最近把代理服务器 IP 换了下，从 192.168.0.13 换成了 192.168.0.170，在远端 Linux 上用 Codex CLI 走新服务器的 HTTP 代理，遇到报错：

stream disconnected before completion: error sending request for url (https://chatgpt.com/backend-api/codex/responses)

export RUST_LOG=trace 打开 trace 级别日志后，查看 ~/.codex/log/codex-tui.log，发现它竟然去连旧代理 192.168.0.13:7890，并报 Host is unreachable

最诡异的是：我检查运行中的 codex 进程环境变量，里面完全看不到旧代理。
这里我采用了原来帖子里处理 codex VSCode 插件的方法直接添加了代理所以看不到原来的旧代理:

#!/usr/bin/env bash set -euo pipefail

unset http_proxy https_proxy all_proxy no_proxy
unset HTTP_PROXY HTTPS_PROXY ALL_PROXY NO_PROXY

PROXY="http://192.168.0.170:7890" export http_proxy="$PROXY" export https_proxy="$PROXY" export all_proxy="$PROXY" export HTTP_PROXY="$PROXY" export HTTPS_PROXY="$PROXY" export ALL_PROXY="$PROXY" export NO_PROXY="localhost,127.0.0.1,::1" export no_proxy="$NO_PROXY" # 用于确认 VS Code/CLI 实际有没有跑到这个 wrapper env | grep -i _proxy > "/tmp/codex-proxy-env.$$.txt"

HERE="$(cd -- "$(dirname -- "${BASH_SOURCE[0]}")" && pwd)" exec "$HERE/codex.real" "$@" 

1）我怎么确认 “进程 environ 里没有旧代理”

我用下面命令抓 codex 相关进程的环境变量：

查看 codex 进程对应的环境变量

for p in $(pgrep -af codex | awk '{print $1}'); do echo "=== PID $p exe=$(readlink -f /proc/$p/exe 2>/dev/null) ===" tr '\0' '\n' < /proc/$p/environ 2>/dev/null | grep -iE '(^|_)proxy=' || true done 

输出看起来代理都是统一的（只有新代理 192.168.0.170）：

=== PID 1703340 exe=/home/user/.vscode-server/extensions/openai.chatgpt-0.4.62-linux-arm64/bin/linux-aarch64/codex.real ===
HTTPS_PROXY=http://192.168.0.170:7890
HTTP_PROXY=http://192.168.0.170:7890
=== PID 1713620 exe=/home/user/.local/node/bin/node ===
no_proxy=localhost,127.0.0.1,::1
https_proxy=http://192.168.0.170:7890
NO_PROXY=localhost,127.0.0.1,::1
HTTPS_PROXY=http://192.168.0.170:7890
HTTP_PROXY=http://192.168.0.170:7890
http_proxy=http://192.168.0.170:7890
ALL_PROXY=http://192.168.0.170:7890
all_proxy=http://192.168.0.170:7890
=== PID 1713631 exe=/home/user/.local/node/lib/node_modules/@openai/codex/vendor/aarch64-unknown-linux-musl/codex/codex ===
no_proxy=localhost,127.0.0.1,::1
https_proxy=http://192.168.0.170:7890
NO_PROXY=localhost,127.0.0.1,::1
HTTPS_PROXY=http://192.168.0.170:7890
HTTP_PROXY=http://192.168.0.170:7890
http_proxy=http://192.168.0.170:7890
ALL_PROXY=http://192.168.0.170:7890
all_proxy=http://192.168.0.170:7890

2) 但 trace 日志里仍然出现旧代理

我开启 trace：

追踪 codex 执行的日志

export RUST_LOG=trace
codex

然后在～/.codex/log/codex-tui.log 里看到它尝试连接旧代理 192.168.0.13:7890（典型是 reqwest /hyper 的 connect error）。

3) 最终根因：~/.codex/.env 里残留了旧代理

看了下常规的～/.bashrc , /etc/bash.bashrc 都没有老代理的影子，使用才最残暴的 sudo grep -nri 192.168.0.13 /* 暴力搜索所有文件夹下包含老代理的 IP。最后发现我以前在～/.codex/.env 里写过旧的 http_proxy/https_proxy，后来忘了删。。。。删除后，问题解决。

4) 经验总结

只看 /proc/$PID/environ 可能会被误导：即便进程环境里已经是新代理，codex-tui.log 仍可能暴露 “.env 残留的旧代理”。这时候一定要善用 export RUST_LOG=trace 来观察 codex 运行日志。

