Kumpulan contoh penggunaan Codex

• OpenAI telah merangkum dan merilis secara resmi 12 use case untuk menerapkan alat coding agentic Codex langsung ke pekerjaan nyata, dan tiap kasus mencakup tim/kategori yang direkomendasikan, starter prompt, serta informasi Skills yang bisa digunakan
• Diklasifikasikan ke dalam 6 kategori: Engineering, Front-end, Data, Integrations, Mobile, dan Evaluation

1. Meninjau Pull Request dengan cepat (Integration / Automation)

• Dengan menambahkan Codex code review ke organisasi atau repositori GitHub, Anda bisa mengatur review otomatis untuk semua PR
  • Atau minta secara manual dengan menulis @codex review di komentar PR
• Starter prompt: @codex review for security regressions, missing tests, and risky behavior changes
• Jika menemukan issue, Anda bisa langsung membuat cloud task untuk perbaikan dan memperbarui PR lewat komentar @codex fix it
• Dapat dikustomisasi dengan menambahkan bagian panduan review di AGENTS.md
  • Contoh: typo dan kesalahan tata bahasa → P0, dokumentasi hilang dan tes hilang → P1, dst. untuk mengatur prioritas
  • Karena instruksi dari AGENTS.md terdekat per file yang akan diterapkan, paket tertentu bisa memiliki instruksi terpisah di subdirektori
• Cocok untuk: tim yang membutuhkan sinyal review tambahan sebelum persetujuan merge, serta codebase besar yang berjalan di produksi
• Skill yang digunakan: Security Best Practices — memfokuskan review pada area berisiko seperti secret, autentikasi, dan perubahan dependensi

2. Membangun desain front-end responsif (Front-end / Design)

• Jika memasukkan screenshot, design brief, atau gambar referensi, Codex akan mengubahnya menjadi kode UI responsif dengan menggunakan kembali komponen dan token dari design system yang sudah ada
• Persyaratan utama prompt:
  • Gunakan kembali komponen dan design system yang ada (jangan membuat sistem baru secara paralel)
  • Samakan spacing, layout, hierarki, dan perilaku responsif sedekat mungkin dengan screenshot
  • Ikuti pola routing, state management, dan data fetching di repositori
  • Untuk bagian yang ambigu, pilih implementasi paling sederhana lalu nyatakan asumsi yang diambil
• Dengan skill Playwright, Codex bisa membuka browser sungguhan, membandingkan hasil implementasi dengan screenshot, lalu memperbaikinya secara iteratif
  • Ubah ukuran jendela browser untuk memverifikasi layout di berbagai breakpoint
• Cocok untuk: memulai proyek front-end baru, atau mengimplementasikan layar desain ke codebase yang sudah ada
• Untuk hasil yang baik, disarankan memberikan referensi dalam berbagai state seperti layout desktop dan mobile, status hover/selected, empty state, dan loading state

Sisa halaman detail use case akan saya fetch. Navigasinya terlalu panjang sehingga isi utama terpotong. Saya akan beralih ke cara mengekstrak hanya bagian isi menggunakan view_range. Saya mencoba mengambil isi utama dengan bash memakai curl + grep. Karena halaman dirender dengan JS, isi utama tidak bisa diambil dengan curl. Saya akan fetch tiap halaman dengan alat web_fetch lalu mengekstrak hanya bagian isi setelah navigasi. Sebagian isi utama sudah terlihat. Sekarang saya fetch halaman-halaman sisanya secara paralel. Sekarang saya periksa juga halaman api-integration-migrations yang sudah di-fetch. Semua detail use case sudah terkumpul. Berikutnya saya merangkum 10 use case sisanya dengan format yang sama seperti nomor 1 dan 2.

