Codex保姆级教程：从安装到实战全流程详解

Codex是什么：一个会动手的AI助手

OpenAI推出的Codex常被拿来和ChatGPT对比，但两者有本质区别。有个精妙的装修比喻可以帮助你理解：如果你请ChatGPT帮忙装修，它会详细告诉你灶台该往左移、吊柜该刷什么颜色，说得头头是道——然后就没有然后了，所有活儿还得你自己干。而Codex则会自己量尺寸、画图纸、搬灶台、刷漆，完工后还拍照让你验收。

这正是「AI Agent」和「问答机器人」的核心差异。所谓AI Agent，是近两年AI领域最重要的范式转变之一。传统大语言模型本质上是文本生成器——接收输入、产出文本，交互到此为止。而AI Agent在此基础上增加了感知环境、制定计划、调用工具、执行动作、观察结果并迭代修正的完整闭环能力。这一概念源自强化学习中的「智能体」定义，2024年以来随着函数调用（Function Calling）、工具使用（Tool Use）等技术成熟，Agent架构开始从学术走向产品化。Codex正是这一浪潮中最具代表性的产品之一——它能够直接打开你电脑上的文件夹、创建文件、运行程序、上网搜资料、操作浏览器，改完还能自己提交代码仓库、部署上线。它虽然从编程出发，但现在已经进化成一个能写代码、做PPT、做Excel、写Word报告、操作浏览器甚至制作视频的全能助手。

更关键的是，它支持多个「工人」分头干活——一个刷厨房、一个装浴室、一个修客厅灯，全部在后台并行进行，互不打扰。这种自主动手能力，是Codex区别于传统AI工具的最大价值。

四种使用方式与安装准备

Codex提供四种使用形态：命令行版（CLI）、VS Code插件版、桌面客户端和网页版。四者性能一致、功能大部分重叠，但综合考虑使用难度、功能全面性和新手友好度，桌面客户端是首选，本文也主要围绕它展开。

安装前需要准备一个ChatGPT账号，建议开通Plus或Pro会员。虽然免费账号现在也能用Codex，但额度非常少，用不了几次就耗尽。Plus用户每5小时可发送30到150条消息，日常使用基本够用；重度用户或企业场景可考虑额度更高的Pro。

相比同类工具Claude Code，Codex有两个显著优势：额度更充裕且频繁重置，有时甚至因为很小的原因就给你重置额度；同时对账号的限制更少，不像某些工具那样容易封号。

登录方式选择

登录方式有两种。推荐用ChatGPT账号直接登录——消息额度直接用订阅配额、第一时间用上最强模型、解锁云端任务等高级功能。另一种是用API Key登录，但模型更新慢、云端任务不可用、按量付费成本可能更高。结论很明确：除非有特殊原因，直接订阅Plus用ChatGPT账号登录是性价比最高的方案。

界面详解：项目、对话与权限模式

登录后，左侧栏包含新对话、搜索、插件、自动化四个功能按钮，以及项目和对话两个核心列表。理解这两者的区别至关重要：

• 对话类似网页版ChatGPT聊天，适合搜集资料、写文案、翻译、答疑等琐碎工作；
• 项目则对应你电脑上的一个文件夹，所有生成的文件、代码、PPT、Excel都会保存在这里，方便管理不丢失。

简单记忆法则：但凡涉及生成文件就用项目，只是随便聊聊就用对话。每个项目下可以有多个对话，一个对话处理一件事，可以理解为「项目是大文件夹，对话是文件夹里的工作线程」。

三种权限模式

由于Codex能直接操作你的电脑，权限管理成为关键概念，共三种模式：

1. 默认权限（最安全）：只能在当前项目文件夹内修改，涉及联网、运行命令、访问外部文件都必须征得你同意，适合新手；
2. 自动审查：Codex自评风险，安全操作自动通过，有风险的才询问，相当于配了个内部审批员；
3. 完全访问权限（最高）：可做任何事且全程不询问，效率最高但有误删风险。

建议循序渐进：新手第一周用默认权限，第二周尝试自动审查，非常熟悉且项目有Git备份后再考虑完全访问。

模型选择与核心操作技巧

在输入框右下角可切换模型和思考强度。推荐将GPT 5.5作为默认首选，它在复杂代码编写、重构、调试方面表现最好；GPT 5.4 mini适合简单快速任务、省额度；专为编程优化的GPT 5.3在某些复杂工程任务上依然强劲。

思考强度设置

思考强度分低、中、高、超高四档：

• 低：几乎不思考直接回答，适合改拼写等简单操作
• 中：默认推荐档位，平衡速度与质量
• 高：适合有复杂度的功能开发
• 超高：想得最深最慢，适合普通模式反复搞不定的诡异Bug

