Codex CLI: de la instalación al trabajo en equipo

Reserva los primeros 15 minutos para la puesta en marcha, siempre que ya tengas un proyecto que funcione y una cuenta con acceso. La instalación, el inicio de sesión o una batería de pruebas lenta pueden llevar más tiempo. Un buen primer resultado es un cambio pequeño y verificado, o una explicación precisa de qué impide completarlo. Comandos comprobados el 11 de octubre de 2026.

Cómo instalar Codex CLI y completar una primera tarea útil

Codex trabaja dentro de tu proyecto: puede examinar archivos, editarlos y ejecutar herramientas instaladas en tu equipo. Piensa en él como un colaborador con su propia mesa de trabajo. Tú defines la tarea y sus límites; también decides si el resultado debe incorporarse al producto. Guía de la CLI de OpenAI

Minutos 0 a 3: elige un método de instalación

En macOS o Linux, el instalador independiente se ejecuta así:

curl -fsSL https://chatgpt.com/codex/install.sh | sh

Si otra opción encaja mejor con tu entorno, úsala. Elige un solo método para tener claro cómo actualizarlo después.

Para Windows, la documentación indica este comando exacto, que debes ejecutar en una nueva ventana de PowerShell: powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex".

Estos son los métodos recogidos en la documentación actual de la CLI y en el repositorio oficial. Abre el directorio de tu proyecto en la terminal antes de iniciar Codex.

Minutos 3 a 5: elige entre iniciar sesión con ChatGPT o usar una clave de API

Para una primera sesión interactiva, inicia sesión con ChatGPT si tu plan y tu espacio de trabajo incluyen acceso. Ejecuta codex login y completa el proceso en el navegador. Si inicias codex sin haber iniciado sesión, también aparece la opción Sign in with ChatGPT (iniciar sesión con ChatGPT).

Elige la autenticación con clave de API cuando quieras utilizar tu cuenta de OpenAI Platform, por ejemplo, en flujos programáticos. Si tu entorno de shell ya tiene definida OPENAI_API_KEY, el comando documentado para macOS/Linux es printenv OPENAI_API_KEY | codex login --with-api-key. No guardes la clave en archivos del repositorio.

Ejecuta codex login status para confirmar qué método está activo. En un equipo, esta distinción importa: la autenticación con ChatGPT se rige por los controles del espacio de trabajo de ChatGPT; la autenticación con API, por los de la organización de la API. Guía de autenticación

Costo: al iniciar sesión con ChatGPT, utilizas el acceso incluido en tu plan, siempre que sea compatible; el uso con clave de API se factura por separado a través de OpenAI Platform, según las tarifas de la API. Nuestra guía de precios de Codex compara los planes. En una prueba con el equipo, compara el tiempo de ejecución manual de una tarea con el dedicado a dar instrucciones, revisar y corregir; después, resta el costo de uso adicional al valor del tiempo que realmente se haya ahorrado. Un primer borrador más rápido solo compensa si disminuye el trabajo total necesario para darlo por bueno. Diferencias de autenticación y facturación según OpenAI

Minutos 5 a 8: examina el proyecto antes de editar

Crea primero un punto de control en Git. Desde la shell de tu proyecto, inicia una sesión de inspección con el comando documentado codex --sandbox read-only --ask-for-approval on-request.

Encarga una investigación acotada. Por ejemplo, adapta este prompt a tu proyecto:

Este prompt es una propuesta de trabajo, no un comando especial de Codex. Lee la respuesta y confirma que ha localizado la parte correcta de la aplicación. El sandbox de solo lectura permite examinar archivos y ejecutar comandos dentro de sus límites; las acciones que quedan fuera pueden requerir aprobación. Guía de aprobaciones y sandbox

Minutos 8 a 12: autoriza un cambio pequeño

Cuando estés listo, usa /permissions para permitir la edición en el espacio de trabajo. Si abres una sesión nueva, la combinación documentada es codex --sandbox workspace-write --ask-for-approval on-request.

A continuación, define un criterio de aceptación:

Empieza por algo que puedas evaluar rápidamente. Una prueba de un comportamiento conocido es un mejor primer encargo que una petición abierta para mejorar la arquitectura.

Minutos 12 a 15: revisa el diff y los resultados

Usa /diff para examinar el cambio y /review para solicitar una revisión. Comprueba la salida real de las pruebas, los archivos modificados y si el resultado cumple tu criterio de aceptación. Haz el commit solo después de revisarlo tú. Estos comandos con barra se ejecutan dentro de la sesión de Codex, no en la shell. Referencia de comandos de la CLI

Elige el modelo después de obtener un resultado de referencia

Empieza con el modelo disponible en tu sesión. Después, usa /model para elegir otro o ajustar el esfuerzo de razonamiento. El ejemplo actual de OpenAI para iniciar una sesión es codex --model gpt-6.1-sol.