本人目前在 Windows 上使用 Codex 辅助开发，但体验不太好，希望能有一个更好的方式调用 codex。目前尝试过的调用方式有：VScode 插件、Codex Cli、WSL 中的 Codex Cli，对比下来，目前主要选择 Codex Cli 的方式进行调用。

codex 三种调用方式各自存在的问题：

• VScode 插件: UI 美观，与 VScode 兼容性好，但最大的问题是无法回退对话重新发问，只能继续现有对话，本人很介意这一点，故放弃使用 Codex VScode 插件
• Codex Cli: 可以回退，全键盘操作方便，其问题在于存在大量 Bug：
  
  1. 默认的沙盒模式不完善，会出现意料之外的问题；而第三档全同意的代理可能不安全。
  2. 粘贴换行文本时会出现将换行符理解为发送的情况，很不人性化，在更新后此情况似乎得到缓解。
  3. 输入中文时会出现实际显示的中文与输入的中文不一样的情况，可能与输入法有关系，在最近更新后此情况变得格外严重
• WSL 中的 Codex Cli：体验过一段时间，问题在于打开麻烦，且路径与 windows 路径不一致，可能会出现问题，但 bug 比较少

综合考量，我的方案是直接使用 Codex Cli，启动操作简单，也可以正常使用，但上述相关 bug 仍然困扰着我，希望能找到一种全新的使用 Codex 的方案以解决这些问题

解决思路

目前似乎没有发现能够解决这些问题的项目，但我注意到 codex 官方已经发布了 Codex SDK ，期待有大佬能够基于 SDK 开发全新的好用的软件

背景信息请参考：Chrome 144 下 MCP 自动化配置大幅简化，LLM 可更方便地控制你已登录的浏览器会话了

适用场景

• WSL（Ubuntu）+ Windows 侧浏览器（Edge/Chrome）。
• 通过 Codex CLI 使用 chrome-devtools-mcp 连接已打开的浏览器。

配置

替换 <你的用户名> 为真实路径即可。

codex 配置

[mcp_servers.chrome-devtools] args = [
    "-y",
    "chrome-devtools-mcp@latest",
    "--auto-connect",
    '--user-data-dir=/mnt/c/Users/<你的用户名>/AppData/Local/Microsoft/Edge/User Data',
]
command = "npx" type = "stdio" startup_timeout_sec = 120 

如果你用的是 Chrome，把 --user-data-dir 改成：

C:\\Users\\<你的用户名>\\AppData\\Local\\Google\\Chrome\\User Data

使用步骤

1. 在 Windows 侧先打开 Edge/Chrome（确保与 --user-data-dir 一致）。
2. 在 Codex CLI 中调用 chrome-devtools 相关工具查看页面列表，确认连接成功。

注意事项

记得去 edge://inspect/#remote-debugging 打开权限，每次连接都需要同意

推荐 codex cli，便宜好用，建议开 xhigh 档。

把你的作业要求粘到一个 markdown 文件中。

对于代码任务，codex 直接自己生成自己跑就行。

对于文字任务
如果是报告类，让 codex 直接用 latex 写，给大家一个润色用的 prompt。
“将所有的句子、过渡词和连接词替换为最基础、最常用的词语。尽量使用简单、直接的表达方式，避免使用复杂或生僻的词汇，确保句子之间的逻辑关系清晰，删掉文末总结的部分。 避免使用机械化的连接词 (如 “首先”“其次”“然后”)，改用更具连贯性的自然过渡；通过使用多样化句式，混合简单句、复合句和插入语使表达更富有层次感，同时避免连续短句或过于整齐的句式。在叙述数据或结论时，补充背景信息或个人研究观察，使内容更加具体并贴近实际研究场景，并通过问题引导或总结的方式实现段落之间的自然过渡，避免生硬切换，从而提升整体阅读的流畅性和逻辑性。不要使用太多的无序号分点，保持报告的学术性。”

如果是 PPT 类，让 codex 用 latex 的 beamer 模板写一个就行。

选择 latex，不仅给予了 ai 一个很好的交互载体，而且写出来的东西逼格较高，老师喜欢。

如果是写一个小学术 paper 这种，给大家另一套 prompt。
“Act as a senior academic editor and domain expert in [nsert Field, e.g., Computer Vision] topolish the following text for a top-tier publication (Ce.g., CVPR, IEEE). You must strictlyeliminate “Al-style” writing patterns by adhering to these constraints: do not useparentheses for supplementary information but integrate them syntactically; avoid hollow"A-B-C" parallel structures and forced symmetry; do not coin new terms or place standardconcepts in quotation marks; strictly preserve all technical terminology, LaTeX formulas.variables, and data values without modification; adopt a critical, analytical tone rather than apassive summary; absolutely ban cliche openers (e.g., “In the realm of”,“In the landscape of”.“Delve into”) and minimize mechanical transition words; ensure seamless logical flowbetween sentences to prevent abrupt jumps; avoid using slashes or excessive bolding; andnever hallucinate data or references. The final output must be concise, logically coherent.and indistinguishable from expert human writing.”

