OpenAI Codex 全景详解：从“代码补全引擎“到“云端软件工程智能体平台“

适用读者：后端/全栈工程师、平台工程负责人、CTO、AI 工具选型者、对 AI 编程代理感兴趣的研究者。

0. 一句话定位（2026 版）

OpenAI Codex 已经不是"一个模型"，而是一套由 Codex 系列模型 + 云端隔离沙箱 + 本地 CLI/IDE/桌面端组成的软件工程智能体（Software Engineering Agent）平台。​ 它能在隔离环境里读仓库、改多文件、跑测试、修报错、开 PR，并把过程日志交给你审；你给它一个任务，可以去喝咖啡，回来收一个可 review 的 diff。

1. 两次生命：Codex 是怎么从 Copilot 的"发动机"变成 Agent 的

1.1 第一世：2021 年的 Codex（补全模型）

• 本质：基于 GPT-3 微调的代码生成模型，API 名如 code-davinci-002。

• 能力边界：注释/函数名 → 补全下一行或下一个函数；单文件、无执行、不知测试能否通过。

• 历史角色：它是 GitHub Copilot 第一代补全能力的供血引擎，定义了"AI 写代码"的第一波认知。

• 结局：2023 年 3 月 OpenAI 弃用原 Codex API，Copilot 切到 GPT-4 系；但"Codex"这个名字被保留下来。

1.2 第二世：2025–2026 的 Codex（Agent 平台）

维度

老 Codex（2021）

新 Codex（2025–2026）

关键转折：

• 2025-04-16​ Codex CLI 开源（Rust 写，Apache-2.0）。

• 2025-05-16​ Codex Cloud 以研究预览进 ChatGPT（Pro/Team/Enterprise 先用，6 月铺到 Plus），底层 codex-1（o3 针对 SWE 的 RL 微调）。

• 2025-09​ GPT-5-Codex 成为云端默认，引入 Skills / Automations。

• 2026 上半年​ 桌面 App、Codex Security、子代理（subagents）、GPT-5.3/5.4-Codex 相继落地。

结论：今天你说"Codex"，指的是智能体系统，不是那个 2021 年的模型。

2. 架构总览：四层堆叠

┌──────────────────────────────────────────────┐
│ 接入层：ChatGPT 侧边栏 / codex.chatgpt.com │
│ Codex CLI / Desktop App / VS Code 插件 │
├──────────────────────────────────────────────┤
│ 编排层：Agent Loop + Subagents + Skills │
│ approval policy / sandbox policy │
├──────────────────────────────────────────────┤
│ 执行层：隔离沙箱（云端容器 / 本地 seccomp） │
│ git · shell · 测试·lint·typecheck·docker│
├──────────────────────────────────────────────┤
│ 模型层：codex-1 → GPT-5-Codex → 5.3/5.4-Codex │
└──────────────────────────────────────────────┘

2.1 模型层：codex-1 与 GPT-5-Codex 家族

• codex-1：OpenAI o3 的软件工程特化版，用真实仓库任务做 RL，目标是对齐"人类 PR 风格 + 指令遵循 + 跑通测试"。官方披露 SWE-bench Verified：单次 72.1%，8 次采样 83.8%。

• GPT-5-Codex（2025-09）：GPT-5 的 agentic coding 特化，支持动态 reasoning effort（秒级到数小时任务）。

• GPT-5.1-Codex-Max（2025-11）：引入上下文 compaction，支持跨窗口长程一致；适应 Windows。

• GPT-5.2 / 5.3-Codex（2025-12～2026-02）：长程指令遵循跃迁，官方实验中 5.3-Codex 以 Extra High 推理连跑 25 小时、~13M token、~30k 行代码​ 造出一个设计工具原型。

• GPT-5.4 / 5.4-mini / 5.3-Codex-Spark（2026 中）：5.4 为综合旗舰默认；mini 做低延迟子代理；Spark 做近实时交互。

