CY：Codex桌面端深度体验：功能、技巧、定价、和Claude Code的正面交锋

CY：Codex桌面端深度体验：功能、技巧、定价、和Claude Code的正面交锋 CY：Codex桌面端深度体验：功能、技巧、定价、和Claude Code的正面交锋 Modified February 4 不只是写代码 早期的 AI 编程助手像一个只会写代码的实习生。你让它写个按钮，它给你一段代码。但是部署？项目管理？读设计稿？这些它都不会。 Codex 用一套叫 Skills 的技能系统解决了这个问题。Skills 本质上是给 AI 装的"技能包"。一组指令、脚本和参考文档，打包成一个文件夹。 内置的技能包括： Figma 设计稿直接生成代码 、一键部署到 Vercel/Netlify/Cloudflare/Render、读取 Linear 项目看板、用 GPT Image 生成图片、创建 PDF 和电子表格。 更有趣的是技能的创建方式。你不需要写插件、配 API、搞复杂集成。只需要创建一个文件夹，里面放一个 SKILL.md就是一个纯文本 Markdown 文件，用自然语言告诉 AI 怎么操作。没有代码，没有 API 调用， 一个 Markdown 文件就是一个技能 。 放在 /.codex/skills/ 下是个人技能，放在项目 .codex/skills/ 下提交到 Git 就是团队共享。整个系统开源。 让 AI 自己上班 Skills 解决的是"AI 能做什么"。 Automations 解决的是"AI 什么时候做"。 在 OpenAI 内部，Codex 的 Automations 已经在处理这些事：每天早上自动整理 GitHub Issues 的优先级，CI 构建失败时自动分析原因并给出建议，每天生成一份发布简报，定期扫描代码库寻找潜在 bug。 这些任务以前要么靠人工。每天花 30 分钟整理 issue，要么干脆没人做，谁有空天天写发布简报？现在 AI 定时执行，结果放在审核队列里，你打开看一眼，确认或驳回。 它不会自作主张，这是 Codex 在自动化上画的红线。 更强的玩法是组合： Automation 定时触发 → 调用 Skill 执行具体工作 → 通过 MCP 协议连接 GitHub、Slack、Linear → 结果回到审核队列。一条完整的自动化流水线。 打通所有工具 传统 AI 助手只能看到你的代码文件。它不知道你的 Jira 有什么任务，不知道 Sentry 报了什么错，不知道 Figma 设计长什么样。它像一个被关在房间里只能看代码的工程师。 MCP（Model Context Protocol） 把房间的门打开了。通过这个协议，Codex 可以接入 GitHub、Figma、Linear、Sentry、Playwright、Chrome DevTools、Docker 等几乎所有开发工具。 实战中，你可以在 Slack 里说一句"@Codex 修 123 bug"，它自动接活、去 GitHub 读代码、修复问题、创建 PR、把链接回复到 Slack。也可以搭建自动 PR 审查流水线：新 PR 触发 → GitHub MCP 读取变更 → Codex 分析 bug 和性能问题 → 自动发评论。开发者回复"codex fix it"，它直接提交修复。 配置在 /.codex/config.toml 里，CLI 和 IDE 扩展共享同一份，设一次到处能用。 一份给 AI 看的规则手册 多 Agent 同时干活，如果没有统一的规矩，生成的代码风格五花八门，测试不跑，禁区乱改。这是让人奔溃的。 AGENTS.md 就是解决这个问题的。它是一个放在项目里的 Markdown 文件，告诉所有 AI agent：这个项目的规矩是什么。 这不是 OpenAI 一家的发明。AGENTS.md 已经成为行业标准，由 Linux 基金会下的 Agentic AI Foundation 管理，OpenAI Codex、Google Jules、Cursor、Amp、Factory 等工具共同参与制定。 一份典型的 AGENTS.md 包含： 项目结构（代码放哪、测试放哪）、 编码规范（TypeScript strict、禁止 any）、 测试命令（pnpm test）、 Git 规范（Conventional Commits） 禁区 （不要改 schema 文件、不要删测试、加新依赖先问）。 它支持层级覆盖： 全局默认 → 项目级 → 子目录级，越深层优先级越高。 效果是立竿见影的： 写了 AGENTS.md 的项目，AI 生成的代码风格一致、遵守禁区、改完自动跑测试。 