你只需要把工作流整理好发给 codex，就可以美美睡觉，一觉起来作业就做完了。
（当然以上内容仅限 cs 类专业）

安装简单，git 下来之后直接 install 就好，里面有安装命令。

因为本人通过反重力反代可以使用 claude 另外加入了 gpt team, 有了三个都可以用的编程工具，感觉荒废不太好，就各取所长。本人比较喜欢反重力的 ui 和计划模式，能够掌控全局，而他的 planning 模式像是产品经理，而 cc 和 cx 是很好的执行者，于是尝试了这个工作流，让他能够创建计划后让用户审批，然后他会让 cx 或者 cc 去执行，最后他自行审批，然后让用户判断是否达标。
欢迎大家使用尝试并且反馈问题。

我是从 codex cli 出来就开始使用的，现在工作上完全使用 codex。我觉得 codex 并没有说的这么差而且只要用好基本能解决所有问题。
下面是一些基本情况大家了解一下
1、机器是 macboompro m1 max
2、使用语言为 java 开发都是 web 相关的项目 (最近在学 rust)
3、从今年 a÷ 出过公开敌对中国事件后我就没使用 claude code 了，账号我也发邮件让他们删除了
4、codex 我只使用 cli，插件没用过，一般都是在 vs 中删除多余的会话
看过贴吧很多帖子与问题示例后觉得很多人使用不好的原因是对模型缺乏一个基本的了解，所有我先给大家介绍一些模型的基本知识
一、模型的数据是哪里来的

公开可获取的互联网文本、技术博客、论坛、文档网站、百科内容、说明文档、博客文章、开源代码 (github)、额外授权的书籍、文档、人工清晰构造的高质量样本 (比如在强化学习和标注数据阶段模型公司就会出一些问题然后邀请专家来为这个问题编写高质量的回答

二、token 是什么

模型内部用于计算的最小文本单元，token 的切分由 tokenizer 决定，与自然语言的词法规则不完全一致 (大家可以通过这个网站去体验一下 https://tiktokenizer.f2api.com)

三、一个模型产生的大致阶段

1、预训练阶段
这一阶段是训练成本最高的，大模型训练的费用大部分都是花费在这个上面
预训练使用的是大量弱结构数据，包括自然语言与代码混合语料。数据不以任务、指令、问答为单位而是以连续文本流的形式输入。模型看到的只是 token 序列，这一阶段模型主要训练结构建模能力 (语言语法、代码语法、嵌套结构、长程依赖关系)、 统计语义关联 (哪些概念常一起出现，哪些模式在特定上下文中更高概率成立) 、跨域泛化能力 (不同语言、不同编程语言、不同写作风格之间的共享模式)。预训练模型不知道自己在回答问题不具备帮助用户解决问题不区分真实与虚假，只区分哪些 token 常见与罕见
2、标注训练
使用人工编写的高质量样本对模型进行监督训练，这些样本通常以指令、问题、代码需求等形式出现，并配有明确的理想回答。具体可参考 openai 的这篇论文 https://arxiv.org/pdf/2203.02155 (3.4 章节)
这一阶段的核心作用是约束模型的输出行为，让模型从单出的对互联网数据回忆续写文本转变为尝试按人类指令完成任务。标注训练本身并不显著增加新知识，而是让模型用已有知识解决用户的具体问题。
3、强化学习
在标注训练基础上，通过让人类对多个模型回答进行排序，训练奖励模型，再用强化学习算法调整主模型的输出概率分布。强化学习降低胡编概率、提升回答一致性，并强化安全边界与拒答行为用于调整输出倾向

