企业官网建设流程全解析

1. 项目背景与需求规格

1.1 这个“合并三份CSV”到底在解决什么问题

先说个实际场景。我手上有个长期维护的数据分析小项目，每周都要从三个不同系统导出数据做汇总。第一份是用户信息表，记录用户的注册信息；第二份是订单主表，记录每笔订单的基本信息；第三份是订单明细表，记录订单里每个商品的明细行。三份文件各自独立，但通过user_id和order_id两个字段可以关联起来。日常需求是把这三份CSV合并成一张宽表，直接给报表组用，省得他们每次都要在Excel里VLOOKUP半天。

这类任务本身不复杂，但有一个非常典型的痛点：如果纯手工用Excel操作，三份文件少说几万行，每次合并少则二十分钟，多则一小时，而且容易出错。量大一点还会把Excel直接卡死。把这类需求交给 Codex 来做，本质上是让AI辅助生成一个可复用的数据处理脚本，把“手工重复劳动”变成“一条命令跑完”。

这里我需要说清楚一个原则：Codex 不是替你直接处理数据，而是帮你把处理流程固化成脚本。整个项目的产出物实际上是“一份可运行的合并脚本 + 一套验收测试”，而不是一次性的数据结果。这个定位非常重要，因为只有脚本是可复用的，下次再拿到类似CSV文件的时候，改一下路径就能继续跑。

1.2 需求规格书的核心要素

很多人觉得写需求规格书是产品经理的事，但做数据工程或者自动化脚本这种小项目，我个人强烈建议先花十分钟把需求写清楚。Codex这种AI工具对需求的理解能力虽然强，但它对模糊的表述很容易自行发挥，发挥完你还不一定看出来。给AI下任务，本质上跟给同事下任务是同一个道理：信息得给足，输出格式得定死，边界条件得说明白。

一份合格的CSV合并需求规格书，至少要包含以下几个核心要素：

• 输入文件：每份CSV的路径、文件名、编码格式（UTF-8还是GBK）、列名清单。列名是重中之重，如果输入文件里有重复列名或者大小写不一致，后续脚本必须提前处理。
• 关联关系：哪张表是主表，哪张表是维表，用哪些键做关联。比如“订单主表 LEFT JOIN 用户信息表 ON 订单主表.user_id = 用户信息表.user_id”，这个逻辑必须提前讲清楚。
• 目标输出：输出文件的路径、列顺序、编码格式、是否保留重复列、字段怎么重命名。
• 边界情况：关联不上怎么办？缺失值填充什么？重复的订单明细是否要汇总？这些规则不定义好，脚本写出来也是带病的。
• 验收标准：行数对不对、字段全不全、金额合计对不对、文件有没有损坏。

在我跟 Codex 协作的实际经验中，需求写得越细，后面的返工次数越少。有一次我以为把所有表结构都描述清楚了，但漏说了订单明细表里同一个订单可能有多行商品，结果 Codex 写出来的脚本用了drop_duplicates，直接把明细行数砍掉一半。这种低级错误，完全可以通过在需求里增加一句“订单号在明细表中不唯一，明细行需要保留”来避免。

1.3 Codex在这个任务中的角色定位

Codex 在整个任务里承担的角色类似一个“会写代码的分析师”，它接收你用自然语言描述的需求，生成对应的脚本和测试代码。它不擅长的是什么？它不擅长替你做业务决策，比如你到底是想要内连接还是左连接，它默认只能猜。所以我的做法是：业务规则我定，代码细节让它写，写完我审，审完再跑，跑完再让它根据报错或者差异结果自修。

另外，Codex 也能反向给你提建议。比如我在给它的提示词里写“用Python的csv标准库实现”，它反而建议我用 pandas，因为数据量大的时候标准库逐行处理太慢。虽然最后我还是让它提供了两个版本，但这种情况说明，AI的“反向提问”或者“替代方案”有时候是有价值的，不要只把它当成一个听话的打字员。

2. Codex 环境准备与需求描述技巧

2.1 Codex CLI 的安装踩坑

先说说 Codex 本身怎么跑起来，这步其实才是很多人卡住的地方。我最初在一台 Windows 机器上装 Codex CLI，过程还算简单，前提是电脑上得有 Node.js 环境。官方给的安装命令是：

npm install -g @openai/codex

装完以后需要先登录账号再使用：

codex login

但这里有一个高频问题，而且热词里也出现了——很多人在命令行里敲npm会直接报错：

npm : 无法将“npm”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写，如果包括路径，请确保路径正确，然后再试一次。

