OPENAI CODEX · SOURCE-BASED COURSE

从第一次对话，
一直读到 `run_turn`

一份给普通开发者的 Codex Coding Agent 深度教材。不是功能清单，也不是 README 转述；我们沿着一次真实任务的证据链，理解模型如何探索仓库、调用工具、修改代码并验证结果。

开始学习 →查看研究基线

14系统章节

≈ 1 day主线学习时间

61a44880固定源码快照

0.145.0最近公开稳定版

先建立一个判断

Codex 的关键不在“更会写代码”，而在把推理接进了可验证的执行循环。

普通代码生成器把文字变成代码片段；Coding Agent 必须维护任务状态、主动补足上下文、把动作交给受控工具、观察真实结果，并在失败后继续迭代。于是工程核心从“Prompt 写得多好” 变成了“Runtime 能否让每次动作可观察、可限制、可恢复”。

DIAGRAMCodex 的公开实现边界

flowchart LR
  U["开发者<br/>goal + constraints"] --> C["Codex Surface<br/>CLI · IDE · App Server"]
  C --> R["Runtime<br/>Session · Turn · Event"]
  R --> X["Context<br/>instructions · history · world state"]
  X --> M["Model<br/>reason + tool call"]
  M --> T{"Tool Router"}
  T --> S["Shell / Patch"]
  T --> E["MCP / Extensions"]
  S --> P["Approval + Sandbox"]
  P --> W["Workspace"]
  W --> R
  R --> V["tests · diff · final answer"]

教材重建图：根据 main@61a44880 的 crate 边界与调用链整理；不是 OpenAI 官方架构图。

一天学习路径

先理解循环，再进入运行时；最后才读源码。

每一阶段都回答同一组问题：它解决什么、如何工作、为何这样设计、源码在哪里、会怎样失败。

PHASE 01

起点

Codex 是什么边界、能力与正确心智模型→Agent Loop模型如何从回答者变成执行者→

PHASE 02

机制

从 Prompt 到 Patch一次修改任务的完整闭环→Context 引擎历史、仓库信息与压缩→Tool、Shell 与 Patch把意图变成受控动作→

PHASE 03

运行时

Runtime 与 Session线程、Turn、Op 与 Event→端到端调用链从 CLI 入口追到最终事件→

PHASE 04

安全边界

Sandbox 与 Approval技术边界与人工决策→AGENTS.md 与配置把组织规则放进执行现场→

PHASE 05

源码深潜

EVENING

源码模块地图Rust workspace 的职责分层→设计哲学与取舍为何是事件、工具与本地执行→方案对比Claude Code、Aider、Cursor 与 Agents SDK→

PHASE 06

实践

EVENING

实现最小 Coding Agent约 200 行的可运行骨架→研究基线与边界版本、证据、未确认事项→

阅读方法

把“模型说了什么”和“系统保证了什么”分开。

源码可证实

类型、函数、控制流与测试能直接支持的结论。正文给出固定 commit 的文件与行号。

官方文档

用户可依赖的行为与配置；文档可能先于或后于 main，因此单独标注。

公开证据上的分析

用于解释设计动机的工程判断。它不是 OpenAI 对内部目标的正式声明。

READY?

从“Agent 到底是什么”开始。

第一章只需要普通开发经验，不要求了解模型 API、Rust 或 Agent 框架。

进入第 1 章 →