没写的，每次都在赌 AI 的"发挥"。 怎么跟它说话 OpenAI 自己出了一份提示词指南， 里面有几条违反直觉的建议。 第一条：不要让它汇报计划。 很多人习惯说"先告诉我你打算怎么做"。官方说不要。这会让模型花大量 token 输出一份计划书，然后在执行到一半时突然停下来。让它直接干活。 第二条：越具体越好。 "帮我改进代码"是最差的 prompt。"修复 login.ts 第 42 行 TimeoutError，原因是 Redis 连接超时，改完跑 npm test"才是好的。指定文件名、行号、错误信息、验证命令。 第三条：批量处理。 不要让 AI 先读文件 A，等它读完再读文件 B。一口气说"先读 auth.ts、db.ts、routes.ts，然后基于这三个文件修改"。三轮交互变一轮，省 token 省时间。 第四条：给约束。 "不要动 config/ 目录"、"用已有的 DatabaseClient 类"。没有约束的 AI 就像没有围栏的牧场，什么地方都可能跑过去。 第五条：推理强度不要拉满。 Codex 有五档推理强度。Minimal 到 xHigh。日常编码用 Medium 就够了，又快又省钱。只有最复杂的架构设计才需要开到 High 或 xHigh。 日常操作 桌面端的交互围绕几个高频操作展开。 /diff 是合并前必看的。用红绿对比显示 AI 改了什么，可以对某一行加评论让 AI 修改。 /compact 解决对话过长的问题，压缩上下文但保留核心信息，可持续工作数小时不走偏。 /new 是果断放弃的按钮，当 AI 彻底迷路时从头来。 /init 帮你自动生成 AGENTS.md。 /review 让 AI 扫描代码找问题。 /skills 查看和调用技能。 快捷键方面， Cmd+J 呼出终端、 Cmd+K 命令面板、 Cmd+/ 帮助、 Ctrl+M 长按语音输入。 权限管理采用渐进信任模式：从 Read Only 开始，信任后切到 Workspace Write，必要时再开 Full Access。需要 AI 访问额外目录用 add dir， 不要直接关闭沙箱 。 那些用它做出来的东西 发布演示中，OpenAI 用 单条 prompt 让 AI 构建了一个完整的赛车游戏——8 张地图、多辆可选赛车、道具系统消耗了 700 万 token。这更像是一次技术秀，但它确实说明了 40 万 token 上下文窗口的可能性。 OpenAI 内部一个 4 人团队用 Codex 在 28 天内完成了 Sora 的 Android 应用 。 Peter Steinberger 独自构建了整个 OpenClaw 项目。 Cisco 的工程团队用它加速产品组合开发。 Superhuman 用它提高测试覆盖率，甚至让产品经理也能直接写代码。 社区报告显示，Codex 预审 PR 可以减少约 60% 的人工审查时间 。 钱的问题 Codex 的定价分两条路。 订阅制 （通过 ChatGPT 账号）：Plus $20/月，每 5 小时 30 150 条消息，适合偶尔用。Pro $200/月，300 1,500 条，适合天天用。Business $25 30/人/月，无限 GPT 5 消息。Enterprise 自定义。 API按量付费 ：Codex Mini 输入 $1.50 输出 $6.00 每百万 token，GPT 5 Codex 输入 $1.25 输出 $10.00 每百万 token。 省钱的窍门：日常任务用 Codex Mini，便宜约 4 倍；精简 prompt，缓存机制自动减少 90% 重复输入成本；月用 10 次以下 Plus 就够了；天天用则 API 按量可能更划算。 目前有限时优惠：Free 用户也能暂时试用，付费用户额度翻倍，Altman 说这个优惠大约持续两个月。 唱反调的人说了什么 不是所有人都被说服了。 平台限制是最大槽点。 只有 macOS，没有 Windows，没有 Linux。在 2026 年，一个面向全球开发者的 AI 工具只支持一个操作系统，社区的评价是"不可思议"。Windows 版"正在开发中"，但没有时间表。 模型质量不稳定。 GPT 5.2 Codex 在 Medium 推理强度下表现不错，但 Low 档被批评为"甚至不足以用于实际代码生成"。模型的"ChatGPT 风格语气"在代码注释中也会冒出来。 追赶者而非领先者。 多位评论者指出，Codex 的发布更像是对 Anthropic 的回应。