@AYi_AInotes：所有深度使用 AI 程式開發的朋友，這篇 Codex 全景指南值得存好，架構生態橫評與最佳實踐一次講透 有個細節我琢磨了好幾天，OpenAI 給 GPT-…

所有深度使用 AI 程式開發的朋友，這篇 Codex 全景指南值得存好，架構生態橫評與最佳實踐一次講透 有個細節我琢磨了好幾天，OpenAI 給 GPT-5.3-Codex 下的官方定語很有意思，沒有說是最強程式開發模型，而是一句有點耐人尋味的話——第一個對創造自身起到關鍵作用的模型。 我翻譯一下：OpenAI 自己的工程師，已經在用 Codex 來造下一代 Codex 了。 展開畫面重點圖表標題：一年四迭代：Codex 模型底座 副標題：從補全工具到研發底盤，一年裡迭代太密了 時間軸與模型迭代內容： 2025.12 - GPT-5.2-Codex：多 Agent、雲沙箱 + 本地插件生態、異步批量。 2026.2.5 - GPT-5.3-Codex：并行會話、IDE 擴展增強、MCP 工具鏈、審查流水線。 2026.2.12 - GPT-5.3-Codex-Spark：純文本、低延遲小號、首個 Cerebras 生產模型、快 15×。 2026.3.5 - GPT-5.4 for Codex：端到端、深度推理重構、更強監督、更穩集成。 底部說明：Spark 的意義不是更快，是能一邊聊一邊出代碼。 右下角署名：AYI · @AYI_Alnotes 我覺得這句話比任何 benchmark 都狠，它告訴我們，除了這個模型有多強，還有就是這個模型已經成了 OpenAI 自己的研發底盤。 也就是說 2021 年那個被棄用的補全工具、去年那個幫你改 bug 的助手——跟現在這個比，根本不是同一個物種。 我決定寫一個系列，這是第一篇。 這篇不講具體操作，先把全景圖鋪開：它的架構到底長什麼樣、核心能力在哪、跟 Claude Code / Cursor / Devin 比誰更能打、官方給的最佳實踐有什麼能直接抄。後面幾篇再一個一個拆——AGENTS.md、Skills、MCP、多 Agent 編排的實操。 ▸ 五個入口，一套配置——先搞懂這個，後面才不會暈 ▸ 插件化 + MCP + Skills：這才是它跟別人拉開身位的地方 ▸ 為什麼我說它是目前最強執行引擎（附一張對比表，也說說它的軟肋） ▸ 七條能直接抄的官方最佳實踐 --- 一、先搞懂架構——一套執行層，長了五張臉 展開畫面重點圖表標題：「一套執行層，五張臉」，副標題：「Codex 不是 App，是統一執行層 + 編排中樞」。 核心區塊： 中心點：Codex 統一執行層・編排中樞 連接的五個介面： App 桌面命令中心 CLI 終端深度集成 IDE 插件 編輯器內 Cloud 云沙箱・異步 Web / ChatGPT 統一登錄 底部區塊： 共享配置：Skills・MCP・AGENTS.md（一處改，處處生效） 說明文字：模型負責干活，App / Cloud 負責調度 右下角署名：AYi・@AYi_Alnotes 我第一次把 2026 版 Codex 的所有入口捋了一遍之後，才明白為什麼很多人剛接觸會懵，因為它同時出現在五個地方：App、CLI、IDE 插件、Cloud、Web。 所以這不只是五個產品那麼簡單，更像是一套統一執行層 + 編排中樞，長了五張臉。 Codex App：桌面命令中心，macOS 版，今年最大的形態變化。 定位很明確——AI 程式開發的指揮中心，你可以在裡面並行跑活、管長時任務、加 skills 和 automations、審查 diff，全程沙盒保安全。 為什麼今年才出桌面端？OpenAI 自己的解釋我挺認同的——2025 年 4 月 Codex 剛出時，問題還是「Agent 能幹什麼」； 到了今年，模型能端到端處理複雜長時任務了，問題變成了「怎麼同時管好一堆 Agent」。 那問題變了，介面就得跟著變。 CLI + IDE 插件： 終端和編輯器裡的深度整合，這裡有一個細節我踩過一次坑才注意到——它們共用同一份配置，在一個表面改了 config，另一個表面立刻生效，不用各配一遍 MCP，很細節的一件事，但挺省心的。 Cloud Sandbox：非同步執行的核心。長時任務、並行工作全掛雲端，不佔你本地資源，跑完進審查佇列。 