OpenAI Codex 使用

👥 适用人群：开发者、架构师、团队负责人、编程爱好者 🛤️ 学习路径：安装配置 → 基础使用 → 高级功能 → 团队协作 → 安全合规 → 实战案例

第一章：Codex 简介

1.1 什么是 Codex？

Codex 是 OpenAI 推出的 AI 编程助手，将 GPT 级别的推理能力与本地代码执行能力结合，让开发者用自然语言即可读取、修改、执行代码。

核心特点

特性	说明
🏠 本地运行	直接在电脑上运行，代码不离开本机
🔓 开源免费	Apache 2.0 许可，Rust 构建
🌍 跨平台	macOS / Linux / Windows
🔌 MCP 支持	连接 Model Context Protocol 扩展能力
⚡ 多种模式	suggest / auto-edit / full-auto
🧠 多智能体	并行运行多个 Agent 协同工作

Codex 的三种形态

① Codex CLI（终端版）

codex "帮我重构这个函数"

项目	说明
特点	轻量、快速、高度可配置
适用	终端用户、CI/CD 集成
技术	Rust 编写，性能极佳

② Codex IDE 插件

IDE	安装方式
VS Code	扩展商店搜索安装
Cursor	内置支持
Windsurf	内置支持

③ Codex App（桌面版）

项目	说明
特点	图形界面、多智能体并行、自动化工作流
适用	复杂项目管理、团队协作
平台	macOS / Windows

Codex vs Claude Code 对比

维度	🟦 OpenAI Codex	🟪 Anthropic Claude Code
底层技术	Rust（速度极快）	Node.js（生态兼容好）
开源	✅ Apache 2.0	❌ 闭源
核心哲学	精细控制、自定义	深度推理、自主思考
自定义扩展	⭐⭐⭐ 自定义 Slash 命令	⭐ CLAUDE.md
记忆文件	AGENTS.md	CLAUDE.md
适合人群	极客 / 架构师	业务开发者

💡 提示：两者并不冲突，很多开发者同时使用 Codex CLI + Claude Code，各取所长。

第二章：安装与配置

系统要求

要求	最低	推荐
操作系统	macOS 12+ / Ubuntu 20.04+ / Win 11	最新 LTS 版本
Node.js	v22+	v22 LTS
Git	2.23+	最新版
内存	4 GB	8 GB+

Codex CLI 安装

npm 全局安装（推荐）：

npm install -g @openai/codex

Homebrew（macOS / Linux）：

brew install --cask codex

二进制文件：前往 GitHub Releases 下载：

平台	文件名
macOS (Apple Silicon)	codex-aarch64-apple-darwin.tar.gz
macOS (Intel)	codex-x86_64-apple-darwin.tar.gz
Linux (x86_64)	codex-x86_64-unknown-linux-musl.tar.gz
Linux (arm64)	codex-aarch64-unknown-linux-musl.tar.gz

验证安装：

codex --version

Codex App 桌面端安装

macOS 安装

官网下载（推荐）：

访问 https://chatgpt.com/codex
点击 “Download for Mac” 下载 .dmg 文件
双击 .dmg → 将 Codex 拖入 Applications 文件夹 Homebrew Cask：

brew install --cask openai-codex

Windows 安装

官网下载（推荐）：

访问 https://chatgpt.com/codex
点击 “Download for Windows” 下载 .exe 安装包
双击运行安装程序，按向导完成安装 winget 命令安装：

winget install OpenAI.Codex

Microsoft Store：

打开 Microsoft Store
搜索 “OpenAI Codex”
点击安装

认证配置

方式一：ChatGPT 账号登录（推荐）

运行 codex 后选择 Sign in with ChatGPT：

计划	支持	Codex 免费额度
ChatGPT Free	✅	有限
ChatGPT Plus	✅	$5 / 30天
ChatGPT Pro	✅	$50 / 30天
ChatGPT Team	✅	按成员分配

方式二：API Key 配置

# ── Linux / macOS ──
# 永久
echo 'export OPENAI_API_KEY="sk-your-api-key-here"' >> ~/.bashrc
source ~/.bashrc

# ── Windows PowerShell ──
# 永久
[Environment]::SetEnvironmentVariable("OPENAI_API_KEY", "sk-your-api-key-here", "User")

配置文件路径

# Windows
C:\Users\[用户名]\.codex\
├── config.toml    ← 主配置文件
├── auth.json      ← 认证信息
└── AGENTS.md      ← 全局指导文件

基础配置示例

# ~/.codex/config.toml
 
# 模型配置
model = "o4-mini"
model_provider = "openai"
model_reasoning_effort = "high"
 
# 操作模式
approval_mode = "auto-edit"
 
# 隐私保护
disable_response_storage = true
 
# MCP 服务器
[mcp_servers]
github = { command = "npx", args = ["-y", "@modelcontextprotocol/server-github"] }

第三章：OpenAI 订阅指南

订阅计划全景

计划	月费	Codex 额度	适合人群
Free	$0	基础体验	试用者
Plus	$20/月	$5 / 30天	个人开发者
Pro	$200/月	$50 / 30天	重度用户
Team	$25/人/月	按成员分配	小团队
Enterprise	定制	自定义	企业

各计划详细权益

🆓 Free 免费版

✅ 可使用 Codex CLI 和 App
✅ 访问 GPT-4o mini
⚠️ 严重限速，高峰期需排队

⭐ Plus 订阅（最推荐入门）

✅ 无限 GPT-4o 访问
✅ o3 / o4-mini 推理模型
✅ Codex 专用额度 $5 / 月
✅ DALL·E 图片生成
✅ GPTs 商店访问
✅ 优先响应，无需排队