这个报错的根源不是 Codex，而是 Node.js 没有安装，或者安装后没有把 npm 的路径写进系统的PATH环境变量。解决思路很常规：去 Node.js 官网下载 LTS 版本安装包，安装的时候勾选“Add to PATH”，装完以后重新打开终端，再执行node -v和npm -v验证环境变量是否生效。如果node -v能正常输出版本号，而npm -v还是报错，那就手动检查一下环境变量里有没有C:\Program Files\nodejs\这个路径，没有就补上。

还有一类情况是，明明已经安装了 Node.js，但 PowerShell 因为执行策略限制了脚本运行，导致 Codex 启动不了。这时可以用管理员权限执行Set-ExecutionPolicy RemoteSigned -Scope CurrentUser，然后再试。这个问题不属于 Codex 本身的Bug，但很多人会在这块耽误很久，先记录下来免得走弯路。

Codex 在本地的配置目录，Log 文件、历史会话信息都存在用户目录下。如果遇到登录状态失效，可以先执行codex logout再重新codex login。如果你用的是 ChatGPT 账号而不是 API key，需要留意账号的计划是否支持 Codex CLI 调用模型；如果不支持，会提示模型不可用或者直接无法调用。

提示：Codex CLI 的命令行交互支持两种模式。一种是直接在终端里进入交互式会话，适合边聊边改；另一种是用codex exec "你的提示词"这种单次调用模式，适合在自动化脚本里把 Codex 当命令行工具调用。

2.2 如何把需求“翻译”成 Codex 能理解的任务

用好 Codex 的核心技巧是“翻译需求”。我们习惯了跟人沟通的时候省略大量的上下文，比如“把这三个文件合并一下”，同事可能因为熟悉业务而理解你想干嘛，但 Codex 不会。它看到的是一句话，它会按最通用的方式理解，而这往往不是你要的方式。

我常用的做法是“三段式提示词”结构。

第一段是背景设定，告诉 Codex 现在面对的数据长什么样，每份文件有哪些列，路径在哪里。第二段是处理逻辑，用分步列表把合并规则写清楚，比如去重规则、缺失值填充规则、金额汇总规则。第三段是输出约定，规定脚本文件的命名、脚本执行方式、输出文件的列顺序，以及是否可以生成一个独立的测试脚本。

举一个实际提示词的例子：

背景：我有三个 CSV 文件。 - users.csv：列有 user_id, user_name, city, register_date - orders.csv：列有 order_id, user_id, order_date, amount - order_items.csv：列有 order_id, product_id, quantity, unit_price 任务： 1. 以 orders.csv 为主表，LEFT JOIN users.csv，关联键为 user_id。 2. 将 order_items.csv 按 order_id 分组，求出每个订单的商品行数 item_count 和商品总数量 total_quantity，再合并到主表。 3. 输出列顺序为：order_id, order_date, user_id, user_name, city, amount, item_count, total_quantity, register_date。 4. 如果 user_id 在 users.csv 中找不到，user_name 填充为 UNKNOWN。 5. 输出文件为 merged_output.csv，编码使用 UTF-8 with BOM。 6. 另外写一个 test_merge.py 脚本，用于验证输出的行数是 orders.csv 行数，且合计金额等于 orders.csv 中 amount 的总和。

这段提示词下来，Codex 基本能写出一个可用度很高的脚本。它甚至会把测试脚本也处理好。需要注意：不要一次性要求太多逻辑，如果合并规则特别复杂，拆成两步让 Codex 先处理第一步，再把第一步的输出作为第二步的输入，这样调试起来也方便。

还有一个小技巧：Codex 提供的方案不一定只有一种，如果它给的是 pandas 实现而你不想引入依赖，可以明确要求“不要使用 pandas，只用 Python 标准库”。反过来，如果数据量非常大，几百万行级别，我会要求它用 pandas 的 chunk 分块处理，防止内存爆掉。

2.3 与 Codex 协作的两种工作流

实际干活的时候，Codex 有两种工作流非常顺手。

一种是“先让它写，我审完再跑”的离线模式。我会把上面的完整提示词存成一个 Markdown 文件，然后让 Codex 一次性读取并生成代码。这样做的好处是提示词本身可记录、可复盘、可复用。下次遇到类似项目，只需要改文件路径和列名，提示词的骨架完全不用动。

