ChatGPT Plus/Pro 开通后 Codex 实战指南：从零开始用 AI 编程助手完成真实项目开发

1. 引言：Codex 是什么，为什么值得认真玩

很多朋友开通 ChatGPT Plus 或 Pro 之后，第一反应是去聊天、写文案、做翻译，却忽略了 OpenAI 藏在订阅里的一个"大杀器"——Codex。它不是一个普通的聊天机器人，而是 OpenAI 推出的 AI 编程智能体（Agent），能够直接操作你的代码仓库、读取文件、运行命令、执行测试，甚至帮你提交 Pull Request。

简单来说，ChatGPT 是"告诉你答案"，而 Codex 是"帮你把活干完"。它把大语言模型从"对话窗口"搬进了"开发环境"，让你可以用自然语言描述需求，让 AI 真正动手写代码、改代码、跑代码。

本文不涉及任何充值、订阅、账号开通的内容，只聚焦一个核心问题：开通之后，Codex 到底怎么玩？ 我会从最基础的界面操作讲起，逐步深入到真实项目开发，全程附带可运行的代码示例和实操案例，帮你把 Codex 从"玩具"变成"生产力工具"。

2. 认识 Codex 的两种形态：云端版与本地版

在开始之前，你需要先搞清楚 Codex 的两种使用形态，因为它们的工作方式完全不同。

2.1 云端 Codex（Cloud Codex）

云端 Codex 运行在 OpenAI 的服务器上，你通过浏览器访问。它的特点是：

• 无需本地安装任何环境，打开浏览器就能用；
• OpenAI 为每个会话分配一个独立的云端沙箱容器；
• 沙箱预装了 Python、Node.js、Git 等常用工具；
• 你可以把 GitHub 仓库直接关联进来，让 Codex 克隆、修改、推送。

云端版适合快速验证想法、处理小型任务，或者你不想在本地折腾环境的时候使用。

2.2 本地 Codex（Local Codex / Codex CLI）

本地 Codex 是一个命令行工具，安装在你自己的电脑上，通过 OpenAI API 与你订阅的账号对接。它的特点是：

• 直接操作你本地的文件系统；
• 可以使用你自己配置的开发环境、依赖和工具链；
• 更适合接入你正在进行的真实项目；
• 需要你手动安装和配置。

两种形态各有优劣，本文会分别给出上手路径。对于初学者，我建议先从云端版开始，因为它零门槛；当你熟悉了 Codex 的工作方式之后，再迁移到本地 CLI 处理严肃项目。

3. 云端 Codex 快速上手：五分钟跑通第一个任务

3.1 进入 Codex 界面

登录 ChatGPT 网页版之后，在左侧边栏找到 Codex 入口（通常是一个独立的图标）。点击进入后，你会看到一个类似聊天窗口的界面，但它的底层是一个完整的云端开发环境。

3.2 第一个任务：让 Codex 写一个 Python 脚本

我们从一个最简单的任务开始。在 Codex 的输入框中输入：

请帮我写一个 Python 脚本，读取当前目录下的 data.csv 文件，计算每一列的平均值，并把结果输出到 summary.txt 中。如果 data.csv 不存在，请自动生成一份示例数据。

Codex 会开始工作，你会看到它：

最终它会在沙箱里生成类似这样的代码：

import csv
import random
from pathlib import Path

def generate_sample_data(path: Path, rows: int = 20, cols: int = 3) –> None:
"""生成示例 CSV 数据文件。"""
with open(path, "w", newline="", encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow([f"col_{i}" for i in range(cols)])
for _ in range(rows):
writer.writerow([round(random.uniform(0, 100), 2) for _ in range(cols)])

def compute_column_averages(path: Path) –> dict[str, float]:
"""计算 CSV 每一列的平均值。"""
with open(path, "r", encoding="utf-8") as f:
reader = csv.DictReader(f)
sums: dict[str, float] = {}
counts: dict[str, int] = {}
for row in reader:
for key, value in row.items():
sums[key] = sums.get(key, 0) + float(value)
counts[key] = counts.get(key, 0) + 1
return {key: sums[key] / counts[key] for key in sums}

def main() –> None:
data_path = Path("data.csv")
if not data_path.exists():
print("data.csv 不存在，正在生成示例数据…")
generate_sample_data(data_path)

averages = compute_column_averages(data_path)
with open("summary.txt", "w", encoding="utf-8") as f:
for col, avg in averages.items():
f.write(f"{col}: {avg:.2f}\\n")
print("计算完成，结果已写入 summary.txt")

if __name__ == "__main__":
main()

3.3 查看运行结果

Codex 执行完任务后，你可以在界面右侧看到生成的文件列表，点击 summary.txt 就能查看输出内容。如果运行出错，Codex 通常会自己读取报错信息、修复代码、重新运行，直到通过为止——这是它和普通聊天机器人的最大区别。