3. Memahami codebase besar (Engineering / Analysis)

Tingkat kesulitan: Easy | Waktu yang dibutuhkan: 5 menit

• Saat masuk ke repositori yang belum dikenal, mulai dengan meminta Codex menjelaskan keseluruhan codebase
• Jika perlu berkontribusi pada area sistem tertentu, mempersempit cakupan permintaan akan menghasilkan penjelasan yang lebih spesifik
• 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.
• Cocok untuk: engineer baru yang sedang onboarding ke repositori baru, atau developer yang perlu memahami perilaku sistem sebelum mengubah fitur

4. Mengiterasi masalah sulit berulang kali (Engineering / Analysis)

Tingkat kesulitan: Advanced | Waktu yang dibutuhkan: Long-running

• Jika Anda menyediakan skrip evaluasi (eval), Codex dapat menjalankan loop perbaikan otomatis berbasis skor
• Struktur inti starter prompt:
  • Baca AGENTS.md → cari skrip/perintah yang menilai output saat ini
  • Terapkan satu perbaikan setiap kali → jalankan ulang perintah eval → catat skor dan perubahan
  • Jika output bersifat visual, inspeksi langsung dengan view_image
  • Ulangi sampai skor total dan skor rata-rata LLM keduanya mencapai setidaknya 90%
• Batasan: jangan berhenti pada hasil pertama yang dapat diterima / jangan pulihkan ke versi sebelumnya kecuali hasil baru jelas lebih buruk
• Cocok untuk: masalah yang bisa dinilai pada setiap iterasi, output visual atau subjektif yang membutuhkan pemeriksaan deterministik sekaligus skor LLM-as-a-judge, serta sesi jangka panjang yang memerlukan pelacakan progres

5. Membuat game berbasis browser (Engineering / Code)

Tingkat kesulitan: Intermediate | Waktu yang dibutuhkan: Long-running

• Alurnya dimulai dari game brief → menulis rencana rinci terlebih dahulu di PLAN.md → lalu membangun game yang sebenarnya
• Skills yang digunakan:
  • Playwright: memainkan game di browser live, memeriksa state saat ini, lalu memperbaiki kontrol, timing, dan feel UI secara iteratif
  • ImageGen: membuat concept art, sprite, background, dan aset UI, serta menyimpan prompt agar bisa dipakai ulang untuk generasi batch nanti
  • OpenAI Docs: merujuk ke panduan resmi terbaru sebelum menghubungkan fitur OpenAI ke game
• 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/
• Cocok untuk: membangun game browser dari nol, atau pengembangan game yang memerlukan pengujian berulang pada kontrol, visual, dan deployment

6. Menganalisis dataset dan membuat laporan (Data / Analysis)

Tingkat kesulitan: Intermediate | Waktu yang dibutuhkan: 1 jam

• Menangani file data yang berantakan dari tahap pembersihan, join, analisis eksploratif, hingga pemodelan, lalu mengemasnya menjadi artefak yang dapat digunakan ulang
• Persyaratan starter prompt: baca AGENTS.md → muat dataset → jelaskan isi file, join key, dan issue kualitas data → usulkan workflow yang dapat direproduksi dari import hingga visualisasi, pemodelan, dan keluaran laporan
• Batasan: utamakan skrip dan artefak tersimpan dibanding state notebook sekali pakai / jangan mengarang missing value atau merge key
• Skills yang digunakan: Spreadsheet (inspeksi CSV, TSV, Excel), Jupyter Notebook (analisis eksploratif), Doc (laporan .docx), Pdf (render PDF artefak final)
• Cocok untuk: pekerjaan analisis yang dimulai dari file berantakan dan harus berakhir menjadi chart, memo, dashboard, atau laporan, serta tim yang membutuhkan skrip yang dapat direproduksi

7. Membuat slide deck secara otomatis (Data / Automation)

Tingkat kesulitan: Easy | Waktu yang dibutuhkan: 30 menit

• Mengedit file pptx langsung lewat kode, lalu menggabungkannya dengan pembuatan gambar untuk menerapkan aturan layout yang berulang ke tiap slide
• Skills yang digunakan:
  • Slides: membuat dan mengedit deck .pptx dengan PptxGenJS, termasuk script render dan validasi untuk memeriksa overflow, overlap, dan font
  • ImageGen: membuat ilustrasi, cover art, diagram, dan visual slide sambil menjaga arah visual yang bisa dipakai ulang
• Inti starter prompt: tambahkan logo.png ke kanan bawah semua slide / geser teks slide tertentu ke kiri + buat gambar di sisi kanan / pertahankan branding yang ada / jalankan pemeriksaan overflow dan font substitution sebelum pengiriman
• Cocok untuk: tim yang mengubah catatan atau input terstruktur menjadi slide yang repeatable, atau merekonstruksi deck dari screenshot, PDF, atau presentasi referensi

