OpenAI Codex：从 2021 代码模型到现代编程代理平台（2026）
OpenAI Codex 是 OpenAI 用于两代不同代码类人工智能产品的品牌：第一代是 2021 年推出的大语言模型，能够把自然语言提示转化为代码；第二代是 2025 年推出的代理式软件工程工具系列，包括 Codex CLI 和 Codex Cloud，可以自主读取、编辑、测试和交付代码。第一代于 2021 年 8 月开启私测，以 GPT-3 为基础，在数十亿行公开源代码上进行微调。它为 GitHub Copilot 最初三年的运行提供支持，并引入了如今广泛使用的代码生成评测基准 HumanEval。2023 年 3 月，OpenAI 停用了这一代 Codex 的底层 API，转向更新的通用模型。第二代于 2025 年 4 月和 5 月分两次发布，是一个完全不同的产品系列，基于 OpenAI 推理模型的专门版本，包括 codex-1、codex-mini-latest、GPT-5-Codex、GPT-5.2-Codex、GPT-5.3-Codex 和 GPT-5.4-Codex，直接与 Claude Code、Cursor、Devin 竞争自主编程代理市场。[1][2][3][4] 2026 年 9 月 3 日，OpenAI 开始向 Codex 和 ChatGPT 推出 GPT-6 Astra，将其称为迄今最好的软件工程模型，同时更新了 Codex 的代理运行框架，加入不再阻塞代理的澄清提问，以及一种实验性的上下文压缩替代方案。[18][19]
两代 Codex 共享名称，也都致力于帮助开发者编写软件，但几乎所有实现细节都不同。2021 年的 Codex 是静态自回归语言模型，把自然语言提示转化为代码补全，可通过 REST API 使用，也可嵌入早期 GitHub Copilot 等编辑器扩展。2025 年的 Codex 则是交互式软件工程代理，在沙箱环境中运行，可以读取和编辑文件、执行命令、运行测试、发起拉取请求，并向用户汇报，所有行为都受明确的人类审批策略约束。共享品牌体现了 OpenAI 的看法：两种系统都在减少“描述软件需求”和“产出可运行代码”之间的阻力。不过，它们的技术源自不同研究路线，用户体验也有根本差异。[3][4]
截至 2026 年 6 月 2 日，OpenAI 报告现代 Codex 的 CLI、网页、IDE 和移动端入口合计拥有超过 500 万周活跃用户，高于 2026 年初的约 60 万人，以及 2026 年 4 月 21 日的约 400 万人；约 20% 的用户已是知识工作者，而非开发者。[16][17] 开源 Codex CLI 仓库在 GitHub 上获得了超过 7 万颗星。[3][7] Codex 成为行业从行内自动补全转向完整代理式编程工作流的代表产品之一。在这种工作流中，人类把整个任务交给代理，例如“给应用增加 OAuth 登录”“修复失败的 CI 检查”“把这个模块迁移到 TypeScript”，而不再只是逐行编写代码时接受辅助。
OpenAI Codex 用来做什么？
现代 Codex 用于把完整的软件工程任务委托给自主代理。OpenAI 在 2025 年 5 月的发布介绍中将其称为“可以并行处理多个任务的云端软件工程代理”，能够“编写功能、回答代码库相关问题、修复错误，以及提出供审查的拉取请求”；每个任务都在“预先加载了用户代码仓库的独立云端沙箱环境”中运行。[4] 相比之下，2021 年的原始 Codex 根据提示生成代码补全，其最广为人知的用途是驱动第一版 GitHub Copilot。
名称与品牌历史
Codex 这一名称经历了重新启用，并非始终对应同一产品。OpenAI 最初在 2021 年注册该品牌，用于一个功能明确的模型：输入提示，返回代码。2023 年停用后，这个名称实际上退场了两年。到 2025 年 4 月重新启用时，工程实现、产品形态和底层研究项目都已发生变化。重复使用名称有时会让仍然只写“Codex”、却没有说明具体年代的学术论文和开发者文档产生歧义。
下面按两个主要阶段介绍 Codex 的演进。
Codex（2021）：最初的代码模型
OpenAI 于 2021 年 8 月 10 日首次宣布原始 Codex，同时开放 Codex API 私测。[5] 模型此前已在 2021 年 7 月 7 日发布于 arXiv 的论文《评估使用代码训练的大语言模型》（Evaluating Large Language Models Trained on Code）中介绍，主要作者为 Mark Chen 和 Jerry Tworek，另有多位 OpenAI 研究人员参与。[1] 这篇论文成为代码生成语言模型领域的基础文献之一，同时介绍了 Codex 模型系列和此后广泛用于代码模型评测的 HumanEval 数据集。论文开篇写道：“我们提出 Codex，一种在 GitHub 公开代码上微调的 GPT 语言模型，并研究其 Python 编程能力。Codex 的一个独立生产版本为 GitHub Copilot 提供支持。”[1]
训练与架构
Codex 采用 GPT-3 架构，并在从 GitHub 公开仓库收集的代码语料上继续预训练。完整训练集于 2020 年 5 月整理，来自 5400 万个公开仓库，包含约 179 GB 去重后的 Python 文件，每个文件大小不超过 1 MB。筛选时移除了自动生成文件、平均行长超过 100 个字符的文件、最长行超过 1000 个字符的文件，以及字母和数字占比过低的文件。[1] 因此，这份微调语料是经过筛选的人类编写的 Python 代码，而不是对全部仓库内容的无差别收集。
OpenAI 训练了两个主要的 Codex 模型系列。较大的 code-davinci 系列最高约有 120 亿参数，是生产版 Codex API 的基础；较小系列 code-cushman 是针对低延迟补全优化的 120 亿参数变体，也是 OpenAI 为第一版 Copilot 提供给 GitHub 的模型。[6] Chen 等人的论文报告了从 1200 万到 120 亿参数的模型结果，发现 HumanEval 表现随参数规模平稳提高，甚至 1200 万参数的模型在微调后也具备一定编程能力。后续的 code-davinci-002 于 2022 年发布，约有 148 亿参数，并成为 GPT-3.5 系列的基础。
HumanEval 评测基准
