终端 Agent 工具难度 2⏱ 17 分钟工具
01Claude Code 入门
Anthropic 官方终端 Agent，原生支持工具调用、MCP、Skills 与 Hooks，2026 年生态最完整的 CLI Agent
Claude CodeAnthropic终端 AgentCLI入门
更新于 2026-04-22claude-code-overview
OpenAI 官方终端 Agent，GPT 模型驱动，开源、跨平台、轻量化，2026 年与 Claude Code 形成生态对位
内容摘要
Codex CLI 是 **OpenAI 在 2025 年重新启用 "Codex" 这块招牌之后做出来的官方终端 Agent**——一个跑在你本地终端里、由 GPT 系列模型驱动、能读你代码、能改你文件、能跑你命令的轻量编码助手。它的官方一句话定位是 "Lightweight coding agent that runs in your terminal"。截至 2026-04-20 的最新发布版本是 **0.122.0**，仓库地址 <https://github.com/openai/codex>，采用 **Apache-2.0 开源协议**。
Codex CLI 是 OpenAI 在 2025 年重新启用 "Codex" 这块招牌之后做出来的官方终端 Agent——一个跑在你本地终端里、由 GPT 系列模型驱动、能读你代码、能改你文件、能跑你命令的轻量编码助手。它的官方一句话定位是 "Lightweight coding agent that runs in your terminal"。截至 2026-04-20 的最新发布版本是 0.122.0，仓库地址 https://github.com/openai/codex，采用 Apache-2.0 开源协议。
写这张卡之前要做的第一件事，就是把 "Codex" 这个名字的两段历史拆清楚，否则后面看文档容易越看越糊涂：
code-davinci-002 / code-cushman-001，是 GPT-3 的代码微调分支，被 GitHub Copilot 第一代用来做补全。这个模型在 2023 年 3 月被 OpenAI 全面下线。后续历史上有过一个由微软维护的 microsoft/Codex-CLI，本质就是个把自然语言翻译成 shell 命令的小工具，依赖那个老模型，老模型一停服它也就跟着废了。老 Codex 是"模型"，新 Codex 是"产品系列里的终端 Agent"——同名不同物，这是这张卡要先帮你立起来的第一道篱笆。
| 能力 | 说明 |
|---|---|
| 代码读写 | 读取项目文件、跨文件改动、补丁式修改，自动生成 diff 让你审 |
| 命令执行 | 在沙箱内跑测试、构建、迁移脚本等命令，受 approval policy 控制 |
| MCP 客户端 | 0.121.0 起原生支持 MCP，可挂第三方 server，扩展工具生态（与 /mcp/cards/what-is-mcp 互链） |
| Skills | 通过仓库或用户目录里的 .codex/skills 注册可被 Agent 自主发现的"技能包" |
| Hooks | 支持 SessionStart 等生命周期钩子，能区分 /clear 与全新启动 |
| Plan Mode | 先想清楚再动手的规划模式，可携带规划上下文进入执行阶段 |
| TUI 多会话 | /side 在主对话外开一条侧边对话临时问问题，主任务不被打断 |
要点有三个：
CLI 提供了多种安装方式，按你常用的包管理器选一个即可：
# 方式一：npm（最常见，跨平台）
npm install -g @openai/codex
# 方式二：macOS Homebrew
brew install --cask codex
# 方式三：直接下二进制（macOS / Linux x86_64 / arm64 都有）
# 见 https://github.com/openai/codex/releases
装完之后在终端里跑 codex --version 应该能看到类似 0.122.0 的输出。
最简单的路径是用 ChatGPT 账号登录，不需要去翻 API Key：
codex login
# 浏览器会自动打开 OpenAI 登录页
# 登录完成后 token 会写入 ~/.codex/auth.json
如果你是企业用户、想用 API Key 计费，也可以走 API Key 模式：
export OPENAI_API_KEY="sk-..."