另一种是“边跑边改”的在线交互模式。先让 Codex 生成一个初版脚本，我拿到本地跑一遍，把运行报错原样粘贴给 Codex，它可以基于报错信息自己修复。这个过程可能会来回几轮，但每一轮 Codex 都能学到更多上下文，最后给出来的脚本往往比我直接写还要完善。

第二种模式比较考验耐心。有一次 Codex 第一版生成的脚本读取 CSV 时没有指定编码，系统默认用了 UTF-8，但我的 CSV 文件是 GBK 编码，跑出来全是乱码。我把报错信息中的乱码结果贴给它，它马上意识到是编码问题，立刻改成了encoding='gbk'。这就是在线迭代模式的好处——不需要人工去定位问题根因，直接把现象交给 AI，它自己会尝试修复。

3. 完整脚本的设计与实现

3.1 表结构设计与合并策略

动手写脚本之前，先把数据模型理清楚。三份 CSV 的关系其实很像一个最简单的星型模型：订单主表是事实表，用户信息是维度表，商品明细是另一个维度信息，但它跟订单是一对多关系，所以不能直接 LEFT JOIN，得先聚合。

我拿到的示例文件长这样：

users.csv

orders.csv

order_items.csv

合并策略就是：orders为主表，先把users通过user_id连进来，再把order_items按order_id聚合出item_count和total_quantity，最后得到一张宽表。注意orders里的amount和明细表里的quantity * unit_price不一定相等，因为订单金额可能包含优惠，所以在输出里两个字段都要保留，方便核对。

3.2 脚本实现的两种方案

方案一：用 pandas 实现，代码量少，可读性好。方案二：用纯标准库 csv + dict 实现，额外依赖为零，但代码相对啰嗦。两者各有适用场景，如果机器上有 pandas 就直接用方案一，如果没有就方案二。我不建议在这上面太纠结，能跑通、结果正确才是第一位。

下面是方案一的完整代码（其实这就是 Codex 生成后，我做了一点微调的实际版本）：

import pandas as pd # 1. 读取三份CSV users = pd.read_csv("users.csv", dtype={"user_id": str}) orders = pd.read_csv("orders.csv", dtype={"order_id": str, "user_id": str}) items = pd.read_csv("order_items.csv", dtype={"order_id": str}) # 2. 明细表按订单聚合 items_summary = ( items.groupby("order_id") .agg(item_count=("product_id", "count"), total_quantity=("quantity", "sum")) .reset_index() ) # 3. 订单主表关联用户信息（左连接） merged = orders.merge(users, on="user_id", how="left") # 4. 再关联聚合后的明细信息 merged = merged.merge(items_summary, on="order_id", how="left") # 5. 处理缺失值 merged["user_name"] = merged["user_name"].fillna("UNKNOWN") merged["city"] = merged["city"].fillna("") merged["item_count"] = merged["item_count"].fillna(0).astype(int) merged["total_quantity"] = merged["total_quantity"].fillna(0) # 6. 选择并调整列顺序 output_cols = [ "order_id", "order_date", "user_id", "user_name", "city", "amount", "item_count", "total_quantity", "register_date" ] merged = merged[output_cols] # 7. 输出 UTF-8 with BOM，避免Excel打开中文乱码 merged.to_csv("merged_output.csv", index=False, encoding="utf-8-sig") print(f"合并完成，输出行数: {len(merged)}")

这段代码里几个值得注意的点：读 CSV 时用dtype把 ID 列强制转为字符串，避免user_id是001这种格式时被 pandas 自动识别成整数而丢失前导零；连接时是左侧连接；聚合时用count和sum。数据量到百万行级时，pandas 也能扛住，但如果超过一千万行，建议改用polars或者用dask分块处理，不过那种规模下 CSV 早就不是最佳存储格式了。