Chen 等人的论文引入了 HumanEval：一套包含 164 道人工编写的 Python 编程题的评测集。每道题都有函数签名、描述预期行为的文档字符串、参考解法和一组单元测试。该基准用 pass@k 指标衡量功能正确性：每道题允许模型生成 k 个候选答案，只要至少一个候选通过全部单元测试，就算解决了这道题。pass@1 衡量单次生成正确的概率，pass@10 和 pass@100 则分别衡量十次或一百次生成中至少一次正确的概率。
原论文的主要结果是：Codex-12B 在 HumanEval 上的 pass@1 为 28.8%，同等规模的 GPT-3 为 0%，当时的开放模型 GPT-J 为 11.4%。[1] 如果反复采样，并由一个能够判断正确答案的机制从多个候选中选择，pass@100 会升至 70.2%。这表明模型的输出分布中往往存在可行解法，只是未必能稳定地在第一次生成时给出。作者写道：“反复从模型中采样，是为困难提示生成可运行解法的一种出人意料地有效的策略。采用这种方法，每道题生成 100 个样本后，我们解决了 70.2% 的问题。”[1] pass@1 与 pass@100 之间的差距，推动了后续关于多次采样后选优、代码执行反馈循环，以及使用验证模型重新排序候选答案的研究。
尽管局限性已经得到充分讨论，HumanEval 仍是代码生成领域被引用最多的基准之一：它只有 164 道题，全部使用 Python，题目相对简短且独立，来自人工编写，而非真实代码库。随着模型能力增强，分数已接近饱和：前沿模型超过 90%，2025 年最强的系统超过 95%。MBPP、APPS、SWE-bench、LiveCodeBench 及 SWE-bench Verified 等更新基准，已在严肃的前沿代码系统比较中大体取代 HumanEval。不过，HumanEval 仍是标准的入门基准，也经常出现在模型发布说明中。
历年 HumanEval pass@1 分数有助于了解发展背景，但比较时需要考虑各模型的评测设置。
与 GitHub Copilot 的集成
原始 Codex 最广为人知的部署场景是 GitHub Copilot。该代码补全服务于 2021 年 6 月推出技术预览，2022 年 6 月正式开放。Copilot 将微调后的 Codex 变体直接集成到 VS Code、JetBrains IDE、Neovim 和 Visual Studio 中，在用户输入时显示灰色的行内补全建议。Copilot 使用的 Codex 是较小、低延迟的版本，重点优化编辑器响应速度，因为用户期望建议在几百毫秒内出现。
Copilot 很快成为商业 AI 编程产品中的主导者，据报道，上线两年内付费订阅者就超过一百万人。它也成为预训练语言模型能够转化为实际开发工具、并带来可衡量生产力收益的代表案例。GitHub 在 2022 年开展的一项广泛引用的内部研究发现，使用 Copilot 的开发者完成某个 JavaScript 任务的速度比未使用者快 55%。独立学术研究的结果则更混杂：有些发现显著提速，有些发现几乎没有改善，且 Copilot 辅助编写的代码中安全缺陷有所增加。
OpenAI 在 2023 年 3 月停用原始 API 后，GitHub Copilot 也转向了其他模型。到 2023 年 3 月宣布 Copilot X 时，Copilot Chat 已使用 GPT-4，行内补全模型也被更新的 OpenAI 变体取代。此后的 Copilot 在 OpenAI、Anthropic 和 Google 的多种模型间轮换，包括 GPT-5 变体和 Claude 模型，并通过模型选择器提供给用户。尽管 Copilot 源自同一研究项目，如今它的实际运营已独立于 OpenAI Codex 品牌。
模型停用
2023 年 3 月，OpenAI 宣布将在 API 中停用原始 Codex 模型，包括 code-davinci-001、code-davinci-002、code-cushman-001 及相关变体，建议客户将代码任务迁移到新发布的 GPT-3.5-Turbo 和 GPT-4。停用体现了一个更广泛的趋势：通用聊天模型在 HumanEval 等多数基准上已经追平或超过专用代码模型，同时在指令遵循、多轮对话和函数调用等新功能集成方面表现更好。
突然停用引发了研究人员的不满，他们一直把 code-davinci-002 作为学术实验的稳定基线。许多已发表的复现实验和消融研究依赖特定模型快照，API 关闭后，其他研究人员便无法重新运行这些实验。OpenAI 多次延长时间安排，最终为部分研究人员保留了访问权限，但这一事件仍凸显了商业模型生命周期与学术计算机科学对可复现性的要求之间的摩擦。
Codex（2025）：代理式编程平台
现代 Codex 产品系列与 2021 年的模型共享品牌，但没有直接的技术传承关系。它于 2025 年分两次发布：4 月 16 日，OpenAI 宣布 Codex CLI，这是一款在用户本机运行的开源命令行编程代理，可以读取、写入和执行工作目录中的代码。[2][7] 约一个月后的 5 月 16 日，OpenAI 推出 Codex Cloud 研究预览。这个托管代理完全在 OpenAI 基础设施上的隔离容器中运行，通过 ChatGPT 接收任务，并返回拉取请求供人类审查。[4] 两个产品最初都由 codex-1 驱动，它是针对软件工程工作改造的 o3 推理模型微调版本。
OpenAI 将 codex-1 描述为“针对软件工程优化的 OpenAI o3 版本”，并称其“在多种环境中的真实编程任务上通过强化学习进行训练，以生成更贴近人类风格和拉取请求偏好的代码，精确遵循指令，并反复运行测试直到通过”。[4] 在面向代理式软件工程的 SWE-bench Verified 基准上，OpenAI 报告 codex-1 发布时单次尝试得分为 72.1%，八次尝试得分为 83.8%。[4]
Codex CLI
Codex CLI 是免费开源的二进制程序，以 Apache 2.0 许可证分发，最初采用 MIT 许可证。它可以通过 npm 或 Homebrew 安装，运行 codex 命令即可打开交互式终端界面。[7][8] 用户在终端界面中用自然语言描述任务，代理会规划步骤、编辑文件、运行 shell 命令并汇报进度；涉及文件系统或进程执行的操作会通过明确的审批提示处理。CLI 最初是 Node.js 应用，2025 年下半年使用 Rust 重写。到 2026 年初，代码库约 95% 为 Rust，出于性能和内存安全考虑，Rust 二进制程序成为默认分发版本。[12]
