Codex从入门到精通：全能AI智能体使用指南

从AI编程工具到全能智能体

提到OpenAI的Codex，很多人第一反应是「又一个AI编程工具」。但这个认知已经过时了。Codex如今已经进化成一个能帮你处理各种工作的全能AI智能体——写代码、做PPT、生成Excel表格、撰写Word报告、操作浏览器，甚至制作视频。

它和ChatGPT有着本质区别。用装修来打比方：ChatGPT像一个只会给建议的设计顾问，你拍张厨房照片给它，它告诉你「灶台左移20公分、吊柜换奶油白」，说得头头是道，但接下来还是得你自己动手搬灶台、刷漆。而Codex则是能亲自下场干活的施工队——它自己量尺寸、画图纸、搬灶台、刷漆，干完还拍张完工照让你验收。

更关键的是，Codex能直接读写你电脑上的文件、创建和运行程序、上网搜资料、操作浏览器，改完代码还能自己提交到仓库、部署上线。这就是它被称为「Agent（智能体）」的原因——一个能自主动手的AI，而不只是问答机器人。

Agent（智能体）是AI领域近两年最核心的范式转变。传统AI模型如GPT-3.5时代的ChatGPT属于「被动响应式」——用户问一句答一句，没有自主行动能力。而Agent范式下，AI具备感知环境、制定计划、调用工具、执行动作的完整闭环能力。这一概念源自强化学习中的Agent-Environment交互框架，但在大语言模型时代被重新定义：LLM充当「大脑」进行推理和决策，外挂的工具（文件系统、浏览器、终端、API）充当「四肢」执行动作。目前业界主流的Agent框架包括OpenAI的Codex、Anthropic的Claude Code、Google的Jules等，它们的共同特征是：能分解复杂任务为多步骤、能在执行中根据反馈自我纠错、能调用外部工具完成实际操作。

Codex四个版本与账号准备

Codex提供了四种使用方式：命令行（CLI）、VS Code插件、桌面客户端和网页版。四个版本性能一致、功能大部分重叠，但综合使用难度、功能全面性和新手友好度来看，桌面客户端是首选。

CLI（Command Line Interface）即命令行界面，通过终端输入文本命令与程序交互，是开发者最传统的工作方式，优势在于可脚本化和自动化，但对非技术用户门槛极高。VS Code是微软开发的开源代码编辑器，凭借丰富的插件生态占据了全球超过70%的开发者市场份额，Codex以VS Code插件形式存在时可以直接嵌入开发者已有的工作流。桌面客户端则是独立安装的应用程序，不依赖浏览器或编辑器，通常拥有更完整的系统权限（如文件读写、屏幕操作），这也是为什么它在功能全面性上占优。

使用前你需要准备一个ChatGPT账号，最好开通Plus或Pro会员。虽然免费账号现在也能用，但额度极少，用几次就没了。Plus用户每5小时可发送30到150条消息，正常使用一天足够；重度用户或团队使用建议上Pro。

值得一提的是，相比同类工具Claude Code，Codex在额度上更慷慨——不仅给得多，还会「任性」地频繁重置额度，同时对账号的封禁限制也宽松得多。

登录方式对比

登录方式有两种。用ChatGPT账号登录是最推荐的：消息额度直接复用订阅配额、能第一时间用上最强模型、云端任务等高级功能全部解锁。用API Key登录则限制较多：模型更新慢、云端任务不可用、按用量付费（跑个大任务可能几十块就烧掉了）。综合来看，订阅Plus配合ChatGPT账号登录是性价比最高的方案。

API Key是一种身份验证机制，本质是一串唯一的字符串密钥，用于标识调用者身份并控制访问权限。与账号登录的「包月制」不同，API Key通常采用按量计费模式——每次调用都会根据输入和输出的token数量扣费，这意味着一个复杂任务如果需要AI反复思考和修改，费用会快速累积，缺乏成本上限的保障。

界面核心：项目与对话的区别

进入主界面后，最需要理解的是「项目」和「对话」这两个概念的区别。

对话类似在桌面App里跟ChatGPT聊天，适合琐碎工作：搜集资料、写文案、翻译、回答问题。项目则强大得多，每个项目对应你电脑上的一个文件夹，项目里生成的所有文件（PPT、Excel、Word、代码、图片）都会保存在这个文件夹中，方便统一管理。

简单记住这条原则：但凡涉及生成文件，就在项目里操作；只是随便聊聊，用对话就行。 一个项目下可以有多个对话，每个对话处理一件事——可以把项目理解为大文件夹，对话则是文件夹里的一个个工作线程。

