news 2026/4/11 7:32:19

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 2026/4/5 16:10:40

YOLO模型训练日志分析:如何判断GPU是否满负荷运行?

YOLO模型训练日志分析:如何判断GPU是否满负荷运行? 在部署一个YOLOv5模型进行工业质检任务时,团队发现训练周期比预期长了近一倍。查看日志发现,尽管使用的是NVIDIA A100 GPU,但每轮迭代耗时却接近消费级RTX 3090的表现…

作者头像 李华
网站建设 2026/4/4 8:30:20

YOLO目标检测准确率下降?可能是算力不足导致梯度消失

YOLO目标检测准确率下降?可能是算力不足导致梯度消失 在工业质检线上,一台搭载YOLOv8的视觉系统连续三天报出“漏检率飙升”警告。工程师反复检查标注数据、调整学习率、更换预训练权重,却始终无法恢复最初的98% mAP指标。最终日志显示&#…

作者头像 李华
网站建设 2026/4/9 10:57:12

安防监控+YOLO完美组合?背后是强大算力在支撑

安防监控遇上YOLO:智能视觉的临门一脚 在城市街头、工业园区、商场出入口,成千上万的摄像头日夜不停地记录着每一个角落。但问题来了——这些画面真的“被看见”了吗?传统监控系统就像一个沉默的录像机,只有当事故发生后&#xff…

作者头像 李华
网站建设 2026/4/2 0:57:20

JLink驱动下载官网实用手册:调试器连接全解析

JLink驱动下载官网实用手册:调试器连接全解析(优化润色版) 从“无法识别J-Link”说起:一个工程师的日常困扰 你有没有遇到过这样的场景? 新项目刚上电,手里的STM32板子一切正常供电,但Keil点…

作者头像 李华
网站建设 2026/3/28 9:32:36

YOLO目标检测精度提升秘籍:除了模型还要看算力

YOLO目标检测精度提升秘籍:除了模型还要看算力 在智能制造工厂的质检线上,摄像头以每秒30帧的速度捕捉产品图像,系统必须在33毫秒内完成缺陷识别并触发剔除动作——任何延迟都会导致不良品流入下一环节。这样的场景每天都在全球成千上万条产线…

作者头像 李华
网站建设 2026/4/5 15:22:21

YOLO模型灰度发布期间的内部培训计划

YOLO模型灰度发布期间的内部培训计划 在智能制造与边缘计算快速发展的今天,实时目标检测已成为工业视觉系统的核心能力。无论是产线上的缺陷识别、仓储中的物流分拣,还是园区内的安全监控,背后都离不开高效稳定的目标检测模型支撑。而在这其中…

作者头像 李华