方案二用纯标准库实现的核心思路是：把users读成一个以user_id为键的字典，把items读成一个以order_id为键的聚合字典，然后再逐行读取orders，按规则组合字段。

import csv from collections import defaultdict def load_users(path): users = {} with open(path, "r", encoding="utf-8-sig", newline="") as f: for row in csv.DictReader(f): users[row["user_id"]] = row return users def load_items_summary(path): summary = {} with open(path, "r", encoding="utf-8-sig", newline="") as f: for row in csv.DictReader(f): oid = row["order_id"] if oid not in summary: summary[oid] = {"item_count": 0, "total_quantity": 0} summary[oid]["item_count"] += 1 summary[oid]["total_quantity"] += float(row["quantity"]) return summary users = load_users("users.csv") items = load_items_summary("order_items.csv") with open("orders.csv", "r", encoding="utf-8-sig", newline="") as f, \ open("merged_output.csv", "w", encoding="utf-8-sig", newline="") as out: reader = csv.DictReader(f) fieldnames = ["order_id", "order_date", "user_id", "user_name", "city", "amount", "item_count", "total_quantity", "register_date"] writer = csv.DictWriter(out, fieldnames=fieldnames) writer.writeheader() for row in reader: uid = row["user_id"] oid = row["order_id"] user = users.get(uid, {}) item = items.get(oid, {"item_count": 0, "total_quantity": 0}) writer.writerow({ "order_id": oid, "order_date": row["order_date"], "user_id": uid, "user_name": user.get("user_name", "UNKNOWN"), "city": user.get("city", ""), "amount": row["amount"], "item_count": item["item_count"], "total_quantity": item["total_quantity"], "register_date": user.get("register_date", ""), })

纯标准库的代码看起来多，但目的其实就是把 pandas 的merge拆成两次手动字典查找，效率不低，也没有外置依赖。如果你只是偶尔跑一次，直接用它就完了。

3.3 让 Codex 生成脚本的完整提示词示例

我自己在实际操作的时候，通常会把下面这段提示词原封不动丢给 Codex。它涵盖了输入文件、关联逻辑、缺失值处理、输出格式和测试要求，几乎没有给 Codex 留下“自由发挥”的空间。

请帮我写一个 Python 脚本 merge_csv.py。 背景： - users.csv：列有 user_id, user_name, city, register_date - orders.csv：列有 order_id, user_id, order_date, amount - order_items.csv：列有 order_id, product_id, quantity, unit_price 三个文件均使用 UTF-8 with BOM 编码。 要求： 1. 以 orders.csv 为主表，左侧关联 users.csv，关联键 user_id。 2. order_items.csv 按 order_id 聚合，计算 item_count（行数）和 total_quantity（quantity 之和），再左侧关联到主表。 3. 输出 merged_output.csv，编码 utf-8-sig。 4. 输出列顺序为：order_id, order_date, user_id, user_name, city, amount, item_count, total_quantity, register_date。 5. 用户关联不到的 user_name 填 UNKNOWN，city 填空字符串，明细聚合不到的行 item_count 填 0，total_quantity 填 0。 6. 所有 ID 字段按字符串处理，防止前导零丢失。 7. 脚本运行时打印输出文件的行数。 同时再写一个 test_merge.py 作为验收测试，内容包含： - 读取 merged_output.csv 并检查行数等于 orders.csv 行数 - 检查 merged_output.csv 的 amount 合计等于 orders.csv 的 amount 合计 - 检查所有必需列都存在 - 用示例数据构造一个小数据集跑一遍合并逻辑，并断言关键结果

这份提示词的效果非常稳定，Codex 会直接生成两个文件，连测试数据的构造都能帮你想好。我的经验是，提示词里凡是涉及“列名”的地方，一个都不能错；如果输入列名和实际 CSV 对不上，脚本跑起来就会 KeyError，反复修还不如一开始把列名核对清楚。

4. 验收测试：不只是跑一遍就完事

4.1 验收清单：从行数到MD5

脚本跑完，生成了merged_output.csv，第一反应是打开看看，但我建议别急着 “看”，按下面清单逐项检查，避免漏掉隐藏问题。

1. 行数校验：输出行数必须等于orders.csv行数。因为合并以订单主表为主表做左连接，任何合法的左连接都不应该减少行数。如果减少了，说明 Codex 在某个环节做了去重，需要回去检查脚本。
2. 字段校验：输出文件必须包含需求里的九个列，且列名完全一致。多余列可以接受，但缺失列意味着后面报表组的同事会直接跑不通。
3. 金额校验：输出文件里amount列求和应该等于原始orders.csv里amount列求和。这个校验放在测试脚本里自动化执行，避免每次人工核对。
4. 关联率校验：user_name为UNKNOWN的行数占总行数的比例。如果预期所有用户都能关联上，而实际关联率很低，那大概率是文件里出现了空格或者编码问题，导致关联键匹配不上。
5. 明细聚合校验：随机挑几个订单，手工去order_items.csv里加一下商品行数和数量，确认聚合结果正确。
6. MD5完整性校验：记录输出文件的 MD5 值，便于后续任何人拿到这个文件，都能验证它跟验收时保持一致。这一步不能省，尤其当文件要发给多个部门，或者要存档留痕的时候。