三种权限模式详解

因为Codex能直接改动你电脑上的文件、运行命令，所以有「放权」的概念，共三种模式：

默认权限：最安全。Codex只能在当前项目文件夹内修改，涉及联网、运行终端命令、访问外部文件都要经你同意。适合新手。
自动审查：Codex会自评风险，安全操作（如创建新文件）自动通过，有风险操作（如删除文件）才弹框询问。相当于配了个内部审批员。
完全访问权限：最高权限，可做任何事且全程不询问。效率最高但有风险，适合对Codex行为已熟悉、项目有备份的用户。

建议新手第一周用默认权限，熟悉后并确保有Git备份，再考虑开完全访问。Git是由Linux创始人Linus Torvalds于2005年开发的分布式版本控制系统，如今几乎是所有软件项目的标配。它的核心价值在于：记录文件的每一次修改历史、支持多人并行开发而不冲突、可以随时回退到任意历史版本。当Codex改坏了文件，用户可以通过Git一键回退到上次提交的正确状态，这也是为什么文章反复建议「经常提交」——提交越频繁，回退的颗粒度越细，损失越小。对于非技术用户而言，可以将Git理解为文件的「时光机」：每次提交就像拍一张快照，未来任何时候都能回到这张快照对应的状态。

权限模式设置

模型与思考强度选择

输入框右下角可切换模型和思考强度。模型方面，GPT-5.5是目前最强、推荐作为默认；5.4覆盖绝大部分场景；5.4 mini更小更快、适合简单任务省额度；5.3 Codex则是专为编程优化的老牌型号。

思考强度分低、中、高、超高四档：低档几乎不思考、速度最快但易出错；中档是日常推荐的平衡档；高档适合有一定复杂度的任务；超高最慢但最聪明，适合反复搞不定的诡异bug或大规模重构。

思考强度对应的是AI模型的推理深度，技术上称为Chain-of-Thought（思维链）推理。2024年OpenAI发布o1模型后，「让AI思考更久以获得更好答案」成为行业共识。原理是：模型在输出最终答案前，会生成一段内部推理过程（类似人类的草稿纸），推理步骤越多、验证越充分，结果越准确，但消耗的计算资源（token）也成倍增加。低思考强度下模型几乎直接输出答案（类似人的直觉反应），超高强度下模型会反复验证、考虑边界情况（类似人的深度思考）。这也解释了为什么超高强度最慢但最聪明——它在「草稿纸」上多花了几倍的时间推演。值得注意的是，思考强度的选择也直接影响额度消耗：超高强度一条消息消耗的token可能是低强度的5-10倍，因此日常使用中根据任务复杂度灵活切换是省额度的关键策略。

实战流程：审核、修改与提交

创建项目有两种方式——新建空白项目（从头开始）和使用现有文件夹（处理已有代码或文件）。

发出指令后，Codex会展示完整的思考过程：它在分析什么文件、打算做什么、为什么这么做。当它生成网页、Word、PPT或Excel后，可以直接点击文件名预览。

这里最实用的是批注功能：在预览界面右上角开启后，直接选中不满意的地方并输入想法，Codex就能对细节进行精准修改，比用文字描述位置高效得多。这种交互方式在设计领域被称为「所见即所得」（WYSIWYG）式反馈——你直接在结果上标记问题，而不是试图用语言描述「第三页左上角那个蓝色方块往右移一点」这类容易产生歧义的指令。

修改完成后，点右上角审核按钮会展开差异面板，绿色是新增、红色是删除，哪一行改了什么都一清二楚。差异面板（Diff View）是代码审查的核心工具，源自Unix系统的diff命令，通过逐行对比文件修改前后的内容，用颜色编码直观展示变化。在专业开发流程中，代码合并前必须经过Diff审查（Code Review），确保每一行改动都合理且不引入bug。Codex将这一专业流程带入了普通用户的工作中——即使你不写代码，当Codex修改你的Word文档或PPT时，你也能通过差异面板精确看到它改了哪些内容。满意可提交（若项目用Git管理），不满意可一键撤销。

差异面板中红色标记删除内容

排队、插队与并行操作

这三个是日常高频操作：

排队：Codex在做任务A时，你可以直接发送任务B，它会排在A后面依次执行。
插队：点消息旁的引导按钮，让新要求立刻注入到当前正在执行的任务中（如做网站途中突然想改成iOS风格UI）。
并行：开一个新对话即可让多个任务同时进行、互不影响，甚至可以跨项目并行。需注意不同对话间记忆不共享，但都能访问同一项目文件夹的文件。