Claude Code 在短短 6 个月内做到了 10 亿美元年化收入。OpenAI 曾出价 30 亿美元收购 Windsurf（被拒），最终选择自己做。 Atlassian 的一份报告提出了更根本的质疑： 开发者只有 16% 的时间在写代码 ，其余是会议、审查、调试、沟通。AI 编程工具只优化了这 16%，而省下的时间几乎被额外的审查和调试需求抵消了。 当然，支持者会说，多 Agent 并行和 Automations 恰恰是在优化那另外的 84%，自动化 issue 整理、PR 审查、CI 分析，这些都不是"写代码"。 Codex 桌面端的发布标志着 AI 编程工具进入了新阶段。它不再是"一个更聪明的自动补全"或"一个会写代码的聊天机器人"。 它试图回答一个更大的问题： 当 AI 足够好的时候，开发者的角色应该是什么？ OpenAI 给出的答案是：项目经理。 你负责需求、架构、审美和判断，机械性的实现交给一支 AI 团队。 不只是写代码 早期的 AI 编程助手像一个只会写代码的实习生。你让它写个按钮，它给你一段代码。但是部署？项目管理？读设计稿？这些它都不会。 Codex 用一套叫 Skills 的技能系统解决了这个问题。Skills 本质上是给 AI 装的"技能包"。一组指令、脚本和参考文档，打包成一个文件夹。 内置的技能包括： Figma 设计稿直接生成代码 、一键部署到 Vercel/Netlify/Cloudflare/Render、读取 Linear 项目看板、用 GPT Image 生成图片、创建 PDF 和电子表格。 更有趣的是技能的创建方式。你不需要写插件、配 API、搞复杂集成。只需要创建一个文件夹，里面放一个 SKILL.md就是一个纯文本 Markdown 文件，用自然语言告诉 AI 怎么操作。没有代码，没有 API 调用， 一个 Markdown 文件就是一个技能 。 放在 /.codex/skills/ 下是个人技能，放在项目 .codex/skills/ 下提交到 Git 就是团队共享。整个系统开源。 让 AI 自己上班 Skills 解决的是"AI 能做什么"。 Automations 解决的是"AI 什么时候做"。 在 OpenAI 内部，Codex 的 Automations 已经在处理这些事：每天早上自动整理 GitHub Issues 的优先级，CI 构建失败时自动分析原因并给出建议，每天生成一份发布简报，定期扫描代码库寻找潜在 bug。 这些任务以前要么靠人工。每天花 30 分钟整理 issue，要么干脆没人做，谁有空天天写发布简报？现在 AI 定时执行，结果放在审核队列里，你打开看一眼，确认或驳回。 它不会自作主张，这是 Codex 在自动化上画的红线。 更强的玩法是组合： Automation 定时触发 → 调用 Skill 执行具体工作 → 通过 MCP 协议连接 GitHub、Slack、Linear → 结果回到审核队列。一条完整的自动化流水线。 打通所有工具 传统 AI 助手只能看到你的代码文件。它不知道你的 Jira 有什么任务，不知道 Sentry 报了什么错，不知道 Figma 设计长什么样。它像一个被关在房间里只能看代码的工程师。 MCP（Model Context Protocol） 把房间的门打开了。通过这个协议，Codex 可以接入 GitHub、Figma、Linear、Sentry、Playwright、Chrome DevTools、Docker 等几乎所有开发工具。 实战中，你可以在 Slack 里说一句"@Codex 修 123 bug"，它自动接活、去 GitHub 读代码、修复问题、创建 PR、把链接回复到 Slack。也可以搭建自动 PR 审查流水线：新 PR 触发 → GitHub MCP 读取变更 → Codex 分析 bug 和性能问题 → 自动发评论。开发者回复"codex fix it"，它直接提交修复。 配置在 /.codex/config.toml 里，CLI 和 IDE 扩展共享同一份，设一次到处能用。 一份给 AI 看的规则手册 多 Agent 同时干活，如果没有统一的规矩，生成的代码风格五花八门，测试不跑，禁区乱改。这是让人奔溃的。 AGENTS.md 就是解决这个问题的。它是一个放在项目里的 Markdown 文件，告诉所有 AI agent：这个项目的规矩是什么。 这不是 OpenAI 一家的发明。AGENTS.md 已经成为行业标准，由 Linux 基金会下的 Agentic AI Foundation 管理，OpenAI Codex、Google Jules、Cursor、Amp、Factory 等工具共同参与制定。 