其实第1到第5条已经覆盖了业务正确性，第6条MD5更像是一把“锁”。但数据交付这件事上，没有这把锁，后面万一文件被篡改或者传输损坏，你连说不清都做不到。所以，做数据文件验收，MD5几乎是标配。

另外我还想提一个容易被忽视的细节：文件在传输过程中是否被修改，或者系统之间编码转换是否引入了不可见字符。用 Excel 打开时你会觉得“看起来正常”，但用脚本读的时候就发现列名末尾多了个空格，或者 BOM 头没去掉。MD5 校验在本地跑不出问题，但它无法校验业务内容是否正确，所以 MD5 不能替代前面的业务校验。

4.2 用 MD5 做文件完整性校验的具体方法

MD5 校验本身不复杂，麻烦的是操作环境不一样，方法也不同。

Windows 的 PowerShell 里，用Get-FileHash命令：

Get-FileHash -Path .\merged_output.csv -Algorithm MD5

macOS 或者 Linux 终端里，用md5或者md5sum：

md5 merged_output.csv md5sum merged_output.csv

两个环境输出的 MD5 值理论上应该一致，只要文件内容完全相同。如果签发给别人的文件哈希值和本地不一致，不用看内容，直接判定这个文件有问题，要么重新生成，要么重新传输。

如果想让 Codex 在验收测试里顺手把这个校验也做了，可以在提示词里加一句：“在 test_merge.py 中增加对输出文件的 MD5 计算，并将哈希值打印出来。”这样测试跑完，终端里直接能看到哈希值，再配合md5sum手动比对，双保险。

4.3 Codex生成的测试代码如何组织

Codex 生成的test_merge.py一般会包含一段 pytest 风格的测试代码。我会建议不要直接跑python test_merge.py，而是先搭一个小型测试目录，把示例数据放进去，再跑测试，确保脚本真的能处理边界情况，而不是只在你的大文件上跑通一次就算完。

我的测试目录结构是这样的：

project/ ├── merge_csv.py ├── test_merge.py ├── sample/ │ ├── sample_users.csv │ ├── sample_orders.csv │ └── sample_order_items.csv └── merged_output.csv

sample目录里放的是我手工构造的数据，数据量很小，三五行就够了，但刻意把边界情况放进去。比如一个不在users.csv里的user_id，一个没有明细行的订单，一个数量为 0 的明细行。测试脚本断言的就是合并结果对各种边界情况的处理。

Codex 生成的测试代码一般长这样：

import pandas as pd def test_output_row_count(): orders = pd.read_csv("sample/sample_orders.csv", dtype={"order_id": str}) merged = pd.read_csv("merged_output.csv", dtype={"order_id": str}) assert len(merged) == len(orders) def test_amount_sum_matches(): orders = pd.read_csv("sample/sample_orders.csv") merged = pd.read_csv("merged_output.csv") assert abs(orders["amount"].sum() - merged["amount"].sum()) < 0.01 def test_required_columns_exist(): merged = pd.read_csv("merged_output.csv") expected_cols = [ "order_id", "order_date", "user_id", "user_name", "city", "amount", "item_count", "total_quantity", "register_date" ] for col in expected_cols: assert col in merged.columns def test_unknown_user_filled(): merged = pd.read_csv("merged_output.csv", dtype={"user_id": str}) assert "UNKNOWN" in merged["user_name"].values

这里要注意一点：Codex 生成的测试代码，默认读的文件路径可能是相对路径。如果你的真实文件不在同一目录，测试直接跑会报 FileNotFoundError。所以我每次都会把脚本和真实数据放在同一个目录，或者把测试设计成接收命令行参数来指定文件路径，这样更灵活。