🚀 Pro 订阅（重度用户首选）

✅ Plus 的全部权益
✅ 无限 o3-pro 推理模型
✅ Codex 专用额度 $50 / 月
✅ 更高的速率限制
✅ 早期体验新功能

API 模式费用估算

模型	输入 / 1M tokens	输出 / 1M tokens	适合任务
o4-mini	$1.10	$4.40	日常开发（推荐）
gpt-4o	$2.50	$10.00	中等复杂度
o3	$10.00	$40.00	复杂推理

省钱技巧

技巧	说明	节省幅度
🎯 用 o4-mini 做简单任务	便宜 90%	⭐⭐⭐
📝 精简提示词	减少上下文 Token	⭐⭐
🔄 /compact 定期压缩	避免上下文过长	⭐⭐
💳 Plus 订阅	获 $5 免费额度	⭐⭐⭐
📊 设 API 花费上限	platform.openai.com 设置	防止超支

中国大陆用户支付方案

方案一：虚拟信用卡（推荐）

服务	注册门槛	手续费	推荐度
WildCard	低，支付宝认证	~2%	⭐⭐⭐
Dupay	低	~3%	⭐⭐⭐
Depay	中	~2.5%	⭐⭐

方案二：API 预付费（无需订阅）

访问 https://platform.openai.com
注册账号并充值 API Credits
使用 API Key 模式运行 Codex（按量计费）

第四章：基础使用

启动方式

方式	命令	说明
交互模式	codex	进入对话界面
直接提问	codex “解释项目结构”	单次执行
指定模型	codex -m o4-mini “简单任务”	临时切换模型

三种操作模式

模式	说明	自主程度	适用场景
suggest	只建议，不执行	🔒 最安全	阅读 / 分析代码
auto-edit	自动编辑，需确认	⚖️ 平衡	修改代码（默认）
full-auto	自动执行一切	⚡ 最快	批量重构（谨慎）

指定模式：

codex -a suggest "重构这个函数"
codex -a auto-edit "添加错误处理"
codex -a full-auto "运行测试并修复错误"

基础交互示例

代码分析：

codex "分析这个函数的时间复杂度"
codex "找出代码中的潜在 bug"
codex "这个模块的依赖关系是什么？"

代码生成：

codex "为这个类写一个单元测试"
codex "生成 TypeScript 类型定义"
codex "根据注释生成实现代码"

代码修改：

codex "将这个函数改为异步实现"
codex "添加输入参数验证"
codex "重构为更小的函数"

命令行参数速查

codex [options] [prompt]
 
  -m, --model <model>          指定模型
  -a, --approval-mode <mode>   设置操作模式
  -q, --quiet                  安静模式
  --profile <name>             使用配置文件
  --help                       帮助
  --version                    版本号

第五章：斜杠命令大全

会话与流程控制

命令	功能	典型场景
/new	新建会话	上一个任务结束
/undo	撤销上一步	Codex 改错代码
/exit	退出程序	下班 / 切换项目
/logout	登出账号	切换 OpenAI 账号
/resume	恢复对话	继续之前的工作
/fork	分叉线程	工作出现分支
/compact	压缩历史	对话过长变慢

配置与权限

命令	功能	典型场景
/approvals	设置权限模式	控制自动化程度
/model	切换模型	简单任务用 mini 省钱
/status	查看状态	Token 使用量
/mcp	管理 MCP 工具	调试外部连接

权限模式详解

/approvals 可选模式：
 
1️⃣ Auto（默认推荐）
   • 读取文件 → 自动执行
   • 修改文件 / 运行命令 → 按 Enter 确认
 
2️⃣ Read Only（只读）
   • 只能读取，不能修改
   • 适合审查敏感代码
 
3️⃣ Full Access（全自动）
   • 拥有完全终端控制权
   • ⚠️ 慎用！适合大规模重构

上下文与记忆

命令	功能	典型场景
/init	初始化项目，生成 AGENTS.md	项目必做第一步
/mention	提及文件，加入上下文	Codex 找不到文件时
/diff	查看变更（Git Diff）	提交前检查
/review	代码审查	让 AI 充当 Reviewer

动作与高级功能

命令	功能	典型场景
/plan	Plan 模式，先规划后执行	复杂任务
/agent	多代理切换	多智能体协作
/skills	浏览技能	探索功能
/theme	语法高亮主题	个性化
/apps	ChatGPT apps	扩展能力

自定义斜杠命令 🔥 —— 杀手级功能

Codex 允许你编写自己的斜杠命令，只需创建 Markdown 文件！

创建方法：

mkdir -p ~/.codex/prompts
# 文件名 = 命令名

示例：安全审计命令

创建 ~/.codex/prompts/security-audit.md：

# Security Audit
 
请扫描当前代码库，查找以下漏洞：
1. SQL 注入
2. 硬编码的密钥
3. XSS 漏洞
4. 不安全的依赖
 
生成 Markdown 报告，包含：漏洞位置、严重程度、修复建议

使用：

codex
> /security-audit     # 一键执行整套安全审计！

更多示例：

~/.codex/prompts/daily-report.md：

# Daily Report
分析今天的代码提交，生成日报：
1. 列出所有提交  2. 按模块分类  3. 统计变更量  4. 标注重要改动

~/.codex/prompts/fix-bug.md：

# Fix Bug Workflow
1. 运行测试找出失败用例  2. 分析原因  3. 修复  4. 重测  5. 提交

第六章：AGENTS.md 配置指南

AGENTS.md 的作用

自动加载进上下文，定义 Codex 在仓库中的工作方式：

作用	示例
仓库结构	关键目录和文件说明
运行方式	构建 / 测试 / lint 命令
工程规范	代码风格、命名约定
PR 期望	标题格式、审查要求
约束	禁止模式、敏感文件
验证	完成标准、自测步骤