并行操作的一个潜在风险是文件冲突：如果两个并行对话同时修改同一个文件，后保存的会覆盖先保存的。这也是为什么工作区模式（后文会详述）对并行场景格外重要——它让每个对话在独立的副本上工作，最后由你决定如何合并。

技能与插件：Codex能力的扩展

很多人搞混「技能（Skills）」和「插件」，其实区别很简单。

技能是一套写好的执行步骤，把完成某个任务的固定流程、注意事项和资源打包成一个Markdown文件。比如生图流程「确定描述→选风格→调用模型→输出」就是一个技能。最常用的内置技能是imagegen（生成图片）。Markdown是一种轻量级标记语言，用简洁的纯文本语法表达格式化内容（如用#表示标题、*表示加粗、-表示列表）。AI模型在训练时接触了大量Markdown文本，对这种格式的理解和生成能力极强，同时Markdown的结构化特性（标题层级、列表、代码块）也便于AI解析指令的优先级和逻辑关系，因此技能文件和配置文件都采用这一格式。用户也可以自定义技能：只需在项目中创建一个.md文件，按「触发条件→执行步骤→输出要求」的结构编写，Codex就能识别并按步骤执行。

插件比技能大一个级别，一个插件往往包含多个技能，外加与外部应用的连接能力。比如computer use插件能接管你的电脑，内部又包含操作App、屏幕录制、键盘操作等多个技能。Computer Use（计算机操作）是2024年由Anthropic率先公开演示的AI能力，其原理是AI通过截取屏幕画面「看到」当前界面内容，然后模拟鼠标点击、键盘输入等操作来控制电脑，本质上是在模仿人类使用电脑的方式。这种方式的优势是通用性极强——任何有图形界面的应用都能操作，无需专门的API对接；劣势是速度较慢（需要反复截图-分析-操作）且偶尔会误判界面元素。OpenAI在Codex中集成类似能力后，用户可以让AI操作Photoshop、Figma、浏览器等任何桌面应用，大大拓展了AI的应用边界。

触发方式：输入 @ 调用插件，输入 $ 触发技能，也可在一条消息里同时使用。

用$符号调用图片生成技能

办公场景应用实例

借助插件生态，Codex能完成大量日常办公：

Word文档：用document插件，自动联网搜集资料、整理生成带目录和表格的报告；
Excel表格：用spreadsheets插件生成带颜色标注的数据表；
PPT演示文稿：用presentation插件生成商务风格演示文稿。

你甚至可以在一条消息里同时要求生成Word、Excel、PPT和封面图，一次搞定四份文件。（部分插件目前仅支持Mac系统，Windows用户可能搜不到。）

这些办公文件的生成原理是：Codex并不像人类一样「打开PowerPoint软件拖拽排版」，而是通过编写代码来生成文件。例如生成PPT时，它会使用python-pptx这类编程库，用代码定义每一页的布局、文字、图片和动画，最终输出.pptx文件。这意味着它的排版能力受限于编程库的功能——复杂的艺术化排版可能不如手工制作精美，但在标准商务场景下效率优势巨大。

进阶功能与最佳实践

自动化定时任务

用自然语言就能创建定时任务，比如「每天早上9点自动搜索AI股票信息并生成报告」。但建议先在普通对话里试跑一遍，确认结果符合预期后再设为定时任务，否则会白白浪费额度。

定时任务的底层依赖的是类似cron（Unix系统的定时调度工具）的机制，但Codex将其封装为自然语言接口。需要注意的是，定时任务执行时你不一定在电脑前，因此无法实时审核AI的操作——这也是为什么必须先试跑确认的原因。

工作区与云端模式

本地模式直接改真实文件（适合小修改，但要养成备份习惯）；工作区模式在后台创建平行副本，让多个AI互不干扰地干活，审核后再决定合并或丢弃；云端模式把任务发到服务器执行，适合耗时大任务。工作区模式的底层原理类似Git的分支（Branch）概念——每个工作区相当于一条独立的时间线，在这条线上的所有改动不会影响主线，只有你确认满意后才合并回来。这种机制保证了即使AI犯错也不会污染你的正式文件。

云端模式的额外优势在于：任务提交后你可以关闭电脑，服务器会继续执行，完成后通知你查看结果。这对于需要大量计算或长时间运行的任务（如批量处理数百个文件、训练模型、大规模数据分析）特别有用。但云端模式的限制是无法访问你本地电脑上的特定软件或硬件资源。

内置终端的妙用

按Ctrl+J可调出终端，它会自动跟随当前对话的工作目录，且Codex能读取终端输出（如判断服务器是否报错）。有个实用技巧：如果同时装了Claude Code，可在终端直接输入命令启动它，用两个AI各展所长——Codex擅长操作浏览器、生成图片，Claude Code擅长前端设计优化。