La recomendación actual es GPT-6.1 Sol para programación compleja, si tu cuenta y tu cliente tienen acceso, y GPT-6 Luna para tareas concretas y repetibles. Un mayor esfuerzo de razonamiento puede ayudar en análisis difíciles, pero también tarda más y consume más tokens. Al comparar resultados, mantén la misma tarea inicial y el mismo nivel de esfuerzo. Guía de modelos de Codex

Durante la incorporación del equipo, registra el modelo utilizado junto con la tarea y el resultado de las pruebas. Seleccionar el nombre de un modelo no concede acceso a él.

Configura por separado el acceso del sandbox y las aprobaciones

El sandbox define a qué pueden acceder los comandos. La política de aprobación determina cuándo debe preguntar Codex antes de actuar. Imagina que el sandbox son las paredes del taller y la política de aprobación es el permiso para abrir una puerta.

Usa on-request para el trabajo interactivo: las acciones permitidas dentro del sandbox pueden continuar, mientras que las que necesitan un acceso más amplio pueden solicitar aprobación. never significa que Codex no puede pedir aprobación; no elimina el sandbox. Una acción bloqueada puede seguir bloqueada.

El límite de escritura no garantiza que se vaya a pedir permiso antes de cada edición. Con workspace-write y on-request, Codex puede modificar archivos del espacio de trabajo y ejecutar automáticamente los comandos permitidos. Consulta los ajustes activos con /permissions. Funcionamiento del sandbox y las aprobaciones de OpenAI

Si una plantilla antigua del equipo establece approval_policy = "untrusted", actualízala: OpenAI ha retirado ese ajuste explícito y advierte que puede impedir el inicio. La antigua opción codex exec --full-auto también está obsoleta. Utiliza los ajustes de sandbox y aprobación documentados. Guía actual de migración

Recoge los acuerdos de trabajo en AGENTS.md

Usa AGENTS.md para no tener que repetir cómo funciona el repositorio. Codex lee estas instrucciones al empezar una ejecución. /init puede generar una estructura inicial que una persona responsable del mantenimiento debe revisar antes de que el equipo la adopte.

Un archivo útil para el repositorio responde a cuatro preguntas:

• ¿Cómo se instalan las dependencias y se ejecuta el proyecto?
• ¿Qué pruebas y comprobaciones corresponden a cada cambio?
• ¿Qué directorios contienen archivos generados o requieren especial cuidado?
• ¿Qué debe incluir el informe final, como los cambios de comportamiento, las pruebas ejecutadas y los fallos pendientes?

Escribe los comandos y las convenciones reales del proyecto, no una lista genérica de deseos. Guarda tus preferencias personales en ~/.codex/AGENTS.md e incorpora las instrucciones compartidas al repositorio, en la raíz del proyecto.

Codex carga las instrucciones globales y después recorre los directorios desde la raíz del proyecto hasta el directorio actual. Las instrucciones más locales prevalecen sobre las anteriores; AGENTS.override.md tiene prioridad sobre AGENTS.md en un mismo directorio. Reinicia la sesión después de cambiar las instrucciones y pide a Codex que resuma las que ha cargado. Reglas de búsqueda de AGENTS.md

Trata este archivo como un manual para quienes colaboran en el proyecto. Para imponer restricciones técnicas, utiliza la configuración y los requisitos administrados.

Mantén config.toml breve y fácil de revisar

Guarda tus valores predeterminados personales en ~/.codex/config.toml. Coloca los valores compartidos del proyecto en .codex/config.toml, que Codex solo carga en proyectos de confianza. Estos ajustes utilizan TOML, un formato de texto para definir parámetros con nombre.

Esta configuración inicial combina los valores que muestra la guía de configuración de OpenAI. Incluye la línea del modelo solo si tu cuenta tiene acceso a él:

model = "gpt-6.1-sol"
model_reasoning_effort = "medium"
approval_policy = "on-request"
sandbox_mode = "workspace-write"
web_search = "cached"

Las opciones de la CLI y los valores indicados mediante --config prevalecen sobre la configuración del proyecto. Los ajustes de un proyecto de confianza tienen prioridad sobre los perfiles seleccionados y tus valores predeterminados de usuario. Los requisitos de la organización pueden limitar lo permitido, independientemente de esos valores. Fundamentos de configuración

web_search = "cached" selecciona resultados de búsqueda web almacenados en caché. Es un ajuste independiente del acceso a la red para los comandos de shell. Descargar una dependencia puede requerir aprobación aunque Codex disponga de una herramienta de búsqueda web. Explica esta diferencia en las notas de incorporación del equipo para evitar ampliar los permisos cada vez que falla un comando.

Añade un servidor MCP cuando haya una necesidad concreta

MCP, o Model Context Protocol, conecta Codex con herramientas y contexto externos. Un servidor local se ejecuta como un proceso; a uno remoto se accede mediante una dirección HTTP. Añade uno cuando una tarea requiera información o una acción que el repositorio no pueda proporcionar.