上面这些内容了解一下就行，我自己也是懂了个皮毛所以里面肯定有很多错误。具体信息可以去看 Andrej Karpathy 的视频

Deep Dive into LLMs like ChatGPT

b 站的飞天闪客也可稍微看一下
了解了这些后我们可以简单将大模型的一个会话抽象理解成一个持续输出的一维的 token 数组，你在上下文的输入会影响这次会话中模型的输出而且这个影响会发生的很快，当你发现模型的输出开始出现问题或者风格不是需要的最好检查一下你输入了什么，当然你也可以在发现问题时直接纠正，将他改造成你喜欢的样子。推荐在工作的工程中尽量减少语气化的输入 (你认为我在跟你嘻嘻哈哈么？我看起来现在是想跟你搞七捻三么)
毁灭吧我累了，猜猜我按下这个按钮会发生什么

了解了这些你大概就明白为什么你的模型总是不办事或者办事办的乱七八糟的，当然和模型本身的能力也是有关系的
接线来给大家介绍一下 codex cli

这是一个 code agent 你可以在本地或者 ide 插件中去使用，它能够使用内置工具帮助你从 0 开始完成一些编码任务
工程结构
模型层
负责理解指令、分析上下文、生成计划与代码，本质是一个经过对齐的代码模型。
执行层
负责把模型输出转化为可执行动作，例如：读文件、改代码、运行命令、调用工具，并记录完整执行轨迹。
环境层
即你当前的本地仓库或云环境，包括文件系统、git 状态、依赖环境、网络权限等。
Codex 启动时会构建一个指令链，不是简单拼一段 prompt。这个指令链在一次会话（CLI session /exec run）开始时构建完成，之后整个执行过程都基于它运行。
AGENTS.md 是配置规则的核心入口，Codex 会在执行任何任务前，自动搜索并加载 AGENTS.md 文件。这些文件不需要你在 prompt 中显式提到，只要存在，就会被自动纳入上下文窗口。

1. 全局规则（Global）

• 目录：~/.codex/
• 优先级：
  
  • AGENTS.override.md
  • AGENTS.md
• 只读取第一个非空文件

2. 项目规则（Project）

• 从项目根目录开始
• 一直向下走到当前工作目录
• 每一层目录最多加载一个文件，顺序为：
  
  • AGENTS.override.md
  • AGENTS.md
  • 备用文件名（如 TEAM_GUIDE.md）

3. 合并规则

• 所有命中的文件会按目录顺序拼接
• 越靠近当前目录的规则优先级越高
• 后出现的规则可以覆盖前面的约定

4. 窗口大小与 rule 截断

• 所有规则文件会被拼接进模型上下文
• 超过上限后，后续规则不会被继续加载

以上是它默认的执行链，可以自己去配置加载的路径。官方文档中有说我就不详细说了

接下来讲讲 MCP

MCP 是 模型 用来接入外部工具和上下文的统一协议。
它解决的问题是：模型如何在不内嵌能力的前提下，安全、可控地使用外部系统。
我一般将它理解为微服务架构中的一个微服务
我只装了这三个 mcp，
context7
用来查开源项目的最新文档，模型工作时优先使用的是训练数据有些数据和技术可能太老。
GitHub - upstash/context7: Context7 MCP Server -- Up-to-date code documentation for LLMs and AI code editors
drawio
用来画图，效果不错，只尝试过一次。
GitHub - lgazo/drawio-mcp-server: Draw.io Model Context Protocol (MCP) Server
database
模型在工作时最好能了解你的数据模型，使用这个就可以让他在实现需求时结合数据库中的数据与表结构思考减少因为信息不完整时的错误实现，这个 mcp 只包含查询功能
MCP - 数据库查询 MCP

接下来说说 skill

这个东西在我的印象中好像出了很久了，但是站里还是有相当一部分再问，我觉得有点困惑 。
skill 本质就是将原本需要在 agents.md 中编写的一些规则抽象成一个单独的文档让模型在执行任务时可以自己根据 description 判断是否需要读取这些内容。它解决的是 agents.md 中内容爆炸的问题，agents.md 中的内容是第一次启动时才会构建，这样随着上下文的延长他就会离当前的上下文距离越远。skill 可以随时重新让模型读取，离当前上下文越近模型执行执行力就越高 (当时使用 atlas 看官方文档时的那个会话一直嘴硬跟我说使用必须手动用命令告诉模型使用 $skill-name, 我后面的测试中是不用的。模型会自己判断加载，当然如果你发现它不遵守也可手动在输入中告诉他遵守这个 skill。所以 skill 的描述不要太接近，相同的内容放在同一个 skill 中就行了，输入命令如果前方有你的输入记得加空格，命令如果是在最前面就不用)