Ctrl+J调出内置终端

这种「多AI协作」的模式正在成为高效开发者的新工作流。不同AI工具各有专长：Codex在工具调用和多模态生成上更强，Claude Code在代码质量和架构设计上更优，Cursor则在代码补全的即时性上领先。根据任务特点选择最合适的工具，或让它们互相审查，往往能得到比单一工具更好的结果。

AGENTS.md配置文件

在项目根目录创建这个文件，Codex每次启动会自动读取，把里面的规则当作工作守则。它解决了新开对话没有记忆的问题——就像给新同事写一份入职手册。建议控制在150行以内，写太长反而会占用AI的记忆容量。

这里涉及一个重要的技术限制：上下文窗口（Context Window）。AI模型在单次对话中能「记住」的信息量是有上限的（以token为计量单位，目前主流模型在12万到200万token之间）。AGENTS.md的内容会在每次对话开始时占用一部分上下文窗口，如果写得太长，留给实际工作内容的空间就变少了，AI可能会「忘记」对话中较早的信息。因此150行是一个经过实践验证的平衡点——既能涵盖关键规则，又不会过度挤占工作记忆。

一份好的AGENTS.md通常包含以下几类信息：项目的技术栈和架构概述、代码风格规范（如命名约定、缩进方式）、禁止执行的操作（如不要删除某些关键文件）、常用命令和部署流程、以及对AI行为的约束（如「修改前先备份」「不确定时先询问」）。可以把它理解为项目的「宪法」——所有对话都必须遵守的最高规则。

六条Codex使用心法

涉及文件就用项目，不要用对话；
一个任务一个对话，对话越纯AI表现越好；
复杂任务先让它出计划，用计划模式确认后再动手；
写清楚「什么叫做完了」，给出可验证的完成标准；
经常提交，方便随时回退到正确状态；
让Codex审查Codex的代码，新开对话审查上次改动，常能挑出遗漏问题。

第6条背后的原理值得展开：这实际上是软件工程中「四眼原则」（Four-Eyes Principle）的AI版本。人类开发团队中，代码作者和审查者必须是不同人，因为作者容易对自己的逻辑形成思维定式而忽略漏洞。同理，新开一个对话相当于换了一个「没有先入为主」的AI审查员——它不知道上一个对话的思考路径，因此更容易从旁观者视角发现问题。这也是为什么「对话越纯AI表现越好」——混杂太多上下文会让AI陷入既有思路而失去客观性。

第4条同样值得强调：「可验证的完成标准」是prompt engineering中的核心技巧之一。模糊的指令如「做一个好看的网站」会让AI自由发挥、结果不可控；而具体的标准如「首页加载时间不超过2秒、包含导航栏/轮播图/三栏产品展示区、配色使用#2563EB为主色」则给AI提供了明确的验收依据，它甚至可以自己检查是否达标。

写在最后

Codex已经从纯编程工具进化成了用AI完成各种工作的全能助手。无论你是运营、摄影师还是自媒体博主，都能结合自身业务提效——你不需要懂HTML、CSS、JavaScript，只需用中文清楚地描述需求。

但要强调的是，Codex能发挥多大威力，核心取决于你自己。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。含糊的需求只能换来含糊的结果。这也是所有AI工具的共同规律：好的输入，才有好的输出。这在AI领域有个专门的说法叫「Prompt Engineering（提示词工程）」——如何组织语言、提供上下文、设定约束条件，使AI输出最大化符合预期。它本质上是一种新型的人机沟通能力，未来可能成为每个知识工作者的基础素养。正如过去二十年「会用搜索引擎」从加分项变成了基本功，未来五年「会写好prompt」很可能走上同样的路径。

核心要点

Codex已从编程工具进化为全能AI智能体，能自主操作文件、浏览器和各类办公软件
桌面客户端是最推荐的使用方式，ChatGPT账号登录是性价比最高的方案
「项目」用于生成和管理文件，「对话」用于轻量级问答，两者不可混淆
三种权限模式从安全到高效递进，新手建议从默认权限起步并搭配Git备份
思考强度影响AI推理深度和额度消耗，应根据任务复杂度灵活切换
技能是打包好的执行流程，插件是包含多个技能和外部连接能力的工具集
AGENTS.md是项目级的AI行为规范文件，控制在150行内以平衡规则覆盖和上下文占用
六条心法的核心逻辑：清晰的需求、原子化的对话、频繁的备份、交叉的审查