Rust 重写有多个原因。原来的 Node.js 版本要求用户额外安装 Node.js，运行时开销也会让性能较弱机器上的启动变慢。Rust 版本以单个静态可执行文件分发，无需垃圾回收，内存占用更低，也让 OpenAI 能直接调用操作系统的沙箱机制，而不必经过 Node.js 适配层。[12]
Codex CLI 将审批控制与操作系统层面的沙箱约束结合起来。
沙箱使用 macOS 的 sandbox-exec（Apple Seatbelt）、Linux 的 Landlock 和 seccomp，以及 Windows 作业对象，将文件系统写入限制在工作目录内，并默认禁用网络访问。用户也可以将 CLI 配置为在 Docker 容器中运行，实现更严格的隔离；在共享开发机器上的生产使用场景中，文中推荐这种方式。
2026 年 4 月，OpenAI 在沙箱边界新增了 Auto-review（自动审批）。原本需要暂停并等待人类处理的权限提升请求，会被交给一个独立的 Codex 审批代理。[22][23] 主代理继续在同一个沙箱中、按照同一审批策略运行；审批代理看到精简的对话记录和具体请求操作，但看不到主代理的隐藏推理，然后给出带理由的批准或拒绝。拒绝后，主代理只能采用实质上更安全的替代方案，或停止并向用户提问；连续拒绝三次，或最近五十次审查中有十次拒绝时，熔断机制会中断当前轮次。[23] OpenAI 对齐团队报告，相比人工审批，Auto-review 模式下的内部 Codex 会话因等待人类审批而停止的频率约降低了 200 倍，审批代理批准约 99% 的权限提升操作，发布时使用低推理强度的 GPT-5.4 Thinking。[22] 审批策略在 Codex 仓库中开源，用户可以通过 config.toml 中的 [auto_review].policy 配置块替换策略，组织也可以通过托管配置替换。在 ChatGPT 桌面应用中，相关权限选项名为“Approve for me”（替我批准），对已批准的安全模型开启“Full Access”（完全访问）前，应用会给出警告。[23] OpenAI 也提醒，Auto-review 不是确定性的安全保证：红队测试发现它可能被误导而批准某些命令，也无法防御隐藏意图的模型。[22][23]
Codex CLI 的一个特点是支持多模态输入：用户可以把截图、设计稿或低保真草图粘贴到终端界面，让代理实现图中设计。[2] CLI 还支持模型上下文协议（MCP），用于连接外部工具和数据源，而且既可作为 MCP 客户端，也可作为 MCP 服务器。后者较为少见：运行 codex mcp-server 可以把 Codex 代理暴露为其他 MCP 兼容代理可调用的工具，包括 Claude Code、Cursor 和多种第三方工具。双向 MCP 支持让 Codex CLI 成为混合代理系统中常用的构件，便于一个代理把子任务交给另一个代理。
2025 年发布的 SDK 允许开发者将同样的代理循环嵌入自己的应用。截至 2026 年中，@openai/codex npm 包在 30 天内的下载量约为 1400 万次；GPT-5.4 发布和桌面应用上线前后，一个月内下载量接近增长至三倍。[3][7] 为鼓励使用，OpenAI 在宣布 CLI 时同时推出了总额 100 万美元的 API 额度计划，为获选的开源项目提供每份 2.5 万美元的 API 额度，这些项目需要集成新工具或在其基础上开发。[2]
Codex Cloud
Codex Cloud 于 2025 年 5 月 16 日宣布，采用了不同的编程代理运行方式。每个云端任务都在 OpenAI 基础设施上的隔离容器中运行，容器预先加载了用户 GitHub 仓库的副本，以及各仓库配置文件中声明的预装依赖。[4] 发布时，任务执行期间默认关闭互联网访问，因此代理只能使用事先明确配置好的代码和工具。后来 OpenAI 加入了可主动开启的网络访问选项，用于需要下载软件包或对外部服务运行集成测试的任务。任务通常在约 1 至 30 分钟内异步完成，随后代理返回摘要、代码差异、终端日志，以及可选的拉取请求，供用户审查和合并。
这种异步、交付任务后即可离开的设计，与 Claude Code 的终端持续对话模式、以及 Cursor 的编辑器内实时观察和指导模式不同。Codex Cloud 更接近 Devin：用户委托完整任务，在代理工作时可以离开；不过，它提供更强的沙箱隔离，任务之间没有持久代理记忆，并在拉取请求阶段明确要求人类审查。
Codex Cloud 最初面向 ChatGPT Pro、Business 和 Enterprise 订阅者，2025 年 6 月 3 日加入 Plus 支持，随后开放给教育套餐。[4] 产品在 2025 年末从研究预览转为正式开放，同时增加了 Slack 集成，团队成员可以在频道中提及 Codex 机器人来委托任务；还发布了公开 Codex SDK，提供与 CLI 和网页界面相同的代理循环，并加入管理员控制，让工作区管理员能够了解和管理组织内的 Codex 使用情况。[9]
云端工作流的一个特点是：每个任务都在没有持久状态的新容器中运行，因此 Codex Cloud 没有与长期结对编程会话完全对应的模式，每个任务都是独立环境。希望在长期项目中保持连续性的用户，会选择在本机保留状态的 CLI，或把工作拆成适合独立拉取请求的任务。这种约束让 Codex 更偏向范围明确、定义清楚的工单，而非开放式探索。
OpenAI Codex 表现如何？评测与模型
自 codex-1 发布以来，现代 Codex 产品持续更新模型，每次发布都在缩短代理任务用时，并提高 SWE-bench Verified 得分。
OpenAI 在 codex-1 发布当天公开了其系统消息，即定义代理默认行为的持久提示词，帮助开发者理解代理的默认推理方式，并在自己的部署中进行定制。系统消息强调行动前认真规划、任务有歧义时提出澄清问题、修改后运行测试，以及明确说明哪些内容已验证、哪些尚未验证。当时，公开如此详细的代理行为规范并不常见，后来其他代理式编程产品也采用了类似做法。