codex login --api-key
进入任意一个项目目录，直接敲 codex：
cd ~/projects/my-app
codex
第一次启动会问你这个目录是否信任、是否允许写入。进入主界面后是一个 TUI，默认状态下你可以这样用：
> 帮我看一下 src/server.ts 里 listen 的端口是从哪里读的，
如果是硬编码就改成从环境变量 PORT 读，并加默认值 3001。
[Codex 列出待执行计划]
1. 读 src/server.ts
2. 找 listen 调用
3. 修改为从 process.env.PORT 读取，默认值 3001
4. 跑 npm run typecheck 验证
[审批待执行操作？] y/n
按 y 之后 Codex 就会按计划读文件、生成 patch、跑命令，每一步都展示给你看。这套"读 → 改 → 跑 → 反馈"的循环就是终端 Agent 的标准工作模式。
Codex 的核心配置在 ~/.codex/config.toml，项目级覆盖放在仓库根的 .codex/config.toml。一个最小配置示例：
# ~/.codex/config.toml
# 模型与默认行为
model = "gpt-5.3-codex"
approval_policy = "on-request" # untrusted / on-request / never / granular
sandbox_mode = "workspace-write" # 默认沙箱：可读项目，写入限定在 workspace，无网络
# 挂一个 MCP server（这里以本地 filesystem 为例）
[mcp_servers.filesystem]
command = "npx"
args = ["-y", "@modelcontextprotocol/server-filesystem", "/Users/me/notes"]
三个最常调的开关：
approval_policy：untrusted 只让已知安全的只读命令自动跑、其它都问；on-request 是默认，由模型判断什么时候该问；never 全部不问（高危，仅在隔离环境用）；granular 提供更细粒度白名单。sandbox_mode：默认 workspace-write，对 workspace 外只读、网络默认关闭，需要联网拉依赖时单独打开。mcp_servers.*：声明要挂载的 MCP server，CLI 启动时拉起对应进程并接管通信，工具列表会出现在 Codex 的可用工具菜单里。详见 MCP 是什么 和 在 CLI 里挂 MCP server。把 Codex CLI 放到 2026 年的终端 Agent 战场里横向看：
| 维度 | Codex CLI | Claude Code | Gemini CLI |
|---|---|---|---|
| 出品方 | OpenAI（官方） | Anthropic（官方） | Google（官方） |
| 默认模型 | GPT-5.3-Codex / Spark | Claude 4.x 系列 | Gemini 2.x 系列 |
| 是否多模型可切 | ⚠️ 主推自家 GPT，可对接 OpenAI 兼容 endpoint | ⚠️ 主推 Claude | ⚠️ 主推 Gemini |
| 计费来源 | ChatGPT 订阅 / API Key | Claude Pro/Max / API Key | Google AI 订阅 / API Key |
| 开源协议 | Apache-2.0 | 闭源（仓库是 issue tracker） | Apache-2.0 |
| MCP 支持 | ✅ 原生（0.121.0+） | ✅ 原生 | ✅ 原生 |
| Skills 机制 | ✅ .codex/skills | ✅ .claude/skills | ⚠️ 演进中 |
| Hooks 机制 | ✅ SessionStart 等 | ✅ PreToolUse / PostToolUse / Stop 等 | ⚠️ 演进中 |
| Sandbox / 权限 | workspace-write 默认 + 网络开关 | 工具白名单 + dangerous 模式 | 工具白名单 |
| 上手难度 | 低 | 低 | 低 |
核心区别一句话：
三个工具的差别，本质上不是"哪个更强"，而是"你被绑在哪个生态、你愿意为什么付钱、你对工程化扩展性的要求有多高"。详见 终端 Agent 横向对比。
| 误区 | 准确理解 |
|---|---|
| Codex CLI 就是 2021 年那个 Codex 的命令行版 | 完全无关。2021 年的 Codex 是一个被 2023 年 3 月下线的代码模型，2025 年 OpenAI 复用了 "Codex" 这个名字命名一条新的 Agent 产品线，CLI 是其中一员，底层走 GPT-5 系列 |
| Codex CLI 必须先去 OpenAI 平台开 API Key 才能用 | 默认推荐"Sign in with ChatGPT"，任何 ChatGPT 付费档（Plus/Pro/Business/Edu/Enterprise）都能直接用；API Key 是给企业计费 / 自动化场景准备的 |
| Codex CLI 只能用 OpenAI 的模型 | 主推自家 GPT-5.3-Codex，不过它接受 OpenAI 兼容的 base URL，理论上能对接其它兼容厂商。但官方功能（Skills、Plan Mode 等）是为 Codex 系列调教的，换底座体验会打折 |
