Codex 保姆級入門教程完結篇：雲端、IDE 與本地模型整合 (Codex Tutorial)

原始來源與檔名：20260512_2026-05-05T093926+0800-Codex 保姆级入门教程（完结篇）.md

來源：[[@XiaohuiAI666]] (程序員小灰) / X (Twitter) — 2026-05-04 原始檔名：2026-05-05T093926+0800-Codex 保姆级入门教程（完结篇）.md

NAPKIN | 餐巾紙

餐巾紙公式

Codex Environment = Cloud (GitHub integration) + IDE (VSCode context) + CLI (Action execution). Project Rules = AGENTS.md (Constraints + Conventions). Custom Models = config.toml (Provider config) + ENV_VARS (API Keys).

這是知名技術博主發布的 Codex 入門教學下篇。文章非常實用地介紹了 Codex 在「雲端 (關聯 GitHub)」和「IDE端 (VSCode 擴充)」的具體使用場景差異。此外，分享了兩個進階核心技巧：1) 透過在專案根目錄建立 AGENTS.md 來宣告專案開發規範，讓 AI 自動遵循團隊風格；2) 如何修改 config.toml 並配置環境變數，將 Codex 的底層模型無縫切換至 OpenAI 相容的國產模型（如阿里百煉 Qwen3.6-plus），降低使用成本。

一句話

寫程式的 AI 不是不會幹活，而是不知道你的規矩！這篇教學指出，用好 Codex 的關鍵在於：為它寫一份 AGENTS.md 說明書，並根據場景選擇對的工具——IDE 插件適合「邊寫邊改（重構/補註解）」，CLI 適合「直接派活」，雲端則適合「全局專案分析」。此外，詳細圖解了如何透過修改配置檔，讓 Codex 接上支援 Responses API 的第三方大模型。

餐巾紙草圖

[ Codex Usage Strategy ]

Where to use it?
- IDE Plugin -> Small, contextual tasks (Refactor this, comment this, why this error?)
- CLI Engine -> Broad, action tasks (Run tests, fix bugs across files, find text)
- Cloud (Web) -> Repository-wide tasks (Analyze this GitHub repo, explain architecture)

How to control it?
File: AGENTS.md at project root.
- Python 3.11+, Pytest, PEP8, Chinese comments.
=> Codex reads this BEFORE executing actions.

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

核心論證鏈

  1. AI 的愚蠢來自於缺乏上下文約束: 很多人抱怨 AI 寫出來的 Code 風格迥異、用錯依賴庫。作者提出 AGENTS.md 的解法，本質上這就是系統級的 System Prompt，是將部落知識（Tribal Knowledge）顯性化的過程。寫好 AGENTS.md，AI 的輸出品質會產生質的飛躍。
  2. Responses API 帶來的模型生態壁壘: 文章點出了一個硬派的技術現實——「OpenAI 兼容不等於 Codex 可用」。因為 Codex 大量使用了較新的 API 協議（推測與函數呼叫或特定響應格式有關），這使得那些只做了基礎對話封裝的模型 API 暴露了缺陷。這說明 Agent 時代，模型的 API 基礎建設必須與 OpenAI 完全同步才能吃下生態。

關鍵證據

邊界條件

ROUND 3: SOUL | 靈魂提取

“還能怎么用”