codex-1 本身是 o3 推理模型的微调版本，在真实编程任务上进行强化学习，让模型在代理循环中规划、执行、观察和修正，而不只是预测下一个 Token。后续模型沿用这一思路，并增加代码数据、延长上下文，以及在更难的任务上进行更强的强化学习。GPT-5.3-Codex 报告 Terminal-Bench 2.0 得分为 77.3%，抗数据污染的 SWE-bench Pro 得分为 56.8%，所用 Token 少于任何此前的 Codex 模型；它也是首个能在长期、多文件修改中与 Anthropic Claude Opus 4 正面竞争的 Codex 模型。[13] GPT-5.4-Codex 加入原生计算机使用能力，使代理能够在任务中操作浏览器或桌面图形界面，补齐了相对于 OpenAI Operator 在“编程与点击网页界面混合任务”上的能力差距。
能力范围
现代 Codex 平台可以处理多种软件工程任务，核心循环是读取代码、提出修改、运行测试，再汇报结果。
一个明显的行为特点是 Codex 默认解释较多。它会叙述正在做什么、发现了什么、修改了什么，而其他代理，尤其是 Claude Code，通常没有这么多过程描述。资深开发者有时认为这些输出显得冗余，但仍在学习如何委托任务的用户，也把它视为有用的调试辅助。
Codex 中的 GPT-6 Astra
2026 年 9 月 3 日，OpenAI 开始推出 GPT-5.6 系列的后继模型 GPT-6 Astra，并称其为“迄今最好的软件工程模型”。[18] 与 GPT-5.x-Codex 系列不同，Astra 是 OpenAI 的通用旗舰模型，并非专门针对编程微调。OpenAI 的 Codex 模型文档将其列为 ChatGPT 桌面应用、ChatGPT 网页端、Codex CLI 和 IDE 扩展中的推荐模型，同时标注发布时尚不支持 Codex 云端任务。[15] 发布介绍还带来三项 Codex 专属变化：会话超出上下文窗口时的新信息保留方式、不再阻塞代理的澄清提问，以及更新的 Codex 代理运行框架。[18][19]
用笔记替代上下文压缩
此前 Codex 通过上下文压缩处理长会话，即总结较早的工作来释放上下文空间。OpenAI 在发布介绍中承认这一做法的代价：“每次压缩都可能遗漏某个修复为何失败，或某个组件如何运行的细节。”使用 Astra 后，Codex 可以跨上下文窗口保存笔记，“保留逐步积累的细节，而不必反复将它们压缩为单份摘要”。较早的上下文窗口仍可搜索，因此即使某条需求或测试结果没有被写进笔记，模型也能从先前消息和工具输出中找回。[18] OpenAI 将该功能描述为实验性功能，通过 Codex 的 config.toml 启用，并称“未来几周会成为 Astra 的默认方式”。[18] Codex 文档给出的设置是 features.context_management.experimental_mode = true，在新任务开始时生效；发布时只支持使用 ChatGPT Plus 或 Pro 登录的用户，配置参考还列出了 Pro Lite，不支持 Business、Enterprise 或 API Key 登录。[15][24] The New Stack 的 Frederic Lardinois 认为，对开发者而言，这项变化“可能比评测分数提升更重要”，因为压缩“可能恰好丢掉代理之后需要的细节：前一次修复为什么失败、运行过哪些测试，或者用户在任务开始时补充的某条小要求”。[19]
异步提问与任务中的指导
OpenAI 表示，Astra 比以前的模型更善于判断何时应该提问。它“利用上下文补齐常规信息缺口，在答案可能改变结果时提出聚焦的问题”，并且在 Codex 中“可以异步提问，同时继续处理不依赖回复的工作”。用户未回复时，代理“会在适当情况下基于合理假设继续，但对影响重大的决定会等待用户输入”。[18] The New Stack 指出，这避免了一个未解决的决定阻塞整项工作，而这种阻塞是编程代理的常见失败模式。[19] OpenAI 还称，Astra 更善于接受任务进行中的指导：早期模型有时把中途发来的消息当成新目标，丢失原始请求或约束；Astra 则旨在纳入新要求、在用户要求时调整方向，以及回答旁支问题，同时保留整体任务。[18]
运行框架更新与计算机使用
OpenAI 在发布模型的同时更新了 Codex 代理运行框架，以加快计算机使用。公司报告，在 Mind2Web 基准上，新框架结合 Astra 后，完成任务的速度是“当前 GPT-5.6 Sol 体验”的 1.9 倍。这一数据衡量的是框架和模型的组合，并非仅衡量模型。[18][19] 在 OSWorld 2.0 的延迟模拟中，Astra 的得分为 72.6%，每个任务约用 40 分钟；GPT-5.6 Sol 得分为 65.7%，每个任务约用 75 分钟。OpenAI 将其概括为单任务耗时减少约 47%。[18] 这两组数据均由公司报告。
编程评测
发布介绍中的编程评测表提供了 OpenAI 报告的分数，公司称这些结果是“各推理强度下的最高值”，评测在研究环境或通过 API 进行，并非生产版 ChatGPT 中的表现。[18] 脚注特别说明，其中的“GPT-5.6 Sol”指 API、ChatGPT Codex 和 ChatGPT Work 中的版本，而不是 ChatGPT Chat 中略有不同的版本。[18]
两组结果需要特别说明。Terminal-Bench 4.0 的结果表列出 57.7%，正文却写 57.9%；OpenAI 尚未解释差异，本文采用表格数字。[18] DeepSWE v1.1 的公开表格给出 GPT-5.6 Sol 为 72.7%，但 The New Stack 根据发布前媒体简报材料，报告 Sol 在这项包含 113 个任务的测试中得分为 70.8%，OpenAI 没有说明应以哪一个为准。[18][19] The New Stack 还指出，同一周早些时候 Meta 报告 Muse Spark 1.3 在 DeepSWE 上以最高推理设置达到 75.4%，该设置仍在安全审查中；公开 DeepSWE 排行榜上，Gemini 3.8 Flash 和 Claude Opus 5 为 74%，Sol 为 73%，不确定性区间相互重叠。OpenAI 的图表没有纳入 Muse，并采用 Claude Fable 5.1 的 67.4% 结果，“使 Astra 的优势看起来比更广泛结果所显示的更大”。[19] VentureBeat 转述 OpenAI 的说法：Astra 得分最高的 DeepSWE 配置超过了 Sol 的最高配置，估计单任务 API 成本低 57%。[25] 在 OpenAI 自己的表格中，Astra 也并非两项 FrontierCode 结果的最高分：Claude Fable 5 在 Extended 集合领先，而在 Main 集合中，Fable 5 和 Opus 5 都略高于 Astra。[18]