然后讲讲 cli 中一些命令

我使用过的只用 init、review、resume 。其他的好像用不到啊
init
就是用来初始化你的项目生成 agents.md 的
这个东西我一般把他放在项目根目录初始化时直接告诉告诉他根据 agent-md-example/agent-init.md 中的规则初始化项目

v2-2025-12-19.zip
这个 google-java-style-guide.md 我是在网上找的然后整理成 md 的，是不是 google 的我也不确定，随便啦。
Google Java Style Guide
resume
用来恢复会话的
review
可以让来对比提交、分支、未提交的代码对比检验模型的实现是否正确的

一般都是用第 4 个自定义指令，让他明确的只校验当前功能相关的代码也减少一些 token 消耗，现在 review 也有额度了，元旦过后就加了。说实话其余的我真没用到过，大家如果需要可以去它官方文档中自行查询
Codex

接下来讲讲一些 chatgpt 的使用经验吧，说实话现在不用 gemini 的部分原因就是他的其他产品特别好用，比如会话记忆、自定义风格、自定义 gpt。5.2 更新后我感觉 gpt 风格变得越来越油腻和谄媚了，动不动就罗里吧嗦的说一堆废话，还特别喜欢一句话总结。我总结你 xxxx
自定义 gpt

这个功能创建和修改目前只支持 web，app 端可以使用创建好的但是不能修改或创建，他的作用就相当于你自定义一个带系统提示词的会话，这样就不用每次开新会话想让他做一些固定事情是还要跟它解释半天了，你把他理解成一个自定义 skill 就行比如翻译

这是我自定义的一个用来专门翻译的，以后我用这个 gpt 创建一个会话时直接将英文文档给他就行了

自定义风格
这个我就把我自己的个性化定义提示词给大家参考一下

Language & Tone
Default language: Chinese
Use technical, engineering-oriented language
State facts and conclusions only
No rhetorical or evaluative language

Default Output Rules (Strict)
Answer directly
No preamble, no small talk, no evaluation, no opening remarks
Do not restate the question
Do not use phrases like “this is a good question”, “let’s first”, “in conclusion”, etc.
No explanations by default
Maximum 5 lines unless explicitly requested

Explanation Rules
Explanations are allowed only if the prompt explicitly includes keywords:
“why”, “explain”, “reason”, “principle”, “details”, “expand”
If none of these keywords appear, treat the request as answer-only

Content Constraints
No tutorial-style writing
No background, history, or conceptual introductions
Include only information strictly required to answer the question
Prefer precise, verifiable technical statements

Optional Trigger Keywords
“answer only”: output conclusion only
“engineering perspective”: allow implementation details and trade-offs
“expand”: allow detailed explanation

Failure Condition
Any preamble, evaluative language, or unnecessary explanation counts as a failed response

知识库
有些论文或者书籍你可以在这里新建一个知识库，然后让模型将内容总结给你，提升信息的接收速度。这里一个知识库后面是一个沙箱环境的 linux 主机，你所有上传的文件都会保存在这个沙箱环境中

兄弟们燃尽了，一滴都没有了。其中说的有些不对的地方麻烦大家给我指正一下。写了几个小时整理这个文档，很多地方怕写不对写了又删好累啊。
这个内容太长了 SKILL 的分享我就放评论区，都只有 SKILL.md 没有其他的比如

• scripts
• references
• assets
  因为都不是工具类的 skill，然后给大家分享一个获取 skill 的网站
  https://skillsmp.com
  我觉得在 ai 中自己写是最符合自己需求的，需要什么就创建什么
  
  
  
  目前我感觉我的配置 codex 会存在几个问题，有时他不会遵守先计划再编码的规则直接就开始编码的。还有就是代码的结构有时会有点过度封装

然后就是我基于我目前的 skill 与配置给大家演示一下效果。从 0 开始简单的 copy 一个开源项目

看看 token 消耗
codex 简单复现项目地址，后端完成时间 18 分钟，前端完成时间为 10 分钟。前端我没有任何 skill 或者 agents.md 规则效果可能会差一点

token 消耗前后对比

吐槽一下，codex 感觉元旦后 token 消耗变高了，我一周只用 5 天都快感觉不够用了。以前还能剩下百分之 50，现在都只能剩下 25 了。还有上下压缩的问题，有时看剩余明明有 30，它就开始压缩了。不过压缩效果很好，目前看来没有丢失过信息，就是压缩会很慢。