当前位置: 首页 > news >正文

Codex CLI 完整安装与配置教程(mac + 中转)

一、模块安装

1️⃣ 创建工作目录(推荐)

mkdir~/codex-workcd~/codex-work

建议单独使用一个干净目录,避免 Codex 扫描到大量无关文件。


2️⃣ 安装 Codex CLI

sudonpminstall-g @openai/codex

如果你本地 npm 权限已处理好,也可以不加sudo


3️⃣ 验证安装

codex --version

输出类似:

codex-cli 0.77.0

说明安装成功。


二、准备配置文件(重点)

⚠️注意:Codex 默认读取的是全局配置文件~/.codex/config.toml
不是当前目录下的config.toml


1️⃣ 创建全局配置目录与文件

mkdir-p ~/.codextouch~/.codex/config.toml

2️⃣ 编辑配置文件

nano~/.codex/config.toml

3️⃣ 直接粘贴以下内容即可(已验证可用)

# ========================= # OpenAI Codex CLI Config # ========================= [openai] api_key_env = "OPENAI_API_KEY" base_url_env = "OPENAI_BASE_URL" # ========================= # Codex Runtime # ========================= [codex] # Codex / Agent 专用模型(中转已验证支持) model = "gpt-5.2-codex" # 是否自动确认文件修改(建议 false) auto_confirm = false # 中文交互 language = "zh-CN" # 仓库扫描限制(避免大目录警告) max_snapshot_files = 2000 # 忽略超大未跟踪目录 ignore_large_untracked_dirs = true

保存并退出。


三、设置环境变量(API Key + 中转地址)

1️⃣ 临时生效(当前终端)

exportOPENAI_API_KEY="sk-xxxxxxxxxxxxxxxx"exportOPENAI_BASE_URL="https://api.zhangsan.cool/v1"

OPENAI_BASE_URL必须以/v1结尾


2️⃣ 验证环境变量是否生效

echo$OPENAI_BASE_URLecho$OPENAI_API_KEY

你应该能看到:

https://api.zhangsan.cool/v1 sk-xxxxxxxxxxxxxxxx

四、启动 Codex CLI

确保你在工作目录中:

cd~/codex-work

然后启动:

codex

如果看到类似界面:

OpenAI Codex (v0.77.0) model: gpt-5.2-codex medium directory: ~/codex-work

说明配置全部加载成功

⚠️medium是 Codex 的默认推理档位(effort),
不是模型名的一部分,属于正常现象。


五、功能验证(建议做一次)

在 Codex 中输入:

你好

如果能正常中文回复,说明:

  • ✅ API Key 正确
  • ✅ 中转地址正确
  • ✅ Codex Agent 接口可用
  • gpt-5.2-codex模型路由成功

七、推荐的使用姿势(总结)

cd~/codex-work codex

然后直接中文指令,例如:

为这个目录创建一个 Python 项目结构,并实现一个快速排序示例

Codex 可以直接:

  • 写代码
  • 改代码
  • 跑测试
  • 理解整个项目结构

http://www.jsqmd.com/news/155510/

相关文章:

  • YOLO系列全景解读:为何它是实时检测的行业标准?
  • 2025益生菌加盟推荐指南:精选8大实力品牌 - 栗子测评
  • 为什么微服务中的提示工程总出问题?这4个分布式场景下的坑你踩过吗?
  • 工业通信接口PCB布线等长匹配:项目应用解析
  • YOLO模型转换Core ML格式:iOS端部署全记录
  • 锁定2025益生菌项目加盟红利:实力品牌强强推荐 - 栗子测评
  • YOLO模型支持Polars数据处理引擎加速CSV加载
  • YOLO目标检测中的Transformer融合:YOLOv10新特性解读
  • YOLO模型缓存批量操作优化:批量读写性能提升
  • YOLO在无人机视觉导航中的关键技术应用
  • YOLO模型推理成本分析:Token计费模式更透明
  • YOLO模型支持INT8量化吗?显著降低GPU资源消耗
  • JLink驱动下载固件更新步骤:操作指南
  • YOLO模型灰度版本灰度结束后的文档归档
  • YOLO目标检测框架对比:Detectron2 vs YOLO谁更高效?
  • YOLO目标检测中的动态标签映射:适应多源数据输入
  • YOLOv8n-rigid发布:刚性结构更适合GPU固定管线
  • YOLO训练任务迁移到云端GPU,效率提升显著
  • YOLO与Istio mTLS集成:服务间通信加密保障
  • YOLO模型轻量化趋势分析:小模型也需要大算力支持
  • YOLO目标检测准确率下降?可能是算力不足导致梯度消失
  • YOLO模型训练日志分析:如何判断GPU是否满负荷运行?
  • YOLO不只是检测框:语义信息提取也能靠它完成
  • YOLO模型灰度发布前的风险评估清单
  • YOLO目标检测模型如何实现远程调试?SSH连接GPU实例
  • YOLO目标检测支持OPC UA工业通信协议
  • 基于Alluxio的数据仓库加速方案
  • YOLOv10-SPPF改进:空间金字塔池化GPU实现更高效
  • YOLO模型推理请求队列管理机制优化
  • YOLO目标检测精度不够?试试在高端GPU上重新训练