一份典型的 AGENTS.md 包含： 项目结构（代码放哪、测试放哪）、 编码规范（TypeScript strict、禁止 any）、 测试命令（pnpm test）、 Git 规范（Conventional Commits） 禁区 （不要改 schema 文件、不要删测试、加新依赖先问）。 它支持层级覆盖： 全局默认 → 项目级 → 子目录级，越深层优先级越高。 效果是立竿见影的： 写了 AGENTS.md 的项目，AI 生成的代码风格一致、遵守禁区、改完自动跑测试。 没写的，每次都在赌 AI 的"发挥"。 怎么跟它说话 OpenAI 自己出了一份提示词指南， 里面有几条违反直觉的建议。 第一条：不要让它汇报计划。 很多人习惯说"先告诉我你打算怎么做"。官方说不要。这会让模型花大量 token 输出一份计划书，然后在执行到一半时突然停下来。让它直接干活。 第二条：越具体越好。 "帮我改进代码"是最差的 prompt。"修复 login.ts 第 42 行 TimeoutError，原因是 Redis 连接超时，改完跑 npm test"才是好的。指定文件名、行号、错误信息、验证命令。 第三条：批量处理。 不要让 AI 先读文件 A，等它读完再读文件 B。一口气说"先读 auth.ts、db.ts、routes.ts，然后基于这三个文件修改"。三轮交互变一轮，省 token 省时间。 第四条：给约束。 "不要动 config/ 目录"、"用已有的 DatabaseClient 类"。没有约束的 AI 就像没有围栏的牧场，什么地方都可能跑过去。 第五条：推理强度不要拉满。 Codex 有五档推理强度。Minimal 到 xHigh。日常编码用 Medium 就够了，又快又省钱。只有最复杂的架构设计才需要开到 High 或 xHigh。 日常操作 桌面端的交互围绕几个高频操作展开。 /diff 是合并前必看的。用红绿对比显示 AI 改了什么，可以对某一行加评论让 AI 修改。 /compact 解决对话过长的问题，压缩上下文但保留核心信息，可持续工作数小时不走偏。 /new 是果断放弃的按钮，当 AI 彻底迷路时从头来。 /init 帮你自动生成 AGENTS.md。 /review 让 AI 扫描代码找问题。 /skills 查看和调用技能。 快捷键方面， Cmd+J 呼出终端、 Cmd+K 命令面板、 Cmd+/ 帮助、 Ctrl+M 长按语音输入。 权限管理采用渐进信任模式：从 Read Only 开始，信任后切到 Workspace Write，必要时再开 Full Access。需要 AI 访问额外目录用 add dir， 不要直接关闭沙箱 。 那些用它做出来的东西 发布演示中，OpenAI 用 单条 prompt 让 AI 构建了一个完整的赛车游戏——8 张地图、多辆可选赛车、道具系统消耗了 700 万 token。这更像是一次技术秀，但它确实说明了 40 万 token 上下文窗口的可能性。 OpenAI 内部一个 4 人团队用 Codex 在 28 天内完成了 Sora 的 Android 应用 。 Peter Steinberger 独自构建了整个 OpenClaw 项目。 Cisco 的工程团队用它加速产品组合开发。 Superhuman 用它提高测试覆盖率，甚至让产品经理也能直接写代码。 社区报告显示，Codex 预审 PR 可以减少约 60% 的人工审查时间 。 钱的问题 Codex 的定价分两条路。 订阅制 （通过 ChatGPT 账号）：Plus $20/月，每 5 小时 30 150 条消息，适合偶尔用。Pro $200/月，300 1,500 条，适合天天用。Business $25 30/人/月，无限 GPT 5 消息。Enterprise 自定义。 API按量付费 ：Codex Mini 输入 $1.50 输出 $6.00 每百万 token，GPT 5 Codex 输入 $1.25 输出 $10.00 每百万 token。 省钱的窍门：日常任务用 Codex Mini，便宜约 4 倍；精简 prompt，缓存机制自动减少 90% 重复输入成本；月用 10 次以下 Plus 就够了；天天用则 API 按量可能更划算。 目前有限时优惠：Free 用户也能暂时试用，付费用户额度翻倍，Altman 说这个优惠大约持续两个月。 唱反调的人说了什么 不是所有人都被说服了。 平台限制是最大槽点。 