8. Memulai task coding dari Slack (Integrations / Automation)

Tingkat kesulitan: Easy | Waktu yang dibutuhkan: 5 menit

• Konfigurasinya terdiri dari 3 langkah: pasang aplikasi Slack → hubungkan repositori dan environment → tambahkan @Codex ke channel
• Dengan mention @Codex di thread, Anda bisa memulai task bersama permintaan, batasan, dan hasil yang diinginkan
• Starter prompt: @Codex analyze the issue mentioned in this thread and implement a fix in <name of your environment>
• Setelah membuka link pekerjaan dan meninjau hasilnya, tindak lanjut tambahan bisa dilakukan dari Slack
• Tips: jika thread tidak memiliki cukup konteks atau usulan perbaikan, masukkan langsung ke prompt
• Cocok untuk: handoff asinkron yang dimulai dari thread Slack, serta tim yang perlu melakukan issue triage, bug fixing, atau implementasi terbatas tanpa context switching

9. Membuat aplikasi ChatGPT (Integrations / Code)

Tingkat kesulitan: Advanced | Waktu yang dibutuhkan: 1 jam

• Semua aplikasi ChatGPT terdiri dari 3 bagian: server MCP (definisi tool) + widget React opsional + koneksi ChatGPT
• Skills yang digunakan:
  • ChatGPT Apps: membantu perencanaan tool, penyambungan resource MCP, dan alur build
  • OpenAI Docs: merujuk ke panduan Apps SDK terbaru sebelum menulis kode
  • Vercel: menggunakan panduan ekosistem Vercel dan server MCP resmi Vercel
• Persyaratan starter prompt: pilih 1 hasil utama pengguna → usulkan 3–5 tool dengan nama, deskripsi, input, dan output yang jelas → tentukan apakah widget dibutuhkan di v1 → preferensikan TypeScript untuk server MCP dan React untuk widget → nyatakan kebutuhan autentikasi, deployment, dan testing
• Output: rencana tool / file tree yang diusulkan / kumpulan golden prompt / risiko dan pertanyaan terbuka
• Cocok untuk: perencanaan awal aplikasi ChatGPT, scaffolding server MCP, dan menjalankan loop ketat dari pengujian HTTPS lokal hingga validasi mode developer ChatGPT

10. Membangun aplikasi iOS dan macOS (Mobile / Code)

Tingkat kesulitan: Advanced | Waktu yang dibutuhkan: 1 jam

• Dari scaffolding proyek SwiftUI hingga build dan debugging, alurnya mengutamakan CLI (xcodebuild atau Tuist)
• Jika sudah ada proyek Xcode, gunakan XcodeBuildMCP untuk mengulang proses enumerasi target, memilih scheme, build, run, dan mengambil screenshot
• Skill yang digunakan: Build iOS Apps — membangun dan me-refactor UI SwiftUI, menerapkan pola iOS terbaru seperti Liquid Glass, serta audit dan debugging performa runtime simulator
• Batasan starter prompt: tetap utamakan CLI / gunakan kembali model, pola navigasi, dan utilitas bersama yang ada / pertahankan kompatibilitas iOS dan macOS kecuali ruang lingkupnya dibatasi secara eksplisit / lakukan loop validasi kecil setiap kali ada perubahan
• Output: scaffold aplikasi atau potongan fitur yang diminta / script build dan run / langkah validasi minimum yang dijalankan / rincian scheme, simulator, dan pemeriksaan yang digunakan
• Cocok untuk: aplikasi SwiftUI greenfield yang di-scaffold Codex dari nol, atau proyek Apple platform yang sudah ada dan memerlukan scheme, output simulator, screenshot, serta otomasi UI