2.2 执行层：沙箱是 Codex 的命门

云端每个任务 = 一个独立容器：

• 预装你的 repo（GitHub OAuth 授权拉取）

• 默认禁外网，后可按团队策略开白名单（npm/pypi 等）

• 文件系统只写 workspace，宿主机不可见

• 网络/路径/命令受 sandbox policy 约束

本地 CLI 三种 sandbox_mode：

• read-only：只读

• workspace-write：改项目目录

• danger-full-access：放开（仅建议在隔离 VM 里用 –yolo）

2.3 编排层：Agent Loop

标准循环（这也是它比聊天补全强的地方）：

外部化状态（repo、diff、worktree、markdown 状态文件）让模型不靠上下文硬撑，而是靠环境反馈闭环。

2.4 接入层：四端一体

• Codex Cloud（chatgpt.com/codex）：异步大任务、并行多任务、不占本地资源

• Codex CLI（Rust，开源）：终端原住民，codex "…" 或 codex exec

• Codex Desktop App：可视化指挥台、多项目并行、后台 automation、跨会话记忆

• IDE 扩展（VS Code / Cursor / JetBrains）：inline / chat / agent 三模式

四端共用同一 ChatGPT 账号、同一份 AGENTS.md 与配置层。

3. 核心能力拆解（不只是"写代码"）

3.1 端到端任务执行

"加一个功能"不是生成片段，而是：建分支 → 改 N 文件 → 补测试 → 跑通 CI → 推 PR → 写变更说明。

3.2 异步并行多任务

云端可同时派：

• Task A：给 payment 模块补单测到 90%

• Task B：把所有 API 端点加 input validation

• Task C：从 router 生成 OpenAPI 文档

  三个沙箱互不阻塞。

3.3 代码库问答（Ask 模式）

只读分析架构、依赖、某次回归是谁引入的、这个 module 为什么这样写。

3.4 自主修 Bug 与测试驱动

以"测试通过"为完成信号。无测试的项目会退化成"看起来合理但不可验证"——这是使用 Codex 的前提：仓库要有可跑的测试。

3.5 长程任务（Long-horizon）

借助 markdown 持久记忆（spec/plan/status）、git worktree 隔离、reasoning effort 调节，跑数小时到二十几小时不漂移。

3.6 Subagents（2026 能力）

内置 default / worker / explorer，也可在 ~/.codex/agents/*.toml 定义自定义代理；对"按点审查 PR"可一拖 N 子代理并行，父代理汇总。代价是 token 消耗倍增。

3.7 Skills 与 Automations

• Skills：可复用的指令+脚本包（如"做国际化抽取"、"按公司 ESLint 规则修全仓"）

• Automations：监听 GitHub Issue / CI 失败 / 定时任务，后台触发 Codex 处理

3.8 Codex Security（2026-03）

专用安全变体，自动发现/修漏洞；OpenAI 称测试期在 Chromium/OpenSSL 等扫到近 800 严重 + 上万高危问题。

4. 提示词与仓库工程化：AGENTS.md 是关键

Codex 不吃"玄学 prompt"，吃工程上下文。推荐在仓库根放：

# AGENTS.md
– 安装：pnpm i
– 测试：pnpm test（单元） / pnpm test:e2e
– lint：pnpm lint && pnpm typecheck
– 分支策略：每条任务开 feat/codex-* 分支
– 禁止：不要改 schema 迁移以外的 migration 文件
– 风格：函数名 camelCase，组件用 PascalCase，注释只写 why
– 完成标准：test 全绿 + lint 零错 + 补单测

规则越像"你给 junior 工程师的 onboarding 文档"，Codex 越像 senior。

任务 prompt 推荐四段式：

• Goal：要变成什么样

• Context：涉及模块/文件/约束

• Constraints：不能碰什么、必须兼容什么

• Done when：测试名、覆盖率、性能阈值

例：

/goal 把 Express 的 user router 迁移到 Hono。
Context: src/routes/user.ts、middleware/auth.ts、test/user.test.ts
Constraints: 不引入新依赖版本大跳；JWT 逻辑保持不变
Done when: pnpm test 全绿，pnpm start 起来返回 200，旧 Express 入口删除

5. CLI 实战速查

# 安装
npm i -g @openai/codex
# 或 brew install codex

# 登录（ChatGPT 账号或 API key）
codex login

# 交互式
codex
codex "解释 src/auth 下测试为什么挂"

# 非交互（CI / 脚本）
codex exec "为 payment 模块补单测到 90% 覆盖率"
codex exec –json –ephemeral "lint 并修复所有 ts 错误" > out.json

# 模型与权限
codex –model gpt-5.4-mini "重构 auth 模块"
codex –ask-for-approval on-request –sandbox workspace-write "…"

# 子代理 / 会话
/agent # 切线程
/model gpt-5.4 # 运行中换模型
/approvals # 改审批策略

审批三档（CLI）：

• suggest：每步问

• auto-edit：改文件自动，跑 shell 前问

• full-auto / –yolo：全自治（只在沙箱 VM 用）

6. 基准表现与怎么读这些数字

• SWE-bench Verified：codex-1 首发 72.1%（单次）/ 83.8%（8 采样）；GPT-5.1-Codex-Max ~77.9%；GPT-5.3-Codex 官方/第三方口径 >82%。

