Настройка Codex CLI: от первой задачи до работы в команде

Отведите на первый запуск 15 минут, если у вас уже есть рабочий проект и учётная запись с доступом. Установка, вход или медленные тесты могут занять больше времени. Хороший результат первого запуска — небольшое проверенное изменение или точное объяснение того, что мешает его сделать. Команды проверены 11 октября 2026 года.

Настройка Codex CLI: установка и первая полезная задача

Codex работает внутри проекта: изучает файлы, редактирует их и запускает инструменты, установленные на вашем компьютере. Представьте участника команды за отдельным рабочим столом. Вы задаёте задачу и границы, а решение о том, попадёт ли результат в продукт, остаётся за вами. Руководство OpenAI по CLI

С 0-й по 3-ю минуту: выберите способ установки

Для macOS и Linux есть самостоятельный установщик:

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

Если в вашей среде удобнее другой способ, используйте его. Выберите один вариант, чтобы потом было понятно, как обновлять CLI.

Для Windows в документации приведена следующая команда; её нужно выполнить в новом окне PowerShell: powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex".

Эти способы установки описаны в актуальной документации CLI и официальном репозитории. Перед запуском Codex перейдите в терминале в каталог проекта.

С 3-й по 5-ю минуту: войдите через ChatGPT или API-ключ

Для первой интерактивной сессии подойдёт вход через ChatGPT, если ваш тариф и рабочее пространство дают доступ. Выполните codex login и завершите вход в браузере. При запуске codex без сохранённой авторизации также появится вариант Sign in with ChatGPT («Войти через ChatGPT»).

Авторизацию по API-ключу выбирайте, если собираетесь работать через учётную запись OpenAI Platform, например для программного запуска задач. Если переменная OPENAI_API_KEY уже задана в окружении оболочки, документированная команда для macOS/Linux выглядит так: printenv OPENAI_API_KEY | codex login --with-api-key. Не сохраняйте ключ в файлах репозитория.

Проверьте текущий способ авторизации командой codex login status. Для команды это существенно: при входе через ChatGPT действуют правила рабочего пространства ChatGPT, а при авторизации через API — правила организации в API. Руководство по авторизации

Стоимость: вход через ChatGPT использует доступ, включённый в подходящий тариф; работа по API-ключу оплачивается отдельно через OpenAI Platform по тарифам API. Сравнение планов есть в нашем обзоре цен на Codex. Во время командного пилота сравните время выполнения задачи вручную с затратами на промпты, проверку и исправления, а затем вычтите дополнительные расходы на использование из стоимости действительно сэкономленного времени. Быстро полученный черновик окупается только тогда, когда сокращается вся работа до принятия результата. Как OpenAI разделяет авторизацию и оплату

С 5-й по 8-ю минуту: изучите код до внесения изменений

Сначала зафиксируйте исходное состояние в Git. В командной оболочке, находясь в каталоге проекта, запустите сессию для изучения кода документированной командой codex --sandbox read-only --ask-for-approval on-request.

Поручите конкретное исследование. Например, адаптируйте такой промпт под свой проект:

Это пример организации работы, а не специальная команда Codex. Прочитайте ответ и убедитесь, что агент нашёл нужную часть приложения. Песочница в режиме чтения позволяет изучать файлы и выполнять команды в пределах разрешённого доступа; для действий за этими пределами может потребоваться подтверждение. Руководство по песочнице и подтверждениям

С 8-й по 12-ю минуту: разрешите одно небольшое изменение

Когда будете готовы, переключитесь на редактирование рабочего пространства через /permissions. Для новой сессии документированная комбинация параметров — codex --sandbox workspace-write --ask-for-approval on-request.

Затем задайте критерий приёмки:

Начните с задачи, результат которой легко оценить. Тест известного поведения подходит для первого задания лучше, чем расплывчатая просьба улучшить архитектуру.

С 12-й по 15-ю минуту: проверьте diff и результаты тестов

Посмотрите изменения через /diff и запросите проверку командой /review. Изучите фактический вывод тестов, список затронутых файлов и соответствие критерию приёмки. Делайте коммит только после собственной проверки. Эти слеш-команды вводятся внутри сессии Codex, а не в командной оболочке. Справочник команд CLI

Выбирайте модель после первого результата

Начните с модели, доступной в вашей сессии. Затем через /model можно выбрать другую модель или изменить глубину рассуждений. В актуальном примере OpenAI для запуска используется codex --model gpt-6.1-sol.