日常高频操作

日常高频操作有三种：

• 任务排队：Codex执行任务A时，你可以直接输入新任务B，它会排队按顺序执行；
• 任务插队：点击消息旁的引导按钮，可将新要求直接注入正在执行的任务，让AI边做边调整；
• 多任务并行：开新对话即可让多个任务同时跑，甚至跨项目并行。需注意不同对话间上下文不共享，但它们都能读取同一项目文件夹的文件。

此外，模型标签旁的小圆圈表示上下文窗口使用比例。GPT 5.5约有256K上下文（几十万汉字），且Codex会自动压缩过长对话，无需手动处理。这里值得深入理解一下上下文窗口的概念：上下文窗口（Context Window）是指模型在单次对话中能「看到」和「记住」的最大文本量，以token为单位计量。早期GPT-3.5仅有4K token窗口，约等于3000个汉字，稍长的对话模型就会「忘记」前面内容。256K token则约等于数十万汉字，接近一本中等篇幅的书。窗口扩大的背后是稀疏注意力机制、滑动窗口注意力、RoPE位置编码外推等技术的进步。不过窗口大不等于利用效率高——研究表明模型对窗口中间部分的信息检索能力（即「大海捞针」问题）仍有衰减，因此Codex的自动压缩机制非常必要，它会智能地保留关键信息、丢弃冗余内容，让有限的窗口空间发挥最大价值。

插件与技能：全能助手的生态基础

很多人搞混「插件」和「技能」，其实区别很简单：

• **技能（Skills）**是一套写好的执行步骤，打包成Markdown文件。比如生图流程「确定描述→选风格→调模型→输出」写成一个文件即为一个技能。可理解为「一份说明书」；
• 插件则大一个级别，包含多个技能加上与外部应用的连接能力。比如内置的computer use插件可接管电脑，内含操作App、屏幕录制、键盘操作等多个技能。

触发方式

输入@可指定调用插件，输入$可触发技能。一条消息里可同时使用，例如「帮我分析AAPL股票情况使用@documents，总结成Word报告，并使用$image生成封面图」。

办公场景应用

借助插件生态，Codex可完成大量办公工作：

• 生成Word：用document插件，自动联网搜资料、整理分析，生成带目录、表格、结论的文档；
• 生成Excel：用super sheets插件，生成带颜色标注的对比表格；
• 生成PPT：用presentation插件，生成简洁商务风格、每页有要点配图的演示文稿。

更强的是可以一条指令同时生成Word、Excel、PPT和封面图，全部保存到项目文件夹。

进阶功能：自动化、工作树与终端

对于每天重复的任务（如每天出股票分析报告），可用自动化功能。直接用自然语言告诉Codex「每天早上9点自动搜索AI股票信息、生成报告和PPT」，它就会创建定时任务。提醒一点：首次使用前先在普通对话里试跑一遍指令，确认结果符合预期再设为定时任务，否则会白白浪费额度。

三种环境模式

环境模式有三种：

• 本地模式：直接改你电脑的真实文件，适合小修改，但需养成备份习惯；
• 工作树（Worktree）模式：Codex在后台创建平行副本干活，完全不动原文件，适合多AI同时修改避免冲突。改完可选择合并、创建新分支或直接扔掉。就像「复印合同给两个律师分别修改」一样；
• 云端模式：任务发到OpenAI服务器执行，电脑无需常开，适合耗时大任务，但配置较复杂，新手可暂时不管。

这里的工作树（Worktree）概念值得展开说明。它是Git版本控制系统的一个高级功能。Git是目前全球最主流的分布式版本控制系统，由Linux之父Linus Torvalds于2005年创建，核心思想是为项目的每次变更创建快照（commit），使得任何修改都可追溯和回退。Worktree允许在同一仓库下同时检出多个工作目录，每个目录对应不同分支，互不干扰。这对AI Agent场景特别有价值——多个AI助手可以各自在独立的工作树中修改代码，避免互相覆盖冲突，完成后再通过merge合并。理解了这个背景，你就能明白为什么Codex要把「工作树模式」作为多任务并行的推荐环境。

内置终端的妙用

Codex还内置了终端（Command+J打开），工作目录会自动跟随当前对话，且能读取终端输出（如开发服务器日志）自动判断状态。一个实用技巧：如果同时安装了Claude Code，可在Codex终端里输入cloud启动它，实现两个AI协作——Codex做擅长的操作浏览器、生成图片，Claude Code优化前端设计。