4. 关联 GitHub 仓库：让 Codex 帮你改真实项目

云端 Codex 最强大的功能之一，是能够直接关联你的 GitHub 仓库。这样它就能像一名真正的开发者一样，clone 代码、理解项目结构、修改文件、提交 PR。

4.1 关联仓库的步骤

4.2 实战案例：给一个 Python 项目添加单元测试

假设你关联了一个简单的计算器项目，仓库结构如下：

calculator/
├── calc.py
└── README.md

calc.py 的内容是：

def add(a, b):
return a + b

def subtract(a, b):
return a – b

def multiply(a, b):
return a * b

def divide(a, b):
if b == 0:
raise ValueError("Cannot divide by zero")
return a / b

现在你向 Codex 下达指令：

请为这个项目编写单元测试，使用 pytest 框架，覆盖所有函数的正常情况和边界情况（比如除以零）。测试写完后运行它们，确保全部通过。

Codex 会生成 test_calc.py：

import pytest
from calc import add, subtract, multiply, divide

def test_add():
assert add(2, 3) == 5
assert add(–1, 1) == 0

def test_subtract():
assert subtract(5, 3) == 2
assert subtract(0, 0) == 0

def test_multiply():
assert multiply(4, 3) == 12
assert multiply(–2, 5) == –10

def test_divide():
assert divide(10, 2) == 5
assert divide(7, 2) == 3.5

def test_divide_by_zero():
with pytest.raises(ValueError):
divide(1, 0)

然后它会自动运行 pytest，看到全部通过后，向你汇报结果，并询问是否需要提交 PR。

4.3 让 Codex 提交 Pull Request

当 Codex 完成修改后，你可以直接让它：

请把刚才的改动提交并推送到远程仓库，创建一个 Pull Request，标题为"Add unit tests for calculator module"。

Codex 会执行 git add、git commit、git push，然后通过 GitHub API 创建 PR。整个过程你只需要动嘴，不需要碰命令行。

5. 本地 Codex CLI：把 AI 编程助手装进你的终端

云端版适合快速任务，但如果你在做一个正经项目，本地 Codex CLI 才是真正的生产力工具。它直接跑在你的电脑上，操作你的真实代码库。

5.1 安装 Codex CLI

在终端中执行：

npm install -g @openai/codex

安装完成后，运行：

codex

首次运行会引导你配置 API Key 或登录账号。配置完成后，你就拥有了一个终端里的 AI 编程搭档。

5.2 本地实战：用 Codex 重构一段烂代码

假设你本地有一个 legacy.py 文件，内容如下：

def process(data):
result = []
for i in range(len(data)):
item = data[i]
if item % 2 == 0:
result.append(item * 2)
else:
result.append(item * 3)
return result

在项目目录下运行：

codex "请重构 process 函数，使用列表推导式，并添加类型注解和 docstring。保持功能完全一致。"

Codex 会直接修改 legacy.py，生成：

from typing import List

def process(data: List[int]) –> List[int]:
"""
对输入列表中的每个元素进行处理：
偶数乘以 2，奇数乘以 3。

Args:
data: 输入整数列表。

Returns:
处理后的整数列表。
"""
return [item * 2 if item % 2 == 0 else item * 3 for item in data]

5.3 让 Codex 解释代码

Codex CLI 不只是写代码，还能帮你理解代码。你可以这样问：

codex "请解释一下这个项目中 main.py 的核心逻辑，以及它依赖了哪些外部库。"

它会读取文件、分析依赖、给你一份清晰的解释。这对于接手别人留下的项目（或者几个月前自己写的项目）特别有用。

6. 进阶玩法：用 Codex 完成一个完整的小项目

掌握了基础操作之后，我们来做一个完整的实战：用 Codex 从零开发一个命令行待办事项管理工具。这个案例会展示 Codex 在真实开发流程中的完整能力。

6.1 需求描述

在 Codex 中输入：

请帮我开发一个命令行待办事项管理工具 todo.py，功能要求：
1. 支持添加任务：python todo.py add "任务描述"
2. 支持列出所有任务：python todo.py list
3. 支持标记完成：python todo.py done <任务ID>
4. 支持删除任务：python todo.py delete <任务ID>
5. 任务数据持久化保存到本地 JSON 文件
6. 使用 argparse 解析命令行参数
7. 代码要有清晰的函数划分和类型注解

6.2 Codex 生成的代码

Codex 会经过多轮思考，最终生成类似这样的完整实现：

#!/usr/bin/env python3
"""命令行待办事项管理工具。"""

import argparse
import json
from pathlib import Path
from typing import List, Dict, Optional