基础模板

# AGENTS.md
 
## 项目概述
Next.js 14 项目，App Router + Tailwind CSS。
 
## 目录结构
- /src/app        → 页面路由
- /src/components → 可复用组件
- /src/lib        → 工具函数
- /src/types      → TypeScript 类型
 
## 开发命令
- npm run dev   → 启动开发服务器
- npm run build → 构建生产版本
- npm run test  → 运行测试
- npm run lint  → 代码检查
 
## 代码规范
- TypeScript，禁止 any
- 函数式组件 + Hooks
- Tailwind，不写内联 CSS
- 文件命名 kebab-case
 
## 测试要求
- 新功能必须写测试
- 覆盖率 > 80%
- Vitest + Testing Library
 
## PR 规范
- 标题：type(scope): description
- 必须通过 CI
- 至少一个 Reviewer
 
## 禁止事项
- ❌ 直接修改 node_modules
- ❌ 提交 .env 文件
- ❌ 跳过测试提交

多层级配置

~/.codex/AGENTS.md          ← 全局（个人偏好）
项目根目录/AGENTS.md          ← 项目（团队规范）
项目子目录/AGENTS.md          ← 模块（局部规则）
 
优先级：子目录 > 项目根 > 全局

保持简洁

📏 一份简短准确的 AGENTS.md 比充斥模糊规则的长文件更有用。

建议：

先从基础规则入手
发现重复错误后才添加新规则
让 Codex 自己更新

# 当 Codex 犯了两次同样的错误
> 请回顾这次错误，并更新 AGENTS.md 以防止再次发生

第七章：MCP 服务器集成

什么是 MCP？

MCP（Model Context Protocol）是开放协议，让 AI 模型连接外部工具和服务。

传统	MCP
手动复制粘贴	自动获取实时数据
记住 API 用法	直接调用工具
信息容易过时	始终最新

配置方法

命令行

codex mcp add openaiDeveloperDocs --url https://developers.openai.com/mcp
codex mcp list           # 查看
codex mcp remove <name>  # 移除

配置文件（~/.codex/config.toml）

[mcp_servers]
github     = { command = "npx", args = ["-y", "@modelcontextprotocol/server-github"] }
filesystem = { command = "npx", args = ["-y", "@modelcontextprotocol/server-filesystem"] }
postgres   = { command = "npx", args = ["-y", "@modelcontextprotocol/server-postgres"] }
slack      = { command = "npx", args = ["-y", "@modelcontextprotocol/server-slack"] }

常用 MCP 服务器

服务器	功能	典型用途
🔗 GitHub	Issue / PR / 分支管理	代码审查自动化
🗄️ PostgreSQL	SQL 查询 / 结构查看	数据库管理
📁 Filesystem	文件读写	跨项目文件操作
💬 Slack	发消息 / 读频道	团队通知

第八章：Skills 技能系统

设计原则

一个技能 = 一项工作 + 明确输入/输出 + 清晰触发词

检查清单：

2-3 个具体用例

输入格式

输出格式

使用场景说明

触发短语

创建技能

文件结构：

~/.agents/skills/
└── my-skill/
    └── SKILL.md    ← 核心文件

SKILL.md 模板：

---
name: 日志分类器
description: 自动分析日志内容并分类
triggers:
  - "帮我分析日志"
  - "log analysis"
inputs:
  - 日志文件路径或文本
outputs:
  - 分类报告 + 异常统计
---
 
# 日志分类器
 
## 功能说明
自动识别 ERROR / WARNING / INFO / DEBUG
 
## 输出格式
统计摘要 + 异常详情 + 修复建议

技能管理

> /skills            # 浏览技能
> $skill-installer   # 安装技能
> $skill-creator     # 创建技能
 
# 位置
~/.agents/skills/              # 个人
项目根目录/.agents/skills/      # 团队共享

第九章：Codex App 桌面版

核心功能

① 多智能体并行

┌─────────────────────────────────────┐
│         Codex App 指挥中心            │
├─────────────────────────────────────┤
│  🤖 Agent 1 → 前端开发               │
│  🤖 Agent 2 → 后端 API              │
│  🤖 Agent 3 → 测试验证              │
│  🤖 Agent 4 → 文档编写              │
└─────────────────────────────────────┘
每个 Agent 在独立工作树中运行，互不干扰

② Skills 技能沉淀

将团队规范打包复用：前端规范 / API 规范 / 数据库规范 / 安全清单 / 部署流程

③ Automations 自动化

任务	频率
代码提交汇总	每天下班前
Bug 扫描	每次 PR
发布说明	发布时
CI 故障检查	每天早上

Codex App vs CLI

功能	CLI	App
界面	终端	图形
多智能体	❌	✅
自动化	❌	✅
技能管理	基础	完整
多项目	手动	可视化
适合	个人	团队

桌面操控能力（2026年4月新功能）

功能	说明
🖱️ 光标控制	独立光标，实时查看屏幕
📱 应用操控	点击元素、输入文字
🧠 智能记忆	保存偏好和工作流
⏰ 长期调度	跨天/跨周推进项目

使用场景：

> 请打开我的电商后台
> 点击"商品管理"页面
> 截图检查当前界面
> 测试添加商品功能

第十章：API 高级用法

流式输出（Streaming）

流式输出让响应实时逐步返回，无需等待完整生成。

Python 示例：

from openai import OpenAI
 
client = OpenAI()
 
stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一个代码审查助手。"},
        {"role": "user", "content": "审查这段代码的安全性问题：..."}
    ],
    stream=True
)
 
for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Node.js 示例：

const stream = await openai.chat.completions.create({
    model: "gpt-4o",
    messages: [{ role: "user", content: "解释这段代码的作用" }],
    stream: true,
});
 
for await (const chunk of stream) {
    process.stdout.write(chunk.choices[0]?.delta?.content || "");
}

