使用 Codex 构建测试，比传统 e2e 更好

虽未达到黑暗工厂水平，但这是向前迈出的一大步。与 Codex 进行头脑风暴，它...就是好用（好吧，花了6小时构建，但天哪，比老式的端到端测试好太多了。）