OpenAI 现在甚至给 Claude Code 做了一个官方 Codex Plugin。 而且注意，这已经不是以前那个 codex mcp-server 的用法了。 codex mcp-server 已经 deprecated，新版直接基于 Codex app server，把 Codex 真正接进 Claude Code 的工作流里。 装完以后可以直接： /codex:review 让 Codex review Claude 写的代码 /codex:adversarial-review 让 Codex 专门挑刺，质疑实现方案、设计取舍和隐藏风险 /codex:rescue 直接把一个 bug / 实现任务交给 Codex 去做 /codex:transfer 更离谱，可以把当前 Claude Code 的 session 直接转成 Codex thread，然后去 Codex App / CLI 里接着聊 还有 /codex:status、/codex:result、/codex:cancel 管理后台任务。 甚至还有一个 Review Gate： Claude 准备结束任务时，可以自动让 Codex 再审一遍；Codex 如果发现问题，甚至可以阻止 Claude 结束，让它继续修。 安装也很简单： /plugin marketplace add openai/codex-plugin-cc /plugin install codex@openai-codex /reload-plugins /codex:setup 现在已经可以真的让 Claude Code + Codex 两个 coding agent 在一个工作流里互相配合了。 官方仓库：

OpenAI Codex 的开发者 Guinness Chen 最近发了一条推，兴奋地宣布了 Codex 的一个超级实用新功能——线程无缝迁移（Thread Migration）。 简单说，现在你可以在笔记本电脑上用 Codex 写代码、调试、跑任务。工作到一半要出门，或者笔记本性能不够了，你只要告诉 Codex：“帮我把当前会话移到远程服务器去。” Codex 就会自动把整个工作线程（包括代码、Git 状态、所有未提交的改动、甚至正在跑的进程）打包好，干净利落地搬到远程主机上继续运行。你完全不用手动拷贝文件、配置环境、git push/pull 这些麻烦事。 等你回家或者想换回本地时，再让 Codex 把线程“接回来”就行了，状态完全保持一致。 视频演示里能看到：Codex 自己创建独立的工作目录、复制文件、同步 Git、验证环境，整个过程几乎全自动，像有个 invisible 的 AI 助理在帮你搬家一样顺滑。 这个功能对经常在本地和服务器之间切换、或者通勤路上还想让代码继续跑的人来说，简直太香了。基本把远程开发的割裂感给抹平了。

OpenAI Codex 用久了，最大的问题可能不是模型不够强，而是管理太乱🤡 历史会话不好找，MCP 配置分散，想在 Claude、DeepSeek、本地模型之间切换也要来回折腾 可以试试这个👉AiMaMi ：OpenAI Codex 第三方桌面管理面板 集中管理 Codex 会话、MCP 配置、自定义指令和第三方模型路由 #AI工具# #OpenAI# #Codex# #开发者工具#

前有 PayPal 黑帮，后有 OpenAI 和 Anthropic 黑帮。 2026 年，已经有至少 37 人从 OpenAI 或 Anthropic 出走创业。 从 PayPal 出来的人做出了 Tesla、SpaceX、LinkedIn、YouTube、Yelp、Palantir 等顶尖公司，那这波 AI 创业潮会跑出哪些新星？ 几个已经比较清晰的 AI 项目如下： - @CoreAutoAI（Core Automation）：前 OpenAI 研究副总裁 Jerry Tworek（@MillionInt）创办。 一句话：做世界上最自动化的 AI 实验室，让 AI 自己研究 AI。 - @mirendil（Mirendil）：前 Anthropic 研究员 Behnam Neyshabur（@bneyshabur）等人创办，刚拿 2 亿美元。一句话：做能自我加速的系统，把算力直接变成科学和工程突破。 - @river_ai_inc（River AI）：前 xAI 联合创始人 Igor Babuschkin（@ibab）创办。 一句话：做真正属于个人、由个人塑造的 AI。 - @mathematics_inc（Math Inc）：前 OpenAI 研究员 Jesse Han（@jessemhan）创办。 一句话：用 AI 自动把数学证明变成机器可验证的形式，目标是可验证的超级智能。 -@blackstar_cmptr（Blackstar）：前 OpenAI Codex 工程师 Daniel Edrisian（@DanielEdrisian）创办。 一句话：在做新一代个人电脑，想从硬件和系统层面改变人和 AI 的交互。 另外，还有像 Resolution（提高对齐置信度）、Guidelight（推动安全前沿 AI 实践）、Syntony（安全与治理）、Rational 和 Zavify（agent 工作流自动化）、Planar（团队共享状态）、Embrasure（给 autonomous agents 重建数据仓库）等项目。 PayPal 黑帮，当年把支付、社交、航天、情报分析全包圆了，出来的公司现在随便拎一个都是几千亿美元级别， 这波人的方向明显更窄，基本都围着同一件事：让 AI 能自己干活，同时别失控。 人才密度这么高的地方，一旦开始往外扩散，下一波真正有意思的公司大概率就从这里长出来，可以密集关注它们的动向。

新的 ChatGPT ，Bundle ID：com.openai.codex，大小 1.46 GB，Electron 应用，macOS 12+ 旧的 ChatGPT，Bundle ID： 158.4 MB，SwiftUI 原生应用，macOS 14+ 我会想念这个原生应用的…