函数调用（Function Calling）

函数调用让模型结构化地请求执行操作，是 MCP 的底层机制。

定义函数：

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["city"]
            }
        }
    }
]
 
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools,
    tool_choice="auto"
)
 
message = response.choices[0].message
if message.tool_calls:
    for tool_call in message.tool_calls:
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)
        if function_name == "get_weather":
            result = get_weather(**function_args)
        messages.append(message)
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": str(result)
        })

批量任务处理

批量代码审查：

def batch_review(directory, pattern="*.py"):
    """批量审查目录下的所有 Python 文件"""
    import glob
    files = glob.glob(os.path.join(directory, "**", pattern), recursive=True)
    results = []
    for file_path in files:
        with open(file_path, 'r', encoding='utf-8') as f:
            code = f.read()
        response = client.chat.completions.create(
            model="o4-mini",
            messages=[
                {"role": "system", "content": "你是代码审查专家。简洁指出问题。"},
                {"role": "user", "content": f"审查以下代码，列出问题：\n```\n{code}\n```"}
            ]
        )
        results.append({"file": file_path, "review": response.choices[0].message.content})
    return results

并行批量（更高效）：

import asyncio
from openai import AsyncOpenAI
 
client = AsyncOpenAI()
 
async def review_file(file_path):
    with open(file_path, 'r') as f:
        code = f.read()
    response = await client.chat.completions.create(
        model="o4-mini",
        messages=[{"role": "user", "content": f"审查代码：\n{code[:4000]}"}]
    )
    return {"file": file_path, "review": response.choices[0].message.content}
 
async def batch_parallel(files, concurrency=5):
    semaphore = asyncio.Semaphore(concurrency)
    async def limited_review(fp):
        async with semaphore:
            return await review_file(fp)
    return await asyncio.gather(*[limited_review(f) for f in files])
 
results = asyncio.run(batch_parallel(file_list))

结构化输出

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "分析这个函数的复杂度"}],
    response_format={
        "type": "json_schema",
        "json_schema": {
            "name": "complexity_analysis",
            "schema": {
                "type": "object",
                "properties": {
                    "time_complexity": {"type": "string"},
                    "space_complexity": {"type": "string"},
                    "issues": {
                        "type": "array",
                        "items": {
                            "type": "object",
                            "properties": {
                                "type": {"type": "string"},
                                "severity": {"type": "string", "enum": ["low", "medium", "high"]},
                                "description": {"type": "string"}
                            }
                        }
                    }
                }
            }
        }
    }
)
analysis = json.loads(response.choices[0].message.content)

Embedding 与语义搜索

def code_search(query, code_files, top_k=5):
    """语义代码搜索"""
    query_embedding = client.embeddings.create(
        model="text-embedding-3-small",
        input=query
    ).data[0].embedding
 
    code_embeddings = []
    for fp in code_files:
        emb = client.embeddings.create(
            model="text-embedding-3-small",
            input=open(fp).read()[:8000]
        ).data[0].embedding
        code_embeddings.append((fp, emb))
 
    import numpy as np
    scores = []
    for fp, emb in code_embeddings:
        similarity = np.dot(query_embedding, emb) / (
            np.linalg.norm(query_embedding) * np.linalg.norm(emb)
        )
        scores.append((fp, similarity))
 
    scores.sort(key=lambda x: x[1], reverse=True)
    return scores[:top_k]

第十一章：竞品深度横评

六大竞品一览

维度	🟦 Codex	🟪 Claude Code	🟢 Cursor	🟡 Copilot	🔵 Windsurf	🟠 Aider	⬛ Devin
类型	CLI + App	CLI	IDE	IDE 插件	IDE	CLI	AI 员工
开源	✅	❌	❌	❌	❌	✅	❌
底层技术	Rust	Node.js	Electron	云端	Electron	Python	云端
价格	免费起	$20/月起	$20/月	$10/月	$15/月	免费+API	$500/月
多智能体	✅ App	❌	❌	❌	✅	❌	✅
MCP	✅	❌	❌	❌	❌	❌	❌
自定义命令	✅	❌	✅	❌	✅	✅	❌
代码执行	✅ 本地	✅ 本地	✅ 本地	❌	✅ 本地	✅ 本地	✅ 沙箱
适合人群	极客	业务开发	日常开发	初学者	全栈	极客	企业

逐一分析

🟦 OpenAI Codex

优势：

✅ 开源，完全自定义
✅ Rust 构建，速度极快
✅ MCP 生态扩展能力强
✅ 自定义斜杠命令 = 工作流自动化
✅ 多智能体并行（App）劣势：
⚠️ 推理深度不如 Claude Code
⚠️ 文档尚在完善
⚠️ 社区生态较新适合：追求控制力和效率的架构师/极客

🟪 Anthropic Claude Code

优势：

✅ 推理深度最强（Claude 3.5/4 系列）
✅ 自主思考能力强
✅ 超长上下文（200K tokens）
✅ 代码理解力出色劣势：
⚠️ 闭源，无法自定义底层
⚠️ 不支持 MCP
⚠️ 价格较高适合：需要深度推理的复杂项目

🟢 Cursor

优势：

✅ IDE 体验最好
✅ 多模型切换（GPT/Claude/Gemini）
✅ 代码补全体验流畅
✅ 上下文感知精准劣势：
⚠️ 闭源，订阅制
⚠️ 无 CLI 模式
⚠️ 不支持多智能体适合：日常开发，IDE 党首选