DATA_FILE = Path("todos.json")

def load_todos() –> List[Dict]:
"""从 JSON 文件加载待办事项列表。"""
if not DATA_FILE.exists():
return []
with open(DATA_FILE, "r", encoding="utf-8") as f:
return json.load(f)

def save_todos(todos: List[Dict]) –> None:
"""保存待办事项列表到 JSON 文件。"""
with open(DATA_FILE, "w", encoding="utf-8") as f:
json.dump(todos, f, ensure_ascii=False, indent=2)

def add_todo(description: str) –> None:
"""添加新的待办事项。"""
todos = load_todos()
new_id = max([t["id"] for t in todos], default=0) + 1
todos.append({"id": new_id, "description": description, "done": False})
save_todos(todos)
print(f"已添加任务 #{new_id}: {description}")

def list_todos() –> None:
"""列出所有待办事项。"""
todos = load_todos()
if not todos:
print("暂无待办事项。")
return
for todo in todos:
status = "[x]" if todo["done"] else "[ ]"
print(f"{status} #{todo['id']} {todo['description']}")

def mark_done(todo_id: int) –> None:
"""将指定 ID 的待办事项标记为已完成。"""
todos = load_todos()
for todo in todos:
if todo["id"] == todo_id:
todo["done"] = True
save_todos(todos)
print(f"任务 #{todo_id} 已标记为完成。")
return
print(f"未找到 ID 为 {todo_id} 的任务。")

def delete_todo(todo_id: int) –> None:
"""删除指定 ID 的待办事项。"""
todos = load_todos()
new_todos = [t for t in todos if t["id"] != todo_id]
if len(new_todos) == len(todos):
print(f"未找到 ID 为 {todo_id} 的任务。")
return
save_todos(new_todos)
print(f"任务 #{todo_id} 已删除。")

def main() –> None:
parser = argparse.ArgumentParser(description="命令行待办事项管理工具")
subparsers = parser.add_subparsers(dest="command")

add_parser = subparsers.add_parser("add", help="添加任务")
add_parser.add_argument("description", help="任务描述")

subparsers.add_parser("list", help="列出所有任务")

done_parser = subparsers.add_parser("done", help="标记任务完成")
done_parser.add_argument("todo_id", type=int, help="任务 ID")

delete_parser = subparsers.add_parser("delete", help="删除任务")
delete_parser.add_argument("todo_id", type=int, help="任务 ID")

args = parser.parse_args()

if args.command == "add":
add_todo(args.description)
elif args.command == "list":
list_todos()
elif args.command == "done":
mark_done(args.todo_id)
elif args.command == "delete":
delete_todo(args.todo_id)
else:
parser.print_help()

if __name__ == "__main__":
main()

6.3 测试运行

Codex 生成代码后，你可以直接在终端测试：

python todo.py add "学习 Codex"
python todo.py add "写一篇博客"
python todo.py list
python todo.py done 1
python todo.py list
python todo.py delete 2

Codex 甚至会自动帮你跑一遍这些命令，验证功能是否正常。如果发现问题，它会自己修复并重新测试。

7. 实用技巧与避坑指南

7.1 把大任务拆成小步骤

Codex 虽然强大，但一次性给它一个过于庞大的需求，容易导致它"迷失方向"。更好的做法是：

• 先让它搭建项目骨架；
• 再逐个实现功能模块；
• 最后统一测试和优化。

7.2 明确指定技术栈

Codex 默认会猜测你使用的技术栈。如果你有明确偏好，一定要在指令中说明：

请使用 Python 3.11 + FastAPI 实现这个接口，数据库用 SQLite，ORM 用 SQLAlchemy 2.0。

7.3 让 Codex 先解释再动手

对于复杂任务，你可以先让 Codex 输出实现方案，确认无误后再让它动手：

先不要写代码。请分析这个需求，给出技术方案和文件结构，我确认后再开始实现。

7.4 善用"测试驱动"指令

让 Codex 先写测试、再写实现，往往能得到更可靠的代码：

请先为这个函数编写单元测试，然后再实现函数本身，确保测试全部通过。

7.5 常见坑：权限与安全

• 云端 Codex 的沙箱是隔离的，但关联 GitHub 仓库时要注意权限范围；
• 本地 Codex 会直接修改你的文件，建议在 Git 分支上操作，方便回滚；
• 不要把 API Key 或敏感信息写在代码里让 Codex 提交。

8. 总结：从"会玩"到"玩转"

Codex 的学习曲线并不陡峭，关键在于转变思维方式：从"自己写代码"变成"指挥 AI 写代码"。你需要学会的是：

• 清晰描述需求；
• 合理拆分任务；
• 验证 AI 的输出；
• 在关键时刻人工介入。

当你熟练之后，Codex 可以帮你处理大量重复性工作——写单元测试、修 Bug、重构代码、写文档、做代码审查，让你把精力集中在真正需要人类创造力的地方。

现在，打开你的 Codex，从第一个小任务开始吧。哪怕只是让它帮你写一个"Hello World"，也是迈出了从"会玩"到"玩转"的第一步。