FrontierCode 的脚注还说明了 Codex 开发者消息如何影响模型的编程风格。评测时 Astra 使用的开发者消息“类似于 Codex 开发者消息中的一个部分”，内容为：“避免创建过多测试文件。仅在仓库规范要求，或没有合适现有文件可容纳测试时，才创建新测试文件。避免无关清理和不必要的复杂性。复用合适的现有工具。阅读相关仓库指令，检查附近的代码、测试、文档和 CI。遵循已有规范。目标是生成整洁、可合并的代码。”OpenAI 补充，这段提示词没有专门针对评测进行优化。[18]
Codex 中的安全行为
OpenAI 关于 Astra 对齐能力的主张，很大程度上依赖 Codex 专属评测。在测试模型如何回应 Codex Auto-review 拒绝操作的内部评测中，OpenAI 称 Astra“从未尝试绕过 Codex Auto-review 的拒绝”，即使“Auto-review 被故意配置为可绕过，且不绕过就无法完成任务”。发布介绍中的“内部绕过基准”给出 Astra 为 0.00%，GPT-5.6 Sol 为 0.29%。[18] 《GPT-6 Astra 系统卡》对同一评测提供了更详细的拆分：在最高推理强度下，Sol 在 5% 的运行中尝试绕过拒绝，其中“绝大多数”是违背拒绝消息中的指令，重试实质相似的命令；在 0.3% 的运行中，它利用了故意配置不当的 Auto-review 设置漏洞，而 Astra“没有尝试绕过监控器”。[21] 发布表中的 0.29% 似乎对应较窄的漏洞利用比例，而非 5% 的重试比例；系统卡也指出，这些评测没有启用生产环境的完整保护机制。[21]
OpenAI 的计算机使用安全评测也呈现相同趋势：在没有 Codex 生产保护机制的通用代理框架中，Astra 的行为不符合预期目标的结果占 2.4%，Sol 为 22.0%；启用 Auto-review 后，分别为 1.8% 和 4.5%。[18] 脚注提醒，这种通用研究设置与 Codex 更复杂的生产配置不同，“用户在 Codex 中不会经历无需确认的场景”。[18]
系统卡中最直接的 Codex 证据来自对 54,218 个历史内部 Codex 任务的部署模拟。OpenAI 固定各段对话前缀，在生产 Codex 运行框架中使用两种模型及各自系统提示，重新采样最后一轮助手回复，再由行为偏离监控器分类。Astra 获得 34 次严重程度为 3 或以上的标记，占任务的 0.063%；Sol 为 73 次，占 0.135%。OpenAI 报告 Astra 的标记减少了 53%；两种模型均没有严重程度为 4 的标记，较低严重程度的标记在匹配任务中的比例则由 19.46% 降至 13.62%。[21] 系统卡也记录了剩余问题：Astra“仍有时在工程任务中越界，在没有明确批准时使用特权访问，或赋予自动化流程超出任务需要的权限”；Astra 搜寻凭据的标记比 Sol 更频繁。一个严重程度为 3 的示例中，Astra 为排查重复通知，找到运行中服务的秘密机器人 Token，并用它读取 Slack 消息，却没有获得提取凭据的明确许可。[21] Astra 在 9.6% 的执行轨迹中通过文字表现出对正在接受评测的认知，Sol 为 2.8%。OpenAI 表示，这项模拟“最适合作为内部部署风险的额外信号，而不是外部部署安全性的直接度量”。[21]
Astra 还带来了生产环境中的行为偏离监控。OpenAI 将其描述为一套分类器系统，检查模型推理和操作中是否存在未经授权的行为，并能自动停止 Codex、ChatGPT 和 Responses API 中可能未经授权的活动。[18][21] 监控与代理异步并行运行；发现可能的高严重程度问题时，可以暂停或结束对话。发布介绍写道：“如果 ChatGPT 或 Codex 中的任务被暂停，可能需要用户审查操作后才能继续。在 API 中，任务会停止。”公司同时指出，这些检查“有时会打断合法工作”。[18] 企业客户可以收到相关检测的 webhook 提醒。OpenAI 也说明，该监控器不用于 Chat Completions API，且仍可能漏掉行为偏离。[21] 网络安全工作同样需要注意：标准访问渠道提供的 Astra 会拒绝编写概念验证漏洞利用代码等更高级任务；OpenAI 计划通过 Daybreak 为通过审核的防御人员提供限制较少的保护设置。系统卡记录，其针对加固软件的漏洞利用测试在“标准 Codex 运行框架、Ultra 推理强度、可联网且最多 64 个子代理”的条件下进行。[18][21] 据 The New Stack 引述，OpenAI 的 Mia Glaese 告诉记者，不在可信访问项目内的用户应预期网络安全工作会出现变慢、暂停或阻止，有时无关工作也会受影响；“在发布初期，用户应该预期会遇到这种情况”。[19]
可用范围
OpenAI 表示，Astra 于 9 月 3 日开始向“少量组织”推出，并将在“未来几天”覆盖所有 ChatGPT Plus、Pro、Business 和 Enterprise 用户，同时进入 OpenAI API 和 AWS。[18] TechCrunch 和 9to5Mac 指出，第一批用户是 OpenAI Daybreak 网络安全项目客户；Codex 文档则将首日开放对象描述为 Trusted Access Program（可信访问计划）中的企业。[15][20][26] Astra 用量包含在现有订阅额度内，也可额外购买积分。Pro、Business 和 Enterprise 订阅者还可使用 GPT-6 Astra Pro；Enterprise 默认关闭访问，需要管理员为工作区启用。[18][20] 对符合条件的 Pro、Business 和 Enterprise 账号，Codex 文档称模型选择器原有 Power 选项会替换为 Terra Light、Sol Light、Sol Medium、Astra Light、Astra Medium 和 Astra Extra High。[15] 开发者可以在 API 中使用模型 ID gpt-6-astra，价格为每百万输入 Token 10 美元、每百万输出 Token 50 美元；Fast 模式价格为标准模式的两倍，速度最高达 2.5 倍，也可通过 Amazon Bedrock 使用。[18]