🟡 GitHub Copilot

优势：

✅ 生态最广（VS Code 内置）
✅ 价格最低（$10/月）
✅ 企业方案成熟劣势：
⚠️ 功能最基础
⚠️ 无法执行代码
⚠️ 不支持自定义工作流适合：初学者、轻量使用

🔵 Windsurf（Codeium）

优势：

✅ Cascade 流式推理
✅ 多智能体协作
✅ 免费版功能丰富适合：追求性价比的全栈开发者

🟠 Aider

优势：

✅ 开源，Python 编写
✅ 支持多模型
✅ Git 集成最好
✅ 完全免费适合：终端极客、Git 工作流重度用户

⬛ Devin（Cognition）

优势：

✅ 完全自主，接近人类员工
✅ 可独立完成端到端任务劣势：
⚠️ 极贵（$500/月）
⚠️ 完全云端，代码离开本机
⚠️ 不透明，难以审计适合：预算充足的企业团队

选型决策树

你的首要需求是什么？
│
├─ 🎯 精细控制 & 自定义 → Codex CLI
├─ 🧠 深度推理 & 复杂逻辑 → Claude Code
├─ 🖥️ IDE 体验 & 日常开发 → Cursor
├─ 💰 最低成本入门 → Copilot
├─ ⚡ 性价比 & 多模型 → Windsurf / Aider
└─ 🏢 全自动 AI 员工 → Devin

组合使用策略

策略	工具组合	场景
🏆 黄金组合	Codex CLI + Cursor	Codex 做架构/重构，Cursor 做日常编辑
🧠 深度思考	Claude Code + Codex	Claude 做推理，Codex 做执行
💰 穷人方案	Aider + Copilot Free	Aider 做复杂任务，Copilot 做补全
🏢 企业方案	Codex App + Copilot Business	App 做项目管理，Copilot 做团队补全

第十二章：安全与隐私

数据处理流程

你的代码
    ↓
本地 Codex（CLI/App）
    ↓ 加密传输
OpenAI API 服务器
    ↓ 生成响应
本地 Codex
    ↓
返回结果（仅本地）
 
⚠️ 代码会在传输过程中到达 OpenAI 服务器
⚠️ 但不会被用于训练（付费用户）
✅ 传输过程使用 TLS 加密

关键数据策略

计划	数据用于训练	数据保留	审计日志
Free	可能	30天	❌
Plus/Pro	❌	30天	❌
Team	❌	可配置	✅
Enterprise	❌	可配置	✅
API 模式	❌	不保留	✅

💡 最安全的模式：使用 API Key + disable_response_storage = true，代码不会被存储。

沙箱与隔离机制

隔离层级：

Level 1: 网络隔离 → Codex 不主动发送数据到外部
Level 2: 文件系统隔离 → suggest 模式只读，auto-edit 需确认
Level 3: 命令执行隔离 → 危险命令需确认，full-auto 有执行白名单
Level 4: Agent 隔离（App）→ 每个 Agent 独立工作树，互不干扰

安全配置示例

# ~/.codex/config.toml — 安全配置
 
disable_response_storage = true
approval_mode = "auto-edit"
 
# 限制可执行的命令
[allowed_commands]
run_test = ["npm", "test"]
run_lint = ["npm", "run", "lint"]
run_build = ["npm", "run", "build"]
 
# 禁止的文件路径
[restricted_paths]
secrets = ".env*"
keys = "*key*"
certs = "*cert*"

敏感文件保护

AGENTS.md 中添加禁止规则：

## 禁止事项
- ❌ 不要读取 .env 文件
- ❌ 不要修改包含密钥的文件
- ❌ 不要执行包含 secrets 的命令
- ❌ 不要提交任何包含 API Key 的代码

企业合规审计

# audit.py — 企业安全审计脚本
 
def generate_security_report():
    """生成安全审计报告"""
    import os
    from pathlib import Path
 
    sensitive_patterns = ["api_key", "secret", "password", "token", ".env"]
    violations = []
 
    for root, dirs, files in os.walk("."):
        # 跳过 node_modules 和 .git
        dirs[:] = [d for d in dirs if d not in ["node_modules", ".git", "dist"]]
 
        for file in files:
            if file.endswith((".py", ".js", ".ts", ".json")):
                filepath = Path(root) / file
                try:
                    content = filepath.read_text(encoding="utf-8", errors="ignore")
                    for pattern in sensitive_patterns:
                        if pattern.lower() in content.lower():
                            violations.append({
                                "file": str(filepath),
                                "pattern": pattern,
                                "raw": content[max(0, content.lower().find(pattern.lower())-20):content.lower().find(pattern.lower())+50]
                            })
                except Exception:
                    pass
 
    return violations

第十三章：团队协作方案

多角色权限配置

# ~/.codex/config.toml — 按角色配置
 
# Junior Developer（只读 + 小修改）
[junior]
approval_mode = "suggest"
allowed_dirs = ["src/components", "src/pages"]
 
# Senior Developer（自动编辑）
[senior]
approval_mode = "auto-edit"
allowed_dirs = ["src/**"]
 
# Tech Lead（全权限）
[lead]
approval_mode = "full-auto"
allowed_dirs = ["**"]

团队共享 Skills

团队技能目录：
团队 Git 仓库/.codex/skills/
├── pr-review.md           # PR 审查清单
├── test-generator.md       # 测试生成规范
├── api-doc.md             # API 文档规范
├── security-check.md       # 安全检查
└── deploy.md              # 部署流程