• Terminal-Bench 2.0：5.1-Codex-Max ~79.9%，说明不只改代码，还能在终端多步操作。

• 注意：SWE-bench 是"给定 issue + repo 快照，能否出通过测试的 patch"，不等于生产复杂架构决策能力。它衡量的是"闭环修 issue"的可靠性。

METR 的长任务半衰期研究：前沿 agent 能稳定完成的事任务时长约每 7 个月翻倍——Codex 的长跑实验（25h/13M token）是这个趋势的注脚。

7. 安全、治理与企业部署

OpenAI 自用 Codex 的姿势（也是给企业客户的参考架构）：

• 沙箱定边界：写哪里、能否上网、哪些路径保护

• 审批分层：低风险无感过，高风险断点等人

• Auto-review 子代理：低危自动批，高危按授权级别批

• 网络白名单：只允许 npm/pypi/github 等已知目的，陌生域名要批

• 凭证隔离：MCP/OAuth 存 OS keyring，强制走企业 ChatGPT 空间

• 遥测：OpenTelemetry 导出 prompt/审批/工具调用/MCP/网络代理事件，接 Compliance Logs

对企业来说，Codex 不是"放权给 AI 合并代码"，而是"在边界内放权，在边界外强制人工"。

8. 定价与选型（2026 口径）

Codex 不单独卖，绑 ChatGPT 套餐 + API 按 token：

档位

价格

Codex 权益

适合

API 侧（Responses API）：

• gpt-5-codex：1.25/10 每 M 输入/输出

• gpt-5.3/5.4-codex：更贵，长任务 10M token 级消耗可观

• prompt caching：重复输入 token 最高 90% 折扣

成本真相：跑一个 25h 实验烧 13M token，按 5.3-Codex 价位就是几百刀一次；但相对初级工程师月薪 $5k–8k 做同样明确定义任务，边际成本仍低。Codex 省钱的前提是：任务边界清晰、测试可验证、人工只做 review。

9. 它不能做什么（别神话）

• 不能替代架构师拍板"该不该做这个功能"

• 不能自主 merge PR（要人点）

• 对无测试/构建脚本坏掉/AGENTS.md 缺失的仓库，表现迅速劣化

• 非标准 monorepo、强依赖内部未授权服务、需要人工点网页的操作，它搞不定

• 长任务会放大"早期方向错了全白跑"的风险——所以要用 worktree + 阶段校验

• 安全上：模型本身被 OpenAI 按"网络安全 High capability 预防"处理，不代表你可以给它生产库直连权限

10. Codex vs Cursor vs Claude Code vs Copilot

• Codex：异步、云端沙箱、并行多任务、PR 导向；适合"派活儿下班收 diff"

• Cursor：IDE 内实时、上下文贴近光标、适合"边想边写"

• Claude Code：本地终端 agent，长上下文对话强，偏交互式结对

• Copilot：补全+聊天成熟，agent 模式后来跟进，但 Codex 的云端隔离并行是其差异点

选 Codex 的三个信号：

11. 一个最小落地路径（团队引入 Codex 的 30 天）

• Week 1：挑 2 个有单测的服务，写 AGENTS.md，用 Cloud 跑"补单测""修 lint"

• Week 2：CLI 接本地，开 auto-edit，只许改 src/ 和 test/

• Week 3：Automations 接 GitHub Issue 标签 codex-triage，自动出 PR 给人 review

• Week 4：跑一次 2h+ 长任务（如依赖升级），用 worktree + 阶段 commit 控风险

• 红线：生产分支禁直推、敏感凭证不进沙箱、所有 Codex PR 必须过原有 CI + 人工

12. 结语：Codex 代表的范式转移

Codex 的意义不是"AI 写代码更快"，而是把软件工程劳动拆成了"人类定义验收标准 + Agent 在沙箱里迭代闭环 + 人类做最终授信"。它把原本只能同步盯着的光标补全，升级成可以睡前派发、醒来收 PR 的异步工厂。

2021 年的 Codex 回答了"自然语言能不能变代码"；

2025–2026 年的 Codex 回答的是"自然语言能不能变成一个会跑测试、会开分支、会等你审阅的同事"。

前者是功能，后者是岗位。