只有 macOS，没有 Windows，没有 Linux。在 2026 年，一个面向全球开发者的 AI 工具只支持一个操作系统，社区的评价是"不可思议"。Windows 版"正在开发中"，但没有时间表。 模型质量不稳定。 GPT 5.2 Codex 在 Medium 推理强度下表现不错，但 Low 档被批评为"甚至不足以用于实际代码生成"。模型的"ChatGPT 风格语气"在代码注释中也会冒出来。 追赶者而非领先者。 多位评论者指出，Codex 的发布更像是对 Anthropic 的回应。Claude Code 在短短 6 个月内做到了 10 亿美元年化收入。OpenAI 曾出价 30 亿美元收购 Windsurf（被拒），最终选择自己做。 Atlassian 的一份报告提出了更根本的质疑： 开发者只有 16% 的时间在写代码 ，其余是会议、审查、调试、沟通。AI 编程工具只优化了这 16%，而省下的时间几乎被额外的审查和调试需求抵消了。 当然，支持者会说，多 Agent 并行和 Automations 恰恰是在优化那另外的 84%，自动化 issue 整理、PR 审查、CI 分析，这些都不是"写代码"。 Codex 桌面端的发布标志着 AI 编程工具进入了新阶段。它不再是"一个更聪明的自动补全"或"一个会写代码的聊天机器人"。 它试图回答一个更大的问题： 当 AI 足够好的时候，开发者的角色应该是什么？ OpenAI 给出的答案是：项目经理。 你负责需求、架构、审美和判断，机械性的实现交给一支 AI 团队。 🔗 原文链接： https://mp.weixin.qq.com/s/iBz48C4D... https://mp.weixin.qq.com/s/iBz48C4D... 原创 CY CHENYUE CY CHENYUE AI街溜子2026年2月4日 09:38 北京 hello啊，大家好，我是CY Sam Altman 说这是 OpenAI 史上最受欢迎的产品 我用了下，和大家聊聊Codex桌面端功能、和一些使用技巧 OpenAI 发布了一款名为 Codex 的 macOS 桌面应用。表面上看，这不过是又一个 AI 编程工具。但当 Sam Altman 把它称为 "我们内部有史以来最受欢迎的产品" 时，事情开始变得有趣。 这不是一个聊天窗口加了代码高亮，也不是 VS Code 装了个 AI 插件。OpenAI 做了一个根本性的选择：他们没有 fork VS Code，没有做 IDE，而是做了一个 指挥中心。 你在里面管理的不是文件，而是一支 AI 工程团队。 一支看不见的工程团队 设想一个场景：你的项目需要同时推进三件事。重构认证系统的数据库层、给 API 写集成测试、优化前端登录页面。 在传统 AI 工具中，你只能一件一件来。让 AI 改数据库，等它改完，再让它写测试，再等它写完，再让它改前端。本质上还是一个人在干活，只是这个人打字比你快。 Codex 桌面端打破了这个模式。你可以同时开三个线程，每个线程里有一个独立的 AI agent，各干各的。Agent 1 正在重构数据库时，Agent 2 已经在写测试了，Agent 3 同时在调前端样式。 三件事并行推进，每个 agent 最长可以独立跑 30 分钟后交活。 Peter Steinberger，OpenClaw 项目的作者在 X 上说，他切换到 Codex 后"生产力大约翻倍"。 Dominik Kundel 更激进："我 99.9% 的时间都在 Codex 桌面端了。" 这不是增量改进，这是工作方式的重新定义： 从"我和一个 AI 结对编程"变成 "我指挥一支 AI 团队" 。 谁也别碰谁的代码 多个 AI 同时干活，最大的风险是什么？互相踩脚。Agent 1 改了一个文件，Agent 2 也改了同一个文件，合并时冲突，一团乱麻。 Codex 的解决方案很聪明， 而且和 AI 无关—— Git Worktree 。 每次你开一个新线程，可以选择"Worktree 模式"。这意味着 每个 agent 在代码的 独立副本 里工作。就像给每个员工一张自己的办公桌，桌上放着一份文件的复印件。他们怎么改都不影响原件，也不影响隔壁桌。 这个技巧其实在之前文章关于claude code的开发者分享的使用cc的技巧里面也有提到。 改完后，你在 Codex 的 diff 面板里逐行审查：这行改得好，留下；那行逻辑有问题，给它加个评论让它改。满意了，点合并。不满意，直接丢掉，你的代码一行都没变。 "Codex 最聪明的设计和 AI 无关——是用 git worktree 做 agent 隔离。"