Web / ChatGPT 整合：統一登入，所有表面共享 Skills、MCP 配置、AGENTS.md 記憶。 模型底座：這條時間線值得看一眼，因為一年裡迭代太密了： 2025 年 12 月 GPT-5.2-Codex → 2026 年 2 月 5 日 GPT-5.3-Codex → 2 月 12 日 GPT-5.3-Codex-Spark（純文字、低延遲小號版） → 3 月 5 日 GPT-5.4 for Codex。其中 Spark 那步我特別想提一嘴——它是 OpenAI 第一個跑在 Cerebras 硬體上的生產模型，比早期 Codex 快 15 倍，專門為即時互動編碼做的。這步棋的意義不是「更快了」，是「可以一邊聊一邊出程式碼了」。 把這五張臉看完，我的理解就一句話：Codex 把「模型」和「編排」分開了。 模型負責幹活，App/Cloud 負責排程。 學 Codex，我理解本質上是在學怎麼當一個管著好幾個 Agent 的專案經理。 --- 二、插件化 + MCP + Skills——這三層才是真正的分水嶺 展開畫面重點圖表標題：「拉開身位的，是這三層」，副標題為「讓 Codex 不只是一個聊天框的平台層」。 內容分為三個層次： Plugins：把能力打包成可安裝、可分發的單元。 Skills：把重複勞動變成可復用工作流（核心是 SKILL.md）。 MCP：把外部世界接進來：GitHub、Figma、Sentry、Context7。 底部總結：「Skills 是創作格式，Plugins 是分發單元」。 右下角署名：AYi · @AYi_Alnotes 光看模型能力，Codex 跟別家在同一個量級。 真正讓它跟傳統工具拉開差距的，是它長成了一個可擴充、可複用、可編排的平台層，由三層東西撐起來的。 MCP：把外部世界接進來 配置不複雜。每個 MCP 伺服器在設定檔裡一張 [mcp_servers.] 表，支援兩種傳輸——本地 STDIO 程序，或者遠端 Streamable HTTP（走 HTTP 連遠端，可選 OAuth 和 bearer token 認證）。 CLI 一行加一個。比如接 Context7（免費開發者文件 MCP），跑這個就行：codex mcp add context7 -- npx -y @upstash/context7-mcp。設定檔預設 ~/.codex/config.toml，想限定到某個專案用專案級的 .codex/config.toml——但只限受信任專案。 熱門的有 GitHub、Figma、Playwright、Context7、Sentry 這些。 有一點我想強調，官方隱含了一個最佳實踐：高頻痛點優先接，別把線全布上。MCP 接得越多，上下文消耗越大，風險面也越寬。夠用就行，別貪。 Skills：把重複勞動變成能複用的東西 一個 skill 就是把指令、資源和可選腳本打包，讓 Codex 可靠地跑一個工作流。Skills 基於開放的 Agent skills 標準。 本質就是一個目錄，核心文件是 SKILL.md。可以加 agents/openai.yaml 配 UI 元資料、呼叫策略、工具依賴。 Skill 和 AGENTS.md 的分工，官方說得很清楚，這條特別值得記：每次對話都要發給模型的指令，放 AGENTS.md；只在特定操作時才需要的指令，放 SKILL.md。這個分離能讓上下文更聚焦。 Plugins：把上面這些打包成一個能分發的包 今年新出的一層，Codex plugins 是可複用的包，把 skills、app 連接器和 MCP 伺服器捆成一個可安裝單元。 官方的思路是這樣：Skills 是創作格式，Plugins 是安裝分發單元。你先用 skill 設計工作流，穩定後，再打包成 plugin 給別人裝。 Codex CLI v0.117.0（2026 年 3 月 26 日）把 plugins 提成了一等工作流原語，首發了 20 多個一方整合：Slack、Figma、Notion、Gmail、Google Drive、Cloudflare 等。注意是 20+，不是網路上傳的 90+——別被誇大的數字帶偏了。 這三層疊起來，才是 Codex 區別於「一個聊天框」的本質：你能把團隊的最佳實踐固化成標準，一鍵分給所有人。 --- 三、為什麼我說它是目前最強執行引擎——但也別神化 展開數據表…