团队技能示例 pr-review.md：

# PR Review — 团队标准审查
 
## 审查清单
 
### 代码质量
- [ ] 命名规范
- [ ] 函数长度 < 50 行
- [ ] 无重复代码
- [ ] 类型定义完整
 
### 测试覆盖
- [ ] 新功能有测试
- [ ] 边界条件有测试
- [ ] 测试通过率 100%
 
### 安全性
- [ ] 无硬编码密钥
- [ ] 输入验证完整
- [ ] SQL 参数化
 
### 文档
- [ ] 公共 API 有文档
- [ ] 复杂逻辑有注释

CI/CD 集成

# .github/workflows/codex-review.yml
name: AI Code Review
 
on:
  pull_request:
    branches: [main, develop]
 
jobs:
  ai-review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0
 
      - name: Setup Codex
        run: npm install -g @openai/codex
 
      - name: Run AI Review
        env:
          OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
        run: |
          codex --model o4-mini --no-input "
          请审查以下 PR 变更，重点检查：
          1. 代码质量和风格
          2. 潜在的 Bug 和安全问题
          3. 测试覆盖
          4. 文档完整性
          "

代码库迁移流程

# 团队从旧工具迁移到 Codex
1️⃣ Tech Lead 安装并配置 Codex
2️⃣ 创建团队 AGENTS.md 并提交到 Git
3️⃣ 创建团队 Skills 库并同步
4️⃣ 新成员 clone 后自动继承配置
5️⃣ 逐步淘汰旧工具

第十四章：技术栈实战

React 技术栈

AGENTS.md 模板：

# AGENTS.md — React 项目
 
## 技术栈
- React 18 + TypeScript
- Vite (构建)
- TanStack Query (数据获取)
- React Router v6 (路由)
- Zustand (状态管理)
- Tailwind CSS (样式)
- React Hook Form + Zod (表单)
- Vitest + Testing Library (测试)
 
## 代码规范
- TypeScript，禁用 any
- 函数式组件 + Hooks
- Tailwind，不写内联 CSS
- 文件命名 kebab-case
 
## 常用命令
- npm run dev       → 启动开发
- npm run build     → 构建
- npm run test      → 测试
- npm run lint      → ESLint

高效提示词示例：

# 生成页面
codex "创建用户列表页面，使用 DataTable 组件，支持搜索和分页"
 
# 生成 API Hook
codex "为 /api/users 端点创建 useUsers Hook，使用 TanStack Query，包含类型定义"
 
# 调试
codex "这个组件在 SSR 时报 'window is not defined'，修复它"
 
# 测试
codex "为 UserList 组件编写测试，包含：加载状态、空数据、搜索过滤、分页切换"

Python 技术栈

AGENTS.md 模板：

# AGENTS.md — Python 项目
 
## 技术栈
- Python 3.12
- FastAPI (Web)
- SQLAlchemy 2.0 (ORM)
- Pydantic v2 (验证)
- pytest (测试)
- Ruff (Lint + Format)
 
## 代码规范
- 类型注解必须完整
- 使用 async/await
- Pydantic Model 做输入输出验证
- 依赖注入用 Depends()
 
## 常用命令
- uvicorn app.main:app --reload  → 开发
- pytest                          → 测试
- ruff check .                    → Lint

高效提示词：

# 生成 CRUD
codex "为 User 模型创建完整的 CRUD API，包含 Pydantic schema、路由、服务层"
 
# 数据库迁移
codex "创建 Alembic 迁移脚本，添加 User 表的 email_verified 字段"
 
# 测试
codex "为用户注册 API 编写 pytest 测试，覆盖：正常注册、重复邮箱、密码强度验证"

Go 技术栈

AGENTS.md 模板：

# AGENTS.md — Go 项目
 
## 技术栈
- Go 1.22
- Gin / Echo (HTTP)
- GORM (ORM)
- pgx (PostgreSQL driver)
 
## 代码规范
- 遵循 Effective Go
- 错误处理必须显式
- 接口定义在消费方
- 表驱动测试
 
## 常用命令
- go run ./cmd/server    → 启动
- go test ./...           → 测试
- go vet ./...            → 静态检查
- golangci-lint run       → Lint

Rust 技术栈

AGENTS.md 模板：

# AGENTS.md — Rust 项目
 
## 技术栈
- Rust 1.78+
- Tokio (异步运行时)
- Axum (Web)
- SQLx (数据库)
- Serde (序列化)
 
## 代码规范
- Clippy 零警告
- 所有 public API 必须有文档注释
- 错误使用 thiserror 定义
- 异步函数使用 async fn
 
## 常用命令
- cargo run              → 运行
- cargo test             → 测试
- cargo clippy           → Lint
- cargo fmt              → 格式化

第十五章：成本分析与管控

成本结构全景

直接成本：

成本项	月费	说明
ChatGPT Plus	$20	含 $5 Codex 额度
ChatGPT Pro	$200	含 $50 Codex 额度
API 额度	按量	o4-mini ~$1-5/月（轻度）
API 额度	按量	o3 ~$20-200/月（重度）

用量追踪

# track_usage.py — 每日用量追踪
from datetime import datetime, timedelta
from openai import OpenAI
 
client = OpenAI()
 
def get_daily_usage():
    """获取 API 使用量"""
    usage = client.billing.usage(
        start_date=(datetime.now() - timedelta(days=1)).strftime("%Y-%m-%d"),
        end_date=datetime.now().strftime("%Y-%m-%d")
    )
    return usage
 