| Codex CLI 是闭源产品 | 仓库 openai/codex 是 Apache-2.0 开源，代码、issue、release notes 都在 GitHub 上公开 |
| Codex CLI 等于 ChatGPT 桌面版的命令行包装 | 两者认证可共用，但形态完全不同：CLI 是跑在终端里的本地 Agent，能直接读你工作区的文件、跑沙箱命令；ChatGPT 桌面里的 Codex 入口更偏对话式入口 + 云端任务 |
| Codex CLI 不支持 MCP，只能用自家工具 | 0.121.0 起原生支持 MCP，可在 ~/.codex/config.toml 里 [mcp_servers.*] 声明任意 MCP server，工具会自动并入 Agent 可用列表 |
| Skills、Hooks 是 Claude Code 独有的 | Codex CLI 也有自己的 Skills（.codex/skills）和生命周期 Hooks（如 SessionStart），但具体规范和 Claude Code 不通用，写之前要看 OpenAI 自己的 docs |
| 优势 | 劣势 |
|---|---|
| OpenAI 官方第一方维护，模型升级（GPT-5.3-Codex / Spark）几乎当天就能在 CLI 里用上，不用等社区适配 | 生态绑定 OpenAI 较深，主流功能为自家模型调教，多模型切换是次等公民 |
| 认证体验顺：直接 Sign in with ChatGPT，省掉 API Key 申请、计费配置、组织管理一整套流程 | 沙箱与权限模型相对年轻：相比 Claude Code 已经迭代多轮的 hooks/skills/dangerous 模式，Codex 这部分仍在快速变化，文档跟代码偶尔有时差 |
| Apache-2.0 完全开源，能自己 fork 改 TUI、改 telemetry、加 hook，企业内审也容易过 | MCP 支持虽然有但偏新：0.121.0 才算稳定（2026 年 4 月），早期写的 server 可能踩到行为差异，需要自己测一遍 |
| 跨平台二进制完备：macOS / Linux x86_64 / arm64 都有，npm/brew 装包都不挑机器 | TUI 体验在 Windows 原生终端略弱，Windows 用户当前体验最好的是 WSL + 标准 Linux 包，纯 PowerShell 偶有渲染问题 |
| Plan Mode + /side 多会话让"先想清楚再做"和"侧边问个小问题别打断主任务"两类常见痛点都有原生支持 | 强项偏编码，做长链路文档生成、产品需求拆解时不一定比通用 ChatGPT 桌面更顺手 |
| GPT-5.3-Codex-Spark 提供 >1000 tokens/s 的低延迟体验，做实时补全/快速审查特别舒服 | 成本控制需要自己上心：默认开 ChatGPT 订阅时不显式按 token 计费，但企业 API Key 模式下，Agent 模式很容易跑出比预期更高的账单 |
参考答案：
ChatGPT 网页版解决的是**"我有一个问题，想找模型聊聊"——你打开一个对话窗口，复制粘贴代码、贴报错、贴需求，模型回你一段答复，然后你再把答复手动搬回到 IDE 里执行。整个回路里模型不直接接触你的项目**，你是中间那个"传话+执行"的人。
Codex CLI 解决的是**"我有一个项目，想让模型直接动手"**——你在项目根目录敲 codex，模型可以：
这就是 "Agent" 这个词的核心：模型从被动应答升级成主动操作环境。CLI 把"读项目—想方案—改文件—跑测试—看结果"的整条循环压进终端里，省掉的是你作为"中间人"的搬运成本。
一个直观的判断：如果你一天里 超过 3 次 把代码贴进 ChatGPT 又把回答贴回 IDE，那装个 Codex CLI 至少能省你一半时间。
参考答案：
底层协议是同一回事，但运行环境和能力面不完全相同，所以"复用"要分两层看。
协议层：MCP 是开放协议（详见 MCP 是什么），消息格式是 JSON-RPC 2.0，传输层是 stdio 或 Streamable HTTP。一个写好的 MCP server——比如 @modelcontextprotocol/server-filesystem——理论上Codex CLI、ChatGPT 桌面、Claude Desktop、Cursor 都能挂，server 端代码不用改。所以协议层是可复用的。
配置层：每个客户端有自己的配置位置和写法。
~/.codex/config.toml 里的 [mcp_servers.<name>] 段claude_desktop_config.json 的 mcpServers 段同一个 server，不同客户端要写一份对应格式的"挂载声明"。
能力层：客户端对 MCP 的支持度有差别。比如：
实操结论：你写的 MCP server 本身是高度可复用的，挂三个客户端基本就是配三份小配置。但别假设客户端 A 能跑通的高级能力，到客户端 B 也一定能跑——尤其是反向 sampling、长会话生命周期、二进制 resource 这类边缘能力，先在每个客户端单测一遍。
更深入的部分见 在 CLI 里挂 MCP server 与 MCP 架构。
优先展示同分类且标签更接近的内容，方便继续串联学习。
Anthropic 官方终端 Agent，原生支持工具调用、MCP、Skills 与 Hooks，2026 年生态最完整的 CLI Agent
Google 官方终端 Agent，Gemini 模型驱动，强项是 1M+ 上下文窗口、慷慨免费额度与 Google 生态集成
零基础理解 CLI Agent 是什么、和 IDE 插件 / 网页版的本质区别，以及为什么 2026 年成了主战场