5. 实操中高频问题与排查思路

5.1 编码问题是CSV合并第一坑

跟 CSV 打了这么久的交道，最折磨人的永远是编码。中文环境下导出的 CSV 最常见的编码是GBK或GB18030，少量系统能导出UTF-8。但 Windows 上的 Excel 打开UTF-8无 BOM 的文件时会乱码，打开GBK用 pandas 默认 UTF-8 读取时也会乱码。

解决方案是在脚本里显式指定编码，不要依赖默认值。如果你不确定文件是 UTF-8 还是 GBK，可以先用文本编辑器（VSCode、Notepad++）打开看一眼，或者用 Python 直接试读：

with open("orders.csv", "r", encoding="utf-8-sig") as f: print(f.read(200))

如果抛出UnicodeDecodeError，大概率是 GBK。再把encoding换成gbk试读。归档输出时，我优先推荐utf-8-sig，因为它带 BOM，Excel 双击打开不会乱码，同时绝大多数 Python 脚本也能正常读取。如果你的下游工具不支持 BOM，那就选utf-8。

5.2 环境问题：npm、git等命令找不到

热词里频繁出现“npm无法识别”和“git无法识别”，这说明很多人在 Windows 上跑 Codex 之前，就卡在环境依赖上了。这类问题几乎都跟PATH环境变量有关。

排查方法很简单，先看自己装了没有。打开 PowerShell，执行：

where.exe npm where.exe git

如果输出的是“找不到”，说明压根没有安装。Git 去官网下载安装包，Node.js 去官网下载 LTS 版本。如果where.exe能找到路径，但命令行还是提示无法识别，大概率是环境变量没刷新，重启终端试试。还有一种情况是可以用npm.cmd而不是npm，在某些 PowerShell 环境下用npm.cmd能绕过别名冲突。

5.3 Codex运行时的上下文限制与模型限制

在实际让 Codex 干活的过程中，我遇到过几次报错，提示模型上下文长度超限，例如：

error running remote compact task: codex ran out of room in the model's context

这个的意思是，对话历史太长，模型上下文窗口装不下了。Codex 会因为上下文过长不得不压缩之前的对话内容，有时候压缩后它忘了需求里的一些细节，生成的代码就跟第一版不一致。

应对方法有两个：一是把大任务拆成小任务。不要让 Codex 在同一个会话里既写合并脚本，又写测试脚本，又分析报错。写合并脚本就到生成脚本为止，接下来新建一个会话让它写测试，再新建一个会话贴报错让它修。二是把关键需求固定在提示词里，不要指望 Codex 记得前面讲过的话，每开一个新会话就把核心需求重新粘贴一遍。

还有一次遇到模型相关的报错：

the 'gpt-5.6-sol' model is not supported when using codex with a chatgpt account

这个报错的原因是账号或模型配置问题，本质上是说当前账号类型不支持指定模型。解决方式是查看当前可用的模型配置，或者改用官方支持的模型名称。遇到这类模型配置问题，不要试图绕过，直接在 Codex 配置里调整模型参数即可。

平台类工具迭代快，今天支持的模型明天可能就被加了限制，官方更新说明要多留意。我不建议把这类问题想成“Bug”，它就是产品边界，顺着边界走才能省力。

6. 数据验证不只是测完就结束

回到项目本身。让 Codex 合并三份 CSV，表面上是生成脚本、跑通流程、输出一张宽表，但真正的价值在于建立一条可重复执行的数据流水线。下次再来三份 CSV，哪怕列名变了，只要把需求规格书里的列名替换一下，Codex 就能在几分钟之内生成新脚本，这就是把一次性手工活变成标准化产出的意义。

在实际操作中，我对这个流程的最终体会就是：Codex 的价值不在“帮你写代码”，而在“帮你把说不清楚的需求变成说得清楚的东西”。它逼迫你把自己的数据关系、字段含义、合并规则写清楚——这个过程本身就值得做。你写得越认真，Codex 给你返回的脚本就越接近你想要的；你随便写一句话，它就会给你一个“看起来差不多”但实际到处是坑的结果。

最后再分享一个小技巧：面对复杂的合并需求，不要一次全丢给 Codex，先让它处理第一个关联逻辑，跑通后保存中间结果，再让它在这个中间结果基础上做下一步。这样每一步的输出都可以单独验收，出问题也容易定位，比一步到位更稳。毕竟数据合并这种事，结果对不对，永远是第一位的。