11. Mengubah desain Figma menjadi kode (Front-end / Design)

Tingkat kesulitan: Intermediate | Waktu yang dibutuhkan: 1 jam

• Melalui server Figma MCP, Codex mengambil konteks desain terstruktur, variabel, aset, dan varian yang presisi, lalu mengubahnya menjadi kode yang sesuai dengan design system repositori
• Skills yang digunakan:
  • Figma: mulai implementasi dengan mengambil konteks desain dan screenshot melalui urutan get_design_context → get_screenshot / menghubungkan komponen yang dipublikasikan dengan source file lewat mapping Code Connect / membuat aturan design system per proyek untuk workflow Figma-to-code yang repeatable
  • Playwright: memverifikasi perilaku responsif dan hasil implementasi di browser sungguhan, lalu membandingkan dengan referensi Figma dan memperbaikinya secara iteratif
• Alur inti starter prompt:
  1. Ambil konteks node dan frame yang akurat dengan get_design_context
  2. Jika respons terpotong, petakan struktur file dengan get_metadata lalu ambil ulang hanya node yang dibutuhkan
  3. Dapatkan screenshot varian yang tepat dengan get_screenshot
  4. Unduh aset lalu mulai implementasi — gunakan kembali komponen dan design token yang ada, jangan membuat sistem terpisah
  5. Jika Figma mengembalikan sumber gambar localhost atau SVG, gunakan apa adanya, jangan menambahkan placeholder atau paket ikon baru
  6. Verifikasi UI di browser dengan Playwright lalu perbaiki mismatch visual dan interaksi secara iteratif
• Rekomendasi persiapan file Figma sebelumnya:
  • Gunakan variables atau design token untuk warna, tipografi, dan spacing
  • Jadikan elemen UI yang berulang sebagai komponen, hindari pengulangan detached layer
  • Gunakan auto layout semaksimal mungkin alih-alih positioning manual
  • Atur nama frame dan layer agar layar, state, dan varian bisa dibedakan dengan jelas
  • Pertahankan ikon dan gambar asli di dalam file
• Keluaran Figma MCP (berbentuk React + Tailwind) diperlakukan sebagai referensi struktural, sementara gaya kode final harus diterjemahkan ke utilitas, wrapper komponen, sistem warna, skala tipografi, token spacing, routing, state management, dan pola data fetching yang benar-benar digunakan di proyek
• Cocok untuk: implementasi layar atau flow yang sudah selesai didesain di Figma ke codebase yang ada, serta tim yang ingin Codex bekerja berdasarkan konteks desain yang terstruktur

12. Upgrade integrasi API (Evaluation / Code)

Tingkat kesulitan: Intermediate | Waktu yang dibutuhkan: 1 jam

• Meng-upgrade integrasi OpenAI API yang sudah ada ke model dan fitur API terbaru yang direkomendasikan, sambil tetap melakukan validasi regresi
• Skill yang digunakan: OpenAI Docs — merujuk ke panduan model, migrasi, dan API terbaru sebelum memodifikasi kode
• Persyaratan starter prompt:
  • Buat inventaris asumsi model, endpoint, dan tool yang saat ini digunakan repositori
  • Turunkan rencana migrasi minimum untuk berpindah ke jalur yang didukung terbaru
  • Pertahankan perilaku lama kecuali perubahan memang diwajibkan oleh API atau model baru
  • Perbarui prompt sesuai panduan prompt untuk model terbaru
  • Tandai perubahan pada prompt, tool, atau format respons yang memerlukan tinjauan manual
• Cocok untuk: tim yang melakukan upgrade dari model lama atau antarmuka API lama, serta migrasi yang perlu menjaga perilaku dengan validasi eksplisit di setiap tahap

[j2sus91]

Kupikir ini akan jadi contoh penggunaan resmi,
ternyata isinya cuma hal-hal yang klise.