[开源] [TF版] Remodex - 适用于 OpenAI Codex CLI 和桌面客户端版的手机远程控制应用，可以对话和发送指令进行远程开发操作。这是开发者 @Emanueledpt 推出的开源应用，支持读取现有会话并继续开发，缺点是每次都必须在 PC/Mac 上运行命令生成二维码，手机端扫码才能配对：

这期播客是 The Pragmatic Engineer 对 OpenAI Codex 团队负责人 Thibault（Tibo）的访谈，聊了 Codex 的诞生、技术决策、工程文化以及软件开发方式的变迁。 以下是核心要点： 个人经历与加入 OpenAI Thibault 是比利时人，学应用数学出身，先后做过制药供应链优化的创业公司，在 Google 做过加速移动网页的项目（后被砍掉，让他学到了要时刻审视项目真实影响力的教训），之后在 Google Maps 做评论，再转到 DeepMind。在 DeepMind 期间，他参与了一个内部聊天机器人的开发——本质上就是 ChatGPT，但比 ChatGPT 早了一年。内部传播很快，大家都在分享对话，但 DeepMind 不具备把它作为产品发布的机制，最终没能推出。 后来他得知 ChatGPT 只有大约 20 个人在维护，这让他既震惊又觉得很有吸引力——这意味着极高的个人影响力。于是他加入 OpenAI，进去就赶上了推理模型的冲刺，大约一个月后 o1 preview 就发布了。 为什么用 Rust 写 Codex 这是一个反直觉的决定——当时模型对 Rust 的支持并不好，业界其他 AI 编码工具基本都用 TypeScript 或 Python。但团队从第一性原理出发，认为智能体的核心需要健壮、安全、高效，而 Rust 的编译时验证特性天然适合智能体场景。同时用不同语言也强制建立了产品界面和智能体核心之间的清晰边界，避免代码耦合。事实证明 Rust 确实"很快就变得非常适合智能体开发"。 开源和模型无关的策略 Codex CLI、SDK 都是开源的，而且支持非 OpenAI 模型——这在主要 AI 实验室中是独一无二的。理由很实际：如果不开源，别人只需改十行代码就能 fork 出一个支持其他模型的版本，那还不如自己直接支持。开源的好处包括新员工入职前就已经熟悉代码库、社区贡献、以及逼迫自己靠模型和产品体验赢用户而非靠锁定。 代价也很明显：竞争对手会在你还没发布的时候就抄走你正在公开开发的功能，"确实有点刺痛"；还有大量低质量 PR 需要处理。 工程文化与代码审查的变革 新员工入职后听到最多的一句话是"你问过 Codex 了吗？"——因为 Codex 在 OpenAI 内部接入了 Slack、文档、所有代码，几乎任何问题都能给出不错的回答。 代码审查正在发生质变。OpenAI 开发了专门的代码审查模型，能在逻辑推理和安全漏洞检测上达到"超人水平"——可以深入三四层依赖去发现文档错误导致的不变量违反。安全审查已经是强制自动化的，发现安全问题会直接阻止合并。一个 PR 可以当天提交、当天上线到十亿用户的 ChatGPT 上。 代码审查的角色正在从"正确性检查"转向"意图讨论"——你到底想做什么？这件事值不值得做？这种讨论不一定要围绕代码发生。 维护成本和重构的变化 维护一直是软件工程的"税"，但现在大量维护工作（依赖升级、安全补丁）可以完全自动化。更重要的是，重新架构的成本也急剧下降——以前可能要花几个月甚至几年的重构，现在快得多。但好的架构设计反而更重要了：设计好"盒子"和不变量，盒子内部随便改都不影响其他部分。 Harness 与模型的关系 一个有趣的洞察：harness（工具/脚手架）总是"走在模型前面"。Codex 团队的工作本质上是为模型搭建拐杖——提醒它跑测试、保持目标一致等。然后下一代模型训练时会把这些能力内化，拐杖就可以去掉，developer message 也会越来越短。最新一代模型已经不再需要 /goal 命令来保持长期任务的专注，"你直接告诉模型去工作一周，它就真的会做到"。 Codex 与 ChatGPT 的合并 这是一个重大工程挑战：Codex 原本完全本地运行，ChatGPT 是托管云服务，两套完全不同的技术栈要统一。目标是让云端版本具备本地版本同样的能力，同时高效到能纳入 20 美元/月的 Plus 计划。ChatGPT Work 模式本质上是在云端虚拟机里运行完整的 Codex harness，机器配置强大到用户可以在里面训练模型、安装 Blender 做 3D 建模。 有趣的是，Codex 在整个合并过程中还充当了"记者"角色，因为它能访问所有 Slack 讨论和文档，记录了团队的辩论和决策过程。 Thibault 的个人用法与建议 他大量使用手机上的 ChatGPT Work，通过语音口述发送任务，定制了专属的技能和指令来生成他能高效消化的报告和幻灯片。任何问题——公众舆情、生产日志、功能使用率分析、团队动态——30 分钟内都能得到答案。周末他还会用 Codex 做代码探索和原型，"一天之内就能把脑子里的想法变成可以展示给人看的东西"。 对工程师的建议：保持深度好奇心，训练自己快速理解系统的能力（"五个为什么"不断追问），以及与你服务的用户群体保持同步——如果你无法清晰表达意图，就很难做出好的工作。