news 2026/9/12 14:48:48

Codex CLI 完整安装与配置教程(mac + 中转)

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
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

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/9/3 9:10:19

YOLO模型部署Docker化:轻松管理GPU资源分配

YOLO模型部署Docker化:轻松管理GPU资源分配 在智能制造工厂的质检线上,一台边缘服务器同时运行着多个AI视觉任务——缺陷检测、物料分类、安全帽识别。这些任务都依赖YOLO系列模型进行实时推理,但每当新模型上线,运维团队就得提心…

作者头像 李华
网站建设 2026/9/11 22:25:42

YOLO训练任务迁移到云端GPU,效率提升显著

YOLO训练任务迁移到云端GPU,效率提升显著 在智能制造工厂的质检线上,一台摄像头每秒捕捉上百张高清PCB板图像,系统需要实时识别焊点缺陷。面对海量数据和严苛的响应延迟要求,工程师们很快发现:本地工作站跑一个YOLOv8模…

作者头像 李华
网站建设 2026/9/11 19:42:21

YOLO实时检测系统搭建指南:GPU选型是关键一步

YOLO实时检测系统搭建指南:GPU选型是关键一步 在智能制造工厂的质检线上,一台相机每秒拍摄30帧高清图像,每一帧都要在毫秒级时间内完成焊点缺陷识别;在城市交通监控中心,数十路1080p视频流正被同步分析,任何…

作者头像 李华
网站建设 2026/9/11 19:00:19

Abaqus微动磨损仿真:UMESHMOTION子程序与循环载荷下磨损深度变化

abaqus微动磨损仿真,UMESHMOTION子程序,循环载荷下磨损深度变化情况。在工程领域,微动磨损是一个不容忽视的问题,它常常发生在两个接触表面间有微小振幅相对运动的部件上,像航空发动机的叶片榫头与榫槽连接处等。而Aba…

作者头像 李华
网站建设 2026/9/8 16:42:27

YOLO模型推理耗时分析:GPU SM利用率可视化工具

YOLO模型推理耗时分析:GPU SM利用率可视化工具 在智能制造产线的视觉检测系统中,一个看似简单的“目标框识别”任务背后,往往隐藏着复杂的算力博弈。你有没有遇到过这样的情况:明明理论计算能力绰绰有余的GPU,跑起YOLO…

作者头像 李华
网站建设 2026/9/12 4:04:15

51单片机串口通信硬件原理图设计注意事项:深度剖析

51单片机串口通信硬件设计避坑指南:从原理到实战的完整链路打通你有没有遇到过这样的情况?代码写得一丝不苟,波特率配置精准无误,编译下载一气呵成——可打开串口助手,屏幕上却是一堆乱码。或者更糟,根本收…

作者头像 李华