Сейчас для сложных задач программирования рекомендуется GPT-6.1 Sol, если она доступна вашей учётной записи и клиенту, а для узких повторяющихся задач — GPT-6 Luna. Более глубокое рассуждение может помочь при сложном анализе, но требует больше времени и токенов. Чтобы сравнение результатов имело смысл, используйте одну и ту же исходную задачу и настройку глубины рассуждений. Рекомендации по моделям Codex

При внедрении в команде записывайте, какая модель использовалась, вместе с задачей и результатом тестов. Выбор названия модели сам по себе не даёт учётной записи доступ к ней.

Разделяйте доступ песочницы и правила подтверждения

Песочница определяет, к чему могут обращаться команды. Политика подтверждений — когда Codex должен спросить разрешение, прежде чем действовать. Песочницу можно представить как стены мастерской, а политику подтверждений — как разрешение открыть дверь.

Для интерактивной работы используйте on-request: разрешённые действия внутри песочницы выполняются сразу, а действия, требующие более широкого доступа, могут вызвать запрос подтверждения. Значение never запрещает Codex запрашивать подтверждение; оно не отключает песочницу. Заблокированное действие может так и остаться недоступным.

Ограничение области записи не означает, что агент будет спрашивать разрешение перед каждой правкой. При workspace-write и on-request Codex может автоматически менять файлы рабочего пространства и запускать разрешённые команды. Проверить активные настройки можно через /permissions. Как в OpenAI устроены песочница и подтверждения

Если в старом командном шаблоне указано approval_policy = "untrusted", обновите его: OpenAI вывела эту явно задаваемую настройку из использования и предупреждает, что она может мешать запуску. Старый вариант запуска codex exec --full-auto тоже объявлен устаревшим. Вместо него используйте документированные настройки песочницы и подтверждений. Актуальное руководство по переходу

Запишите правила работы в AGENTS.md

Файл AGENTS.md избавляет от необходимости каждый раз объяснять устройство репозитория. Codex читает эти инструкции при запуске. Команда /init может создать заготовку, которую сопровождающему проекта стоит отредактировать, прежде чем команда начнёт на неё полагаться.

Полезный файл инструкций в репозитории отвечает на четыре вопроса:

• Как установить зависимости и запустить проект?
• Какие тесты и проверки нужно выполнить для изменения?
• В каких каталогах находятся сгенерированные файлы и какие требуют особой осторожности?
• Что должно быть в отчёте о завершении: например, изменения поведения, выполненные тесты и неустранённые ошибки?

Указывайте реальные команды и принятые в проекте правила, а не общий список пожеланий. Личные предпочтения храните в ~/.codex/AGENTS.md, а общие инструкции команды добавляйте в репозиторий, в корень проекта.

Codex сначала загружает глобальные инструкции, а затем проходит от корня проекта к текущему каталогу. Более локальные инструкции имеют приоритет над прочитанными ранее; в одном каталоге AGENTS.override.md имеет приоритет над AGENTS.md. После изменения инструкций перезапустите сессию и попросите Codex кратко изложить загруженные правила. Правила поиска AGENTS.md

Относитесь к этому файлу как к руководству для участников проекта. Технические ограничения задавайте через конфигурацию и централизованно управляемые требования.

Оставьте в config.toml только то, что легко проверить

Личные настройки по умолчанию храните в ~/.codex/config.toml. Общие настройки проекта — в .codex/config.toml; Codex загружает их только для доверенных проектов. Здесь используется TOML — текстовый формат именованных параметров.

В этом стартовом примере собраны значения из руководства OpenAI по настройке. Строку с моделью используйте только в том случае, если эта модель доступна вашей учётной записи:

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

Флаги CLI и переопределения через --config имеют приоритет над конфигурацией проекта. Настройки доверенного проекта важнее выбранных профилей и пользовательских значений по умолчанию. Требования организации могут ограничивать допустимые действия независимо от этих настроек. Основы конфигурации

Параметр web_search = "cached" выбирает кешированные результаты веб-поиска. Он не связан с сетевым доступом для команд оболочки. Скачивание зависимости может требовать подтверждения даже при наличии у Codex инструмента веб-поиска. Объясните эту разницу в инструкциях для новых участников команды, чтобы не расширять права при каждом сбое команды.

Подключайте MCP-сервер под конкретную задачу

MCP, или Model Context Protocol, даёт Codex доступ к инструментам и внешнему контексту. Локальный сервер работает как процесс, а удалённый доступен по HTTP-адресу. Подключайте сервер, когда задаче нужны информация или действие, которых сам репозиторий предоставить не может.