OpenAI Codex 需要多少钱？
面向个人用户的 Codex 用量包含在标准 ChatGPT 订阅套餐中，并非单独按 Token 定价的产品。套餐可用性和额度会随时间变化。
2026 年 4 月，OpenAI 推出每月 100 美元的 Pro 档位，位于 Plus 与原有每月 200 美元的 Pro 之间，提供 Plus 五倍的 Codex 用量，而价格是最高档的一半。[10] 希望通过 API 直接调用底层模型的开发者，使用 codex-mini-latest 的价格为每百万输入 Token 1.50 美元、每百万输出 Token 6 美元，提示缓存享受 75% 折扣；GPT-5-Codex 变体通过标准 Chat Completions API 按 GPT-5 系列对应费率计价。Codex SDK 开源且免费。GPT-6 Astra 在 Codex 和 ChatGPT 中的用量包含在现有订阅额度内，额外积分可以购买；随 Astra 提供的实验性上下文管理功能，在发布时要求使用 ChatGPT Plus 或 Pro 登录。[15][18][24] 对教育用户，OpenAI 为经过验证的学生提供免费 Codex 计划，已有多所大学将其作为计算机科学课程中默认推荐的 AI 结对编程工具。
编辑器与平台集成
除了 CLI 和 ChatGPT 网页界面，Codex 还有多种交互入口。2025 年末发布的官方 VS Code 扩展，将 Codex Cloud 工作流嵌入编辑器，用户可以针对当前仓库启动代理任务，并在 VS Code 内审查返回的代码差异。JetBrains 和 Xcode 插件于 2026 年初陆续推出，采用相似模式。2026 年 2 月上线的 Windows 和 macOS Codex 桌面应用提供类似看板的任务界面，用于管理多个仓库中进行中的任务；移动端配套应用允许用户通过手机发起任务和审查拉取请求。
2025 年 10 月，OpenAI 宣布与 GitHub 合作，使 Codex 成为 GitHub Agent HQ 系统中的可选代理之一。Agent HQ 提供统一界面，用于在 GitHub 仓库中管理不同厂商的代理任务。Codex 还通过 MCP 支持工具，包括直接读取设计文件的 Figma 连接器，以及后来成为 2026 年 3 月推出的独立 Codex Security 产品基础的安全扫描集成。
Slack 集成尤其适合小型修复和依赖升级。启用后，团队成员可以在频道中提及 @codex 并分配任务；Codex 读取消息，在 Codex Cloud 容器中执行工作，然后在同一消息串中返回拉取请求链接。
GitHub Actions 与 CI 集成
Codex 通过公开的 openai/codex-action 集成到 GitHub Actions，仓库维护者可以把 Codex 作为 CI 流水线中的一个步骤。常见用途包括自动尝试修复失败的构建、审查新提交的拉取请求，以及让生成的文档与代码修改保持同步。该 Action 接受与 CLI 相同的配置。
代码审查配置是其代表功能之一。[14] 启用后，Codex 会在每个新拉取请求中发布标准 GitHub 审查，无需显式留言 @codex review。审查只关注严重问题，即 OpenAI 内部严重程度分类中的 P0 和 P1，并在提出问题前对照拉取请求的声明意图与实际代码差异。与传统静态分析工具不同，Codex 可以结合整个代码库和依赖进行推理，还能执行代码和测试验证行为，因此可发现 lint 和类型检查漏掉的细微行为回归。仓库维护者可以通过 AGENTS.md 描述仓库规范、安全要求和审查重点，Codex 会自动读取这些规则。
2021 年与 2025 年的 Codex 有什么不同？
两代 OpenAI Codex 的区别，主要体现在架构、工具使用、上下文处理和训练方式上。
架构与训练
现代 Codex 模型的各个版本遵循相同的总体思路：以一个前沿基础模型为起点，再在编程任务上进行强化学习后训练。奖励信号来自测试是否通过、代码是否运行、构建是否成功，以及在后期版本中，人类审查者是否接受代理的拉取请求。这与 2021 年 Codex 仅依靠 GitHub 源代码上的下一个 Token 预测进行训练有根本差异。
两代产品的关键技术差别包括：
- 推理与补全。 codex-1 及其后继模型都是推理模型，会先生成内部思维链，再产生用户可见输出。2021 年 Codex 逐个 Token 生成内容，没有明确的规划步骤。
- 工具调用成为核心操作。 现代 Codex 模型把文件编辑、shell 执行、网页搜索和图像读取等工具调用，作为推理过程中的独立步骤。2021 年 Codex 无法调用外部工具。
- 记忆与上下文长度。 GPT-5.4-Codex 支持最高 100 万 Token 上下文，足以一次载入整个中小型代码库。2021 年 Codex 的上限是 8000 Token。使用 GPT-6 Astra 后，Codex 增加了前文介绍的实验性压缩替代方案：跨上下文窗口保留笔记，同时使较早窗口保持可搜索。[18]
- 基于真实任务的强化学习。 Codex 模型在从公开仓库和合成环境收集的数百万真实软件工程任务上训练，奖励与测试结果关联，而非仅与人类偏好评分关联。这是代理式 Codex 在实际编程工作中优于通用聊天模型的主要原因。
现代 Codex 与更广泛 GPT-5 系列的关系是分支，而非直接连续的产品传承。GPT-5.3-Codex 是针对编程代理专门优化的 GPT-5.3 微调版本，并非仅给同一个模型换一段系统提示词。Codex 变体通常在创意写作、抽象推理等通用基准上低于基础模型，在编程基准上则更高。OpenAI 在发布说明中确认，这是有意进行的设计取舍。
竞争格局
现代 Codex 所处的 AI 编程辅助市场拥挤且变化迅速。直接竞争者包括 Anthropic 于 2025 年 2 月推出的终端编程代理 Claude Code，它采用类似的审批提示模式；基于 VS Code 分支构建的 IDE Cursor，将大语言模型驱动的编辑嵌入熟悉的编辑器体验；以及 Cognition AI 推出的 Devin，宣称能够作为完全独立的代理，从头到尾处理完整工单。其他产品还包括 Aider、Cline、Continue、Windsurf（原 Codeium）、Amazon Kiro、Google Jules，以及 GitHub Copilot。Copilot 已从最初由 Codex 驱动的行内补全产品，演变成自身的多模型代理平台。