PRICING = {
    "o4-mini": {"input": 1.10, "output": 4.40},
    "gpt-4o": {"input": 2.50, "output": 10.00},
    "o3": {"input": 10.00, "output": 40.00},
}
 
def estimate_cost(model, input_tokens, output_tokens):
    """估算单次调用成本"""
    price = PRICING.get(model, PRICING["o4-mini"])
    cost = (
        input_tokens / 1_000_000 * price["input"] +
        output_tokens / 1_000_000 * price["output"]
    )
    return cost
 
def monthly_projection(model, daily_tasks, avg_input=500, avg_output=800):
    """月度成本预测"""
    daily_cost = estimate_cost(model, avg_input, avg_output) * daily_tasks
    monthly_cost = daily_cost * 30
    return {
        "model": model,
        "daily_tasks": daily_tasks,
        "monthly_cost": f"${monthly_cost:.2f}",
    }

预算告警

# budget_alert.py — 每日检查 API 用量并发送告警
import os
import requests
from openai import OpenAI
from datetime import datetime
 
SLACK_WEBHOOK = os.environ.get("SLACK_WEBHOOK_URL")
MONTHLY_BUDGET = 50  # USD
 
def check_budget():
    client = OpenAI()
    usage = client.billing.usage(
        start_date=datetime.now().replace(day=1).strftime("%Y-%m-%d"),
        end_date=datetime.now().strftime("%Y-%m-%d")
    )
    total = usage.total_usage / 100
    percentage = (total / MONTHLY_BUDGET) * 100
    if percentage >= 80:
        emoji = "🔴" if percentage >= 100 else "🟡"
        requests.post(SLACK_WEBHOOK, json={
            "text": f"{emoji} Codex 预算告警\n当月使用：${total:.2f} / ${MONTHLY_BUDGET}\n已使用：{percentage:.1f}%"
        })
 
if __name__ == "__main__":
    check_budget()

ROI 计算

指标	无 AI	有 Codex	提升
功能开发时间	8h	4h	50% ⬆️
代码审查时间	2h	0.5h	75% ⬆️
Bug 修复时间	4h	2h	50% ⬆️
月度成本	$0	$20-50	-
月度节省	-	~40h	-

ROI 公式：

月度 ROI = (节省工时 × 时薪 - AI 工具费) / AI 工具费 × 100%
 
示例（时薪 $50）：
ROI = (40h × $50 - $25) / $25 × 100% = 7900%
即每投入 $1，回报 $80

第十六章：最佳实践

提示词四要素

优秀提示 = 目标 + 上下文 + 约束 + 完成条件

示例：

🎯 目标：优化用户登录接口性能
 
📍 上下文：
   • 文件：src/api/auth.ts
   • 问题：每次登录 3 秒
   • 相关：src/utils/cache.ts
 
🔒 约束：
   • 接口不变
   • 不破坏安全性
   • 使用 Redis 缓存
 
✅ 完成条件：
   • 响应 < 500ms
   • 通过所有测试

推理级别选择

级别	场景	建议
🟢 低	快速、范围清晰	日常开发
🟡 中/高	复杂改动、调试	架构变更
🔴 极高	需主动思考的长任务	全新系统设计

⚠️ 最强推理 ≠ 最佳结果，匹配任务复杂度即可

规划优先

复杂任务务必先 /plan：

> /plan
# Codex 会：收集上下文 → 提问 → 制定计划 → 等确认后执行

避坑指南

❌ 错误	✅ 正确
规则塞进提示里	移到 AGENTS.md
不告诉如何跑测试	明确构建/测试命令
复杂任务不规划	先 /plan
一上来全开权限	逐步放宽
多步不验证	每步自动测试
对话太长不压缩	定期 /compact
一次提多个需求	一次一个清晰需求

进阶路线

Level 1 → 生成代码（复制粘贴）
Level 2 → 分析修改（理解上下文）
Level 3 → 规划验证（计划 + 测试 + 审查）
Level 4 → 自动化流（Skills + Automation）
Level 5 → 团队协作（AGENTS.md + 团队规范）
Level 6 → 自定义生态（MCP + Skills + API 集成）

第十七章：实战案例

案例一：遗留代码重构

场景：重构 3 年前的 PHP 遗留系统

codex
 
# 步骤 1：理解现有代码
> 分析 src/ 目录下的 PHP 文件结构，理解业务逻辑
> 重点关注：用户认证、订单处理、数据模型
 
# 步骤 2：创建 AGENTS.md
> /init
> 为 PHP 重构项目创建 AGENTS.md，包含：
> - 技术栈目标：Python FastAPI
> - 代码规范
> - 重构原则
 
# 步骤 3：分模块迁移
> 先迁移用户认证模块到 Python
> 为迁移后的代码编写测试
> 验证功能等价性
 
# 步骤 4：审查与优化
> /review
> 优化性能瓶颈
 
# 步骤 5：文档与部署
> 生成 API 文档
> 编写部署脚本

案例二：自动化代码审查流水线

# .github/workflows/daily-review.yml
name: Daily AI Code Review
 
on:
  schedule:
    - cron: '0 9 * * *'  # 每天早上 9 点
 
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
 
      - name: Install Codex
        run: npm install -g @openai/codex
 
      - name: Run AI Review
        env:
          OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
        run: |
          codex --model o4-mini --no-input "
          审查昨天以来的代码变更，生成简洁的审查报告：
          1. 主要变更摘要
          2. 发现的问题
          3. 改进建议
          "
 
      - name: Create GitHub Issue
        uses: actions/github-script@v7
        with:
          script: |
            github.rest.issues.create({
              owner: context.repo.owner,
              repo: context.repo.repo,
              title: '📋 AI 代码审查报告 - ' + new Date().toLocaleDateString(),
              body: '请查看自动生成的代码审查报告'
            })

