements को components बनाना, detached layers की पुनरावृत्ति से बचना
  • manual positioning की जगह auto layout का अधिकतम उपयोग
  • frame·layer names को screen·state·variant के अनुसार स्पष्ट रखना
  • वास्तविक icons और images को file के भीतर ही रखना
• Figma MCP output (React + Tailwind form) को structural reference माना जाए, और final code style को project की वास्तविक utility·component wrappers·color system·typography scale·spacing tokens·routing·state management·data fetch patterns में अनुवाद किया जाए
• उपयुक्त किसके लिए: Figma में तैयार screens/flows को मौजूदा codebase में implement करना, और structured design context के आधार पर Codex से काम कराना चाहने वाली teams

12. API integration upgrade (Evaluation / Code)

कठिनाई: Intermediate | समय: 1 घंटा

• मौजूदा OpenAI API integration को नवीनतम recommended models और API features पर upgrade करते हुए regression validation भी किया जाता है
• उपयोगी Skill: OpenAI Docs — code changes से पहले latest model·migration·API guides देखना
• Starter prompt की आवश्यकताएँ:
  • repository में मौजूद current model·endpoint·tool assumptions की inventory बनाना
  • latest supported path पर जाने के लिए minimum migration plan निकालना
  • अगर नया API या model बदलाव की माँग न करे, तो मौजूदा behavior बनाए रखना
  • latest model prompt guidance के अनुसार prompts update करना
  • उन prompt·tool·response format changes को चिह्नित करना जिन्हें manual review की आवश्यकता है
• उपयुक्त किसके लिए: पुराने model या API interface से upgrade करने वाली teams, और explicit validation के साथ behavior-preserving migration चाहने वाले repositories