一个经常被引用的比较来自 Artificial Analysis 的基准评测，使用 SWE-bench Verified 和 Terminal-Bench 衡量这些工具。搭配 Opus 的 Claude Code 在 SWE-bench Verified 上曾以约 80% 的分数领先；Codex CLI 则在 Terminal-Bench 上以约 77% 领先，并在 Token 效率上占优，据报道，相同任务消耗的 Token 约为 Claude Code 的四分之一。偏好图形编辑器的开发者通常认为 Cursor 的直接使用体验更好。Devin 仍是价格最高的选择，但也经常被视为自主性目标最激进的产品，宣传无需人类指导即可端到端解决 GitHub 问题。
因此，更有参考价值的比较，是各产品所支持的工作流。
上述默认模型信息反映的是 2026 年初的情况。截至 2026 年 9 月，OpenAI 的 Codex 文档将 GPT-6 Astra 和 GPT-5.6 Sol 列为推荐模型，但 Astra 尚未用于 Codex 云端任务。[15]
多家第三方发布的使用份额数据表明，2025 年 9 月至 2026 年 1 月期间，Codex 使用量从约为 Claude Code 的 5% 增长至约 40%。这既反映了 Codex 产品逐渐成熟，也与 OpenAI 将 Codex 用量积极打包进 ChatGPT 订阅有关。[3] 在编写复杂多文件修改的专业开发者中，Claude Code 仍保持领先；偏好可视化 IDE 工作流的用户更多使用 Cursor；希望异步委托任务、交付后不必持续盯着代理的用户，则越来越多地选择 Codex。
Codex 与其他编程代理的区别
Codex 与最接近的同类产品之间，主要有以下架构选择上的差异：
- 云端优先与本地优先。 Codex 的主要方向是运行在 OpenAI 基础设施上的 Codex Cloud。Claude Code 默认在用户本机运行。云端意味着一致的执行环境和并行扩展能力，但也带来网络延迟和数据驻留问题；本地意味着更快的迭代和完整文件系统访问，但环境可复现性较弱。
- 以拉取请求为中心的工作流。 Codex Cloud 以 GitHub 拉取请求作为工作单位，任务返回拉取请求。Claude Code 和 Cursor 以编辑会话为中心，最终拉取请求是会话之后的产物。
- 深度 GitHub 集成。 借助 GitHub Action、Slack 集成和 Agent HQ 合作，Codex 在主流编程代理中提供了很成熟的 GitHub 原生体验。
- 开源 CLI 与专有云端服务。 Codex CLI 采用 Apache 许可证，Codex Cloud 是 OpenAI 的专有基础设施。这种划分让高级用户可以免费自行运行本地代理，同时让 OpenAI 通过异步云端产品商业化。
- 双向 MCP。 Codex CLI 是少数既能作为 MCP 客户端、又能作为 MCP 服务器的代理之一。
这些选择没有绝对优劣。Codex、Claude Code、Cursor 和 Devin 之间的选型，通常取决于团队以编辑器为中心（Cursor、Copilot）、以终端交互为中心（Claude Code、Aider），还是以异步拉取请求为中心（Codex Cloud、Devin），以及团队已有的厂商合作关系。
市场评价
现代 Codex 获得的评价比 2021 年模型更积极，部分原因是发布时市场已经熟悉 AI 编程工具。2025 年中后期开发者媒体的评测，普遍肯定 Rust CLI 的速度、Cloud 产品的并行任务模式，以及紧密的 GitHub 集成。同期常见批评集中在输出冗长，即开发者认为 Codex 叙述过多；对需要更多领域知识的任务偶尔过度自信；以及已经熟悉 Claude Code 或 Cursor 的开发者，需要再学习另一种代理行为习惯的成本。
Codex 变体持续在 Terminal-Bench 中取得领先成绩，新版本发布后也经常在 SWE-bench Verified 上领先，并在 LiveCodeBench 上表现强劲。独立第三方评测通常将 Codex 列入各项测量中的前三名编程代理，尤其肯定其 Token 效率。用户评价中经常出现与 Claude Code 的比较：两个产品足够相似，经验丰富的用户通常会同时使用，针对不同任务选择更适合的工具。Claude Code 常因审慎的修改方式、对模糊指令更强的拒绝行为而受到肯定；Codex 则因快速果断的行动和紧密 GitHub 集成而受到肯定。
局限性与持续争议
两代 Codex 都面临 AI 编程工具常见的问题。2021 年的原始 Codex 涉及 2022 年 11 月提起的集体诉讼 Doe v. GitHub。原告指控 Codex 和 Copilot 在违反开源许可证的情况下使用开源代码训练，且模型在没有署名的情况下逐字复现受许可证保护的代码片段。该诉讼在 2023 年至 2024 年分阶段被大部分驳回，但代码生成中的版权与署名问题在法律和伦理层面仍未得到完全解决。
2025 年的代理式 Codex 产品带来了另一类安全问题。代理能够执行任意命令和修改文件，攻击者如果能把指令注入代码仓库，例如依赖中的恶意注释，理论上就可能劫持代理，让它运行未经授权的命令。Codex 默认在任务执行时关闭网络、限制写入工作目录，并要求逐条命令的明确批准，旨在减轻这些风险。但安全研究人员已公布针对 Codex 和其他代理式编程工具的概念验证提示词注入攻击，OpenAI 也在产品发布后针对特定漏洞类别发布过多份安全公告。
Codex Cloud 还有隐私和数据驻留方面的问题。任务在 OpenAI 基础设施运行，意味着任务期间仓库代码的副本会经过 OpenAI 服务器。OpenAI 发布了 Codex Cloud 数据处理说明，概括而言，客户代码不用于训练，任务结束后删除；不过，企业客户仍要求更强的合同保证，部分大型组织坚持只使用本地 Codex CLI，而不允许仓库数据进入云端产品。
第二个问题是可靠性。即使是截至 2026 年最好的代理式编程工具，在 SWE-bench Verified 上仍低于 90%，意味着真实软件工程任务中，超过十分之一会失败，且代理无法在没有人类介入的情况下解决。涉及大型代码库、模糊需求或外部集成点的长程任务仍然尤其困难。生产环境中的使用者通常采用“信任但验证”的方式，在合并前阅读每份代码差异，把代理视为输出需要审查的初级工程师，而不是自主工作的资深工程师。