El ejemplo de la documentación de OpenAI es codex mcp add context7 -- npx -y @upstash/context7-mcp. Inicia un servidor de documentación mediante npx, por lo que este ejecutor debe estar disponible. Ejecuta codex mcp list para ver los servidores configurados y, después, /mcp dentro de una sesión para examinar las conexiones activas. Si el servidor admite OAuth, usa codex mcp login <server-name> y sustituye el marcador por el nombre con el que está configurado.

La configuración del servidor va bajo [mcp_servers.<server-name>] en el mismo sistema de configuración TOML. El equipo puede restringir las herramientas expuestas mediante enabled_tools y disabled_tools; la lista de denegación se aplica después de la lista de permitidas. Empieza por el conjunto mínimo de herramientas que resulte útil. Configuración y ajustes de MCP

Para abordar el problema específico de las respuestas demasiado grandes, consulta nuestra explicación de los límites de salida de MCP en Codex CLI. Conectar un servidor y controlar cuánto contenido devuelve son decisiones de configuración distintas.

Usa worktrees cuando las tareas necesiten copias de trabajo separadas

Un worktree de Git proporciona a una tarea una copia de trabajo independiente del repositorio. Resulta útil para mantener los cambios de un experimento separados de los archivos en los que estás trabajando.

La versión 0.154.0 de OpenAI incorporó worktrees administrados para tareas de la CLI, sesiones interactivas y bifurcaciones. Su implementación los limita a sesiones locales y exige activar la función experimental worktrees. Habilítala con codex features enable worktrees, el comando documentado de la CLI para activar funciones, y después inicia la sesión con codex --worktree. Notas de la versión, implementación de worktrees interactivos, comandos de funciones

Dentro de una sesión compatible, /worktree permite abrir una conversación nueva o bifurcar la actual en una copia de trabajo administrada. La bifurcación conserva el historial de la conversación; una conversación nueva empieza desde cero. Estas opciones requieren que la función esté activada y que exista un repositorio Git local. Comandos de sesión para worktrees

Cuenta con revisar e integrar el trabajo y limpiar después las copias creadas. La implementación de la CLI deja desactivada la limpieza automática de las copias que administra. Una copia de trabajo separada tampoco sustituye los ajustes del sandbox ni la revisión antes de integrar cambios. Ciclo de vida de las copias de trabajo administradas

Cuando quieras abordar tareas en paralelo, consulta nuestra guía de worktrees en Codex CLI. Para un primer encargo de escritura de pruebas, basta con una sola copia de trabajo.

Seis tareas útiles para un equipo pequeño, por orden de prioridad

Son propuestas de tareas, no afirmaciones de productividad medida. Empieza por aquella cuyo criterio de aceptación sea más fácil de comprobar.

Codex no toma por ti las decisiones de producto pendientes ni demuestra que una batería de pruebas superada cubra todos los riesgos. Tus criterios de aceptación y tu revisión siguen formando parte del trabajo. Para una evaluación más amplia, consulta nuestro análisis de Codex; si estás comparando opciones de compra, lee Codex vs Claude Code.

Dos herramientas concretas que podría crear un fundador técnico

La oportunidad más sólida es un servicio de pruebas de regresión para un stack concreto. Vende a equipos pequeños con errores conocidos y poca cobertura un cambio de pruebas ya revisado. La versión mínima útil recibe un caso reproducible, ejecuta una tarea acotada de Codex en una copia de trabajo separada y devuelve el cambio junto con los resultados de las pruebas. La estimación de palabras clave de DataForSEO para Estados Unidos, consultada el 11 de octubre de 2026, es de 880 búsquedas mensuales de «automated software testing services». Esa cifra mide el interés por ese trabajo, no la disposición a comprar este producto. Lo difícil es contar con fixtures fiables y aserciones que comprueben algo relevante; una prueba que se limita a repetir la implementación aporta poco valor.

La segunda opción es un asistente de revisión adaptado a un repositorio. Un responsable de ingeniería podría pagar por revisiones que apliquen las convenciones documentadas del equipo y entreguen una lista breve de hallazgos verificables. Empieza con un repositorio, su AGENTS.md y un proceso de revisión repetible. La misma comprobación de demanda estima 1,300 búsquedas mensuales en Estados Unidos de «ai code review». La dificultad está en diferenciarse: Codex ya revisa código, así que el producto debe ofrecer resultados más pertinentes y reducir las falsas alarmas. La generación de pruebas ofrece un entregable inicial más claro, porque quien compra puede examinar y ejecutar lo que recibe.

Preguntas habituales durante la configuración

El lunes, pide a una persona responsable del mantenimiento que ejecute la misma tarea pequeña con dos integrantes del equipo, registre el esfuerzo de revisión y corrección y ajuste las instrucciones compartidas allí donde falle el traspaso del trabajo. Amplía el alcance solo cuando el equipo pueda repetir ese ciclo con confianza.

Si quieres un flujo de trabajo para tu repositorio basado en estos controles, creamos sistemas de IA para producción.