案例三：TDD 开发工作流

codex
 
# Test-Driven Development with Codex
 
# 步骤 1：编写测试
> 为 UserService.get_user(id) 编写测试用例，覆盖：
> - 正常获取
> - 用户不存在
> - 数据库连接失败
 
# 步骤 2：运行测试（应该失败）
> pytest tests/test_user.py -v
 
# 步骤 3：让 Codex 实现通过测试的代码
> 根据以上测试用例，实现 UserService.get_user 方法
> 确保通过所有测试用例
 
# 步骤 4：运行测试（应该通过）
> pytest tests/test_user.py -v
 
# 步骤 5：重构优化
> 重构代码，确保可读性和性能
> 确保所有测试仍然通过

案例四：全栈开发

codex
 
# 电商后台全栈开发
 
# 后端
cd backend
> 创建商品管理 REST API
> 包含 CRUD、搜索、分页
> 为所有接口编写集成测试
> 生成 OpenAPI 文档
 
# 前端
cd frontend
> 创建商品管理页面
> 使用 React + Ant Design
> 对接后端 API
> 添加表单验证和错误处理
 
# 数据库
> 设计商品表结构
> 创建 Alembic 迁移
> 编写种子数据
 
# 部署
> 编写 Dockerfile
> 配置 CI/CD
> 编写部署文档

案例五：DevOps 自动化

codex
 
# 场景：自动化发布流程
 
> 创建自动化部署脚本，包含：
> 1. 代码检查（lint + test）
> 2. Docker 镜像构建
> 3. 推送到镜像仓库
> 4. 滚动更新到 Kubernetes
> 5. 健康检查
> 6. 发送部署通知到 Slack
 
> 创建回滚脚本，能在 30 秒内回滚到上一版本
 
> 创建运维监控 Dashboard，展示：
> - 服务健康状态
> - 错误率
> - 响应时间
> - 资源使用率

附录

A. 命令速查卡

命令	功能	示例
codex	启动交互	codex
codex ”…”	单次执行	codex “解释代码”
/new	新会话	/new
/init	初始化项目	/init
/diff	查看变更	/diff
/review	代码审查	/review
/plan	规划任务	/plan
/undo	撤销修改	/undo
/compact	压缩历史	/compact
/model	切换模型	/model
/status	查看状态	/status
/skills	浏览技能	/skills
/mcp	MCP 管理	/mcp

B. 配置文件速查

配置项	说明	默认值
model	默认模型	o4-mini
approval_mode	操作模式	auto-edit
disable_response_storage	禁用响应存储	false
allow	允许的命令	[]
deny	禁止的命令	[]

C. 模型速查

模型	适用场景	性价比
o4-mini	日常开发	⭐⭐⭐⭐⭐
gpt-4o	中等复杂度	⭐⭐⭐⭐
o3	复杂推理	⭐⭐⭐

D. 环境变量速查

变量	说明
OPENAI_API_KEY	API 密钥
OPENAI_BASE_URL	API 地址（代理时设置）
HTTP_PROXY	HTTP 代理
HTTPS_PROXY	HTTPS 代理

E. 常见错误代码

错误	原因	解决
AUTH_FAILED	API Key 无效	检查 OPENAI_API_KEY
RATE_LIMIT	请求过于频繁	降低频率或升级计划
CONTEXT_OVERFLOW	上下文超限	使用 /compact
PERMISSION_DENIED	权限不足	检查 config.toml

F. 资源链接

资源	链接
官方文档	https://docs.anthropic.com/codex
GitHub	https://github.com/openai/codex
MCP Server	https://github.com/modelcontextprotocol
OpenAI API	https://platform.openai.com

AI知识库

探索

OpenAI Codex 使用

第一章：Codex 简介

1.1 什么是 Codex？

核心特点

Codex 的三种形态

① Codex CLI（终端版）

② Codex IDE 插件

③ Codex App（桌面版）

Codex vs Claude Code 对比

第二章：安装与配置

系统要求

Codex CLI 安装

Codex App 桌面端安装

macOS 安装

Windows 安装

认证配置

方式一：ChatGPT 账号登录（推荐）

方式二：API Key 配置

配置文件路径

基础配置示例

第三章：OpenAI 订阅指南

订阅计划全景

各计划详细权益

🆓 Free 免费版

⭐ Plus 订阅（最推荐入门）

🚀 Pro 订阅（重度用户首选）

API 模式费用估算

省钱技巧

中国大陆用户支付方案

方案一：虚拟信用卡（推荐）

方案二：API 预付费（无需订阅）

第四章：基础使用

启动方式

三种操作模式

基础交互示例

命令行参数速查

第五章：斜杠命令大全

会话与流程控制

配置与权限

权限模式详解

上下文与记忆

动作与高级功能

自定义斜杠命令 🔥 —— 杀手级功能

第六章：AGENTS.md 配置指南

AGENTS.md 的作用

基础模板

多层级配置

保持简洁

第七章：MCP 服务器集成

什么是 MCP？

配置方法

命令行

配置文件（~/.codex/config.toml）

常用 MCP 服务器

第八章：Skills 技能系统

设计原则

创建技能

技能管理

第九章：Codex App 桌面版

核心功能

① 多智能体并行

② Skills 技能沉淀

③ Automations 自动化

Codex App vs CLI

桌面操控能力（2026年4月新功能）

第十章：API 高级用法

流式输出（Streaming）

函数调用（Function Calling）

批量任务处理

结构化输出

Embedding 与语义搜索

第十一章：竞品深度横评

六大竞品一览

逐一分析

🟦 OpenAI Codex

🟪 Anthropic Claude Code

🟢 Cursor

🟡 GitHub Copilot