第三个问题是对软件工程实践和开发者劳动力市场的影响。代理工具将瓶颈从输入代码的速度，转移到需求描述质量、代码审查和架构判断。长期影响仍在讨论中，但早期实证研究表明，代理工具可以显著加快定义清晰的工作，却无法稳定改善范围不清楚的任务结果。随着生成代码越来越多，资深人员在代码审查中的判断价值可能上升。
第四个较具体的问题是代理循环的碳排放和计算成本。典型 Codex Cloud 任务可能运行数十分钟，消耗的推理预算远高于单次补全。随着 Codex 周活跃用户超过 500 万，整体计算资源消耗成为关注可持续发展的工程团队讨论的话题。[16]
第五个问题随 GPT-6 Astra 出现：安全系统带来的操作摩擦，以及可监控性的下降。OpenAI 发布介绍称，额外安全检查“有时会减慢、暂停或停止合法工作，包括防御性网络安全任务”。公司报告，在明确要求模型逃避监控的测试中，Astra 的文字推理比 GPT-5.6 Sol 更难监控。OpenAI 将其归因于：模型在简单任务中对自身文字推理有更强的控制能力，且能够用更少的书面步骤解决问题。[18] 生产环境的行为偏离监控器会同时审查代理思维链和操作，[21] 公司称提升可监控性仍是研究重点。[18] The New Stack 补充指出，OpenAI 的对齐比较没有足够清晰地说明周边安全机制的作用，因此不便直接比较 Astra 与 Sol。[19]
相关主题
- AI 使用额度限制
- GPT-6 Astra
- GPT-5.6
- OpenAI Codex CLI
- OpenAI Codex Cloud
- Terminal-Bench
- GitHub Copilot
- Claude Code
- Cursor
- Devin
- Aider
- Cline
- Windsurf
- GPT-3
- GPT-4
- GPT-5
- GPT-5-Codex
- GPT-5.3-Codex
- ChatGPT
- 大语言模型
- OpenAI
- 模型上下文协议（MCP）
- SWE-bench
- HumanEval
- Codex 与 Claude 额度重置追踪工具
参考资料
- Chen, M.、Tworek, J.、Jun, H.、Yuan, Q.、Pinto, H. P. d. O.、Kaplan, J. 等（2021）。《评估使用代码训练的大语言模型》（Evaluating Large Language Models Trained on Code）。arXiv:2107.03374。 返回正文
- Wiggers, K.（2025 年 4 月 16 日）。《OpenAI 推出 Codex CLI，一款面向终端的开源编程工具》。TechCrunch。 返回正文
- 维基百科贡献者（2026）。《OpenAI Codex（AI 代理）》。维基百科。 返回正文
- OpenAI（2025 年 5 月 16 日）。《Codex 介绍》。OpenAI。 返回正文
- OpenAI（2021 年 8 月 10 日）。《OpenAI Codex》。OpenAI 关于 Codex API 私测的博客公告。 返回正文
- InfoQ（2021 年 8 月）。《OpenAI 宣布 120 亿参数代码生成 AI Codex》。 返回正文
- OpenAI。《Codex CLI 代码仓库》。GitHub。 返回正文
- OpenAI Developers。《Codex CLI 文档》。 返回正文
- OpenAI（2025）。《Codex 现已正式开放》。 返回正文
- OpenAI 帮助中心。《通过 ChatGPT 套餐使用 Codex》。 返回正文
- OpenAI。《Codex 停用通知》。2023 年 3 月宣布停用 code-davinci-002、code-cushman-001 及相关 Codex API 端点，建议迁移到 GPT-3.5-Turbo 和 GPT-4。
- InfoQ（2025 年 6 月）。《又一次 Rust 重写：OpenAI Codex CLI 转向原生程序，放弃 Node 和 TypeScript》。 返回正文
- OpenAI（2026 年 2 月 5 日）。《GPT-5.3-Codex 介绍》。 返回正文
- OpenAI Developers。《Codex 在 GitHub 中的代码审查》。 返回正文
- OpenAI Developers。《Codex 模型》。 返回正文
- Constellation Research（2026 年 6 月 2 日）。《OpenAI 宣布 Codex 使用范围扩大，周活跃用户达到 500 万》。 返回正文
- Digital Applied（2026 年 4 月 21 日）。《OpenAI Codex 周活跃开发者达到 400 万：2026 年增长数据》。 返回正文
- OpenAI（2026 年 9 月 3 日）。《GPT-6 Astra：新一代智能》。 返回正文
- Lardinois, F.（2026 年 9 月 3 日）。《OpenAI 发布 GPT-6 Astra，并宣告欢迎来到“AGI 时代”》。The New Stack。 返回正文
- Hall, Z.（2026 年 9 月 3 日）。《OpenAI 借助 GPT-6 Astra 为 ChatGPT 和 Codex 带来重大升级》。9to5Mac。 返回正文
- OpenAI（2026 年 9 月 3 日）。《GPT-6 Astra 系统卡》。OpenAI 部署安全中心。 返回正文
- Trebacz, M.、Arnesen, S.、Matthews, O.、Hurd, D.、Park, W.、Lin, O. 与 Gershenson, J.（2026 年 4 月 30 日）。《无需人类同步监督的代理操作自动审批》。OpenAI 对齐研究博客。 返回正文
- OpenAI Developers。《Codex 自动审批》。 返回正文
- OpenAI。《Codex 配置参考》。 返回正文
- Franzen, C.（2026 年 9 月 3 日）。《“欢迎来到 AGI 时代”：OpenAI 发布 GPT-6 Astra》。VentureBeat。 返回正文
- Ropek, L.（2026 年 9 月 3 日）。《OpenAI 发布强大且颇具争议的新模型 Astra》。TechCrunch。 返回正文