В документации OpenAI приведён пример codex mcp add context7 -- npx -y @upstash/context7-mcp. Он запускает сервер документации через npx, поэтому эта команда должна быть доступна. Выполните codex mcp list, чтобы увидеть настроенные серверы, а затем /mcp внутри сессии, чтобы проверить активные подключения. Для сервера с поддержкой OAuth используйте codex mcp login <server-name>, заменив заполнитель именем сервера из конфигурации.

Настройки сервера размещаются в секции [mcp_servers.<server-name>] той же системы конфигурации TOML. Команда может ограничить доступные инструменты через enabled_tools и disabled_tools; список запретов применяется после списка разрешений. Начните с минимального набора инструментов, достаточного для задачи. Подключение и настройка MCP

Большие ответы инструментов — отдельный вопрос; ему посвящён наш разбор ограничений вывода MCP в Codex CLI. Подключение сервера и ограничение объёма его ответов требуют отдельных решений при настройке.

Используйте worktree, если задачам нужны отдельные рабочие копии

Git worktree выделяет задаче отдельную рабочую копию репозитория. Это полезно, когда нужно отделить экспериментальные правки от файлов, с которыми вы сейчас работаете.

В релизе OpenAI 0.154.0 появилась поддержка управляемых worktree для задач CLI, интерактивных сессий и их ответвлений. В реализации эта возможность включается экспериментальным флагом worktrees и доступна только в локальных сессиях. Включите её документированной командой управления возможностями CLI — codex features enable worktrees, а затем запустите codex --worktree. Примечания к релизу, реализация интерактивных worktree, команды управления возможностями

В сессии с поддержкой этой возможности команда /worktree позволяет начать новый разговор или перенести ответвление текущего в управляемую рабочую копию. Ответвление сохраняет историю переписки, а новый разговор начинается с чистого листа. Для этих вариантов нужны включённая возможность и локальный репозиторий Git. Команды сессии для worktree

Проверять, объединять и убирать результаты работы придётся самостоятельно. В реализации CLI автоматическая очистка созданных им управляемых рабочих копий отключена. Отдельная рабочая копия также не заменяет настройки песочницы и проверку перед слиянием. Жизненный цикл управляемой рабочей копии

Когда будете готовы к параллельным задачам, воспользуйтесь нашим руководством по worktree в Codex CLI. Для первого задания на написание теста достаточно одной рабочей копии.

Шесть полезных задач для небольшой команды — по приоритету

Это предлагаемые задания, а не результаты измерения производительности. Начните с того, где проще всего проверить критерий приёмки.

Codex не принимает за вас недостающие продуктовые решения и не доказывает, что успешно пройденные тесты покрывают все риски. Критерии приёмки и ваша проверка остаются частью работы. Для более широкой оценки прочитайте наш обзор Codex, а для выбора перед покупкой — сравнение Codex и Claude Code.

Два узких продукта для основателя с техническим опытом

Более перспективный вариант — сервис регрессионных тестов для одного стека. Небольшим командам с известными ошибками и слабым покрытием можно продавать проверенный патч с тестами. Минимальная полезная версия принимает воспроизводимый сценарий, запускает ограниченную задачу Codex в отдельной рабочей копии и возвращает патч вместе с подтверждёнными результатами тестов. По оценке DataForSEO для США, полученной 11 октября 2026 года, фразу «automated software testing services» ищут 880 раз в месяц. Это показатель интереса к задаче, а не готовности купить такой продукт. Основная сложность — надёжные тестовые фикстуры и содержательные проверки: тест, который просто повторяет реализацию, приносит мало пользы.

Второй вариант — помощник для ревью конкретного репозитория. Руководитель разработки может платить за проверки, которые учитывают документированные правила команды и возвращают короткий список проверяемых замечаний. Начните с одного репозитория, его AGENTS.md и воспроизводимого запуска ревью. Та же проверка спроса даёт оценку 1,300 запросов в месяц в США по фразе «ai code review». Трудность — в отличиях от существующего решения: Codex уже умеет проверять код, поэтому продукт должен делать замечания более уместными и сокращать число ложных срабатываний. У генерации тестов более понятный результат на старте: покупатель может изучить и запустить то, что вы ему вернули.

Частые вопросы при настройке

В понедельник поручите одному сопровождающему проекта выполнить одну и ту же небольшую задачу вместе с двумя коллегами, зафиксировать затраты на проверку и исправления, а затем уточнить общие инструкции там, где передача результата вызывает затруднения. Расширяйте применение только после того, как команда сможет уверенно повторять этот цикл.

Если вам нужен процесс работы с репозиторием, построенный вокруг этих механизмов, мы создаём ИИ-системы для промышленной эксплуатации.