操作浏览器与电脑：Codex的突出优势

安装BrowserUse插件后，Codex可自主打开浏览器、访问网站、点击按钮、填表单、截图录屏、抓取信息。实测让它在Canva里找免费模板、修改标题并输出报告的全过程，仅在需登录时才需人工介入。

这背后依赖的是一项名为Computer Use的前沿技术，它代表了AI Agent领域的一个重要方向——GUI Agent（图形界面智能体）。传统的AI工具调用依赖API接口，而Computer Use则通过截取屏幕画面、理解界面元素位置，然后模拟鼠标点击和键盘输入来操作应用程序。这项技术最早由Anthropic在2024年10月发布的Claude Computer Use中引起广泛关注。其技术原理涉及视觉定位模型（将屏幕截图中的按钮、输入框等元素转化为坐标）、OCR识别、动作规划等多个AI子系统的协同工作。它的革命性在于打破了API壁垒——即使软件没有提供编程接口，AI也能像人类一样通过界面操作来完成任务。

更进一步，Codex还能操作电脑上的其他应用（目前仅支持Mac）。实测中它自主打开Chrome、访问小红书、搜索关键词、下载无水印图文笔记并保存到桌面文件夹，全程无需插手，质量很高。

AGENTS.md：给AI写一份入职手册

在项目根目录创建AGENTS.md文件，Codex每次启动会自动读取并遵守其中规则。这解决了「每开新对话就要重复注意事项」的痛点，就像给新同事写入职手册。

AGENTS.md的设计理念体现了提示工程（Prompt Engineering）从一次性提示向系统化规则演进的趋势。在AI Agent场景中，单次对话的提示词往往不够用——你需要定义全局行为准则、代码风格、禁止操作等持久性规则。AGENTS.md本质上是一种「系统提示词的文件化」，类似于软件工程中的.editorconfig或.eslintrc配置文件，但面向的对象是AI而非代码编辑器。业界目前已有多种类似实践：Cursor使用.cursorrules文件，Claude Code使用CLAUDE.md文件，GitHub Copilot也开始支持自定义指令文件。这些文件的共同设计原则是简洁、具体、可执行——模糊的规则AI难以遵守，过长的规则会挤占有效上下文空间。

用中文写清规则即可，但需注意控制在150行以内，否则会占用AI记忆容量，反而影响对具体需求的理解。

实战案例：从零做一个网站并部署上线

通过一个完整流程来串联所有功能。新建「个人品牌网站」项目后输入需求，Codex自动写代码、本地启动开发服务器并给出预览网址。不满意的地方可实时对话修改（如「给标题加上编剧」），刷新即见效果。

最后是部署上线。安装Vercel插件并授权后，直接@选择Vercel插件让它部署，片刻即得到公开网址，全世界都能访问。Vercel是由Next.js框架创始人Guillermo Rauch创办的云端部署平台，专注于前端应用和Serverless函数的托管。它的核心优势在于零配置部署——只需关联代码仓库，Vercel会自动检测项目框架、执行构建、分配CDN域名并完成上线，整个过程通常不到一分钟。Vercel背后使用了边缘计算网络（Edge Network），将内容部署到全球数十个节点，用户访问时自动路由到最近的服务器。这解释了为什么整个过程如此快速——平台已将传统需要运维工程师完成的服务器配置、域名解析、SSL证书申请、CDN分发等工作全部自动化。整个过程无需手动写一行部署脚本。

六条实用心得与常见问题

以下六条经验能帮你更高效地使用Codex：

1. 涉及文件就用项目，不用对话；
2. 一个任务一个对话，对话越纯AI表现越好；
3. 复杂任务先出计划（用计划模式），确认无误再实施；
4. 写清「完成标准」，比如「做完的标准是测试全过、手动测能用、没改无关文件」；
5. 经常提交，方便改坏时快速回退；
6. 让Codex审查自己的代码，新开对话检查安全性和性能，常能挑出遗漏问题。

常见问题应对

• 额度用尽：等1-2小时刷新即可恢复；
• 改坏了代码：工作树模式直接扔副本、本地模式则点全部撤销或git checkout；
• AI改了无关代码：在AGENTS.md里明确写「没有我的要求不要做额外优化」。

结语：无论是否程序员都值得学

Codex已从纯编程工具进化为全能AI助手。运营人员可设自动化每天出报告，摄影师可快速做交互原型验证想法，自媒体博主可让它搜索整理爆款选题——你无需懂HTML、CSS、JavaScript，只要用中文说清需求即可。

但也需要明白，Codex能发挥多大威力，核心取决于使用者：你越懂自己的项目、越能清晰描述需求，它就越能高质量完成任务。含糊的需求只会得到含糊的结果。这或许是所有AI Agent工具的共同真理。

核心要点