企业官网建设流程全解析

本文深入解析 Codex 大模型的六层架构，涵盖模型、Runtime、Context、Tool、Sandbox 和 Environment 的功能与关系。通过分析 Agent Loop 的工作原理，揭示 Token 的计量方式以及 Context Window 与 Memory 的关联。文章还探讨了长任务中出现的“忘记”现象、Compaction 的作用、Sandbox 与 Approval 的区别，以及 AGENTS.md、Skills 和 MCP 如何影响 Agent 行为。最后，本文从“使用 Codex”升级到“设计 Agent 工作系统”，帮助读者全面理解并应用 Codex 大模型技术。

第一篇 认识 Codex 的六层架构

0. 先给结论：理解 Codex，必须拆成六层

如果只记一个架构图，请记住下面这个：

上图对应的核心分工是：

高阶使用的关键，不是“把 Prompt 写得更长”，而是知道这六层分别能解决什么问题。

1. Codex Agent 到底是什么？

2. 1 它不是“一个模型”

这是理解 Codex 的第一道门槛。

很多人会把：

Codex = GPT + 编程能力

当成完整模型。

实际上，从 Agent 的角度更合理的抽象是：

Codex = Model + Agent Runtime + Context + Tools + Policy + Environment

模型负责：

• 理解自然语言
• 分析代码
• 推理
• 规划
• 决策下一步行动
• 产生工具调用

Runtime 负责：

• 组织上下文
• 管理 Agent Loop
• 调用工具
• 接收工具结果
• 执行权限/沙箱策略
• 维护任务状态
• 将新的观察重新交给模型

所以：

模型是“大脑”，但 Agent 不是只有大脑。

2. Agent Loop：为什么 Codex 能“自己干活”？

普通聊天更接近：

Agent 则是一个闭环：

可以抽象为：

这意味着：

Agent 的能力不是“一次回答有多好”，而是连续做出多少次正确决策，并能根据环境反馈纠错。

2. 1 一个实际例子

用户说：

修复登录接口偶发 500。

Agent 可能经历：

1. **查看项目结构** 2. **搜索 login** 3. **找到 controller** 4. **找到 service** 5. **找到 session/cache** 6. **读取异常日志** 7. **形成假设** 8. **查看相关代码** 9. **修改代码** 10. **运行测试** 11. **测试失败** 12. **分析失败** 13. **再次修改** 14. **再测试** 15. **测试通过**

所以用户看到的是：

“修复 Bug”

而 Agent 实际完成的是：

十几次甚至更多次 Observe → Think → Act

3. Runtime 与 Model：到底是谁在做什么？

这是高级用户非常需要建立的边界。

3. 1 Model

Model 更像：

输入：当前 Context 输出：下一步应该说什么 / 做什么

例如：

我需要先看看 UserService。

或者产生一个 tool call。

3. 2 Runtime

Runtime 更像：

因此：

模型决定“想做什么”，Runtime 决定“怎么执行、是否允许执行、执行结果是什么”。

第二篇 Context、Token 与 Memory

4. Context：模型究竟“看到了什么”？

这是整个 Agent 系统最重要的概念之一。

4. 1 Context Window 不等于项目大小

假设你的项目：

500 MB

并不意味着模型一次可以“看到 500 MB”。

模型真正面对的是：

当前这一次 inference 所提供的 context

Context 可能包括：

System / Developer instructions + Project instructions + User request + Conversation history + Tool calls + Tool results + 被读取的文件 + 搜索结果 + 其他 runtime state

4. 2 “Agent 看过一个文件”是什么意思？

不要把它理解成：

文件永久进入模型记忆。

更准确的是：

之后如果上下文被压缩、重新开始 Session、或者相关信息没有被保留：

模型未必还拥有完整文件内容。

因此：

读取 ≠ 永久记忆。

5. Token：到底什么东西在消耗 Token？

Token 是理解 Agent 成本和性能的基础。

OpenAI 当前模型文档将输入、缓存输入、输出等作为独立计量维度；推理模型还存在 reasoning token 支持。当前 GPT-5.3-Codex 文档显示其 context window 为 400K、最大输出为 128K，并支持 reasoning effort。

当前 GPT-5.6 Sol 的官方模型页则列出 1.05M context window、128K max output，并支持none/low/medium/high/xhigh/maxreasoning effort。

5. 1 Token 不等于“字数”

例如：

hello world

和：

你好世界

不会简单按照字符数一比一计算。

代码、JSON、路径、日志也都会被 tokenizer 切分。

因此不要使用：

字符数 × 固定比例 = Token

这种粗糙公式。

5. 2 Agent 的 Token 来源

可以建立下面的模型：

一次模型调用的输入 = instructions + user input + history + tool results + selected context

输出则可能包括：

final answer + tool calls

而 reasoning model 还会产生 reasoning computation。

6. Input Token、Cached Token、Output Token、Reasoning Token

7. 1 Input Token

模型本次调用实际接收到的输入 token。

6. 2 Cached Input

如果请求中的部分上下文可以复用缓存，则对应部分可以按 cached input 计价。

例如当前 GPT-5.3-Codex 官方价格页面列出：

Input $1.75 / 1M Cached input $0.175 / 1M Output $14 / 1M

这意味着 cached input 的单位价格明显低于普通 input。

注意：

缓存计价不等于：

“缓存内容不占 Context。”

这是两个完全不同的问题。

6. 3 Output Token

模型产生的输出。

包括最终回答，也可能包括工具调用相关输出。

6. 4 Reasoning Token

Reasoning model 会投入额外的计算预算用于推理。

因此：

最终只回答 300 token

并不代表：

模型只进行了 300 token 的计算。

高级用户必须把：

Final output

和：

Model computation

分开理解。

7. Context Window 与 Token Usage 不是一回事

这是非常容易混淆的一点。

三者不是一回事

Context Window回答：这一轮模型最多能处理多大的上下文？

Token Usage回答：这次调用实际处理/产生了多少 token？

Session回答：整个 Agent 任务过程中积累了多少状态？

所以：

Context Window ≠ 单次 Token Usage ≠ 整个 Session 的历史长度

8. 为什么 Agent 读大量代码会变慢？

假设 Agent 做：

read A.java read B.java read C.java read D.java ... read Z.java

问题不仅是：

这些文件很大

还包括：

所以真正的问题是：

无效上下文会污染后续推理。

9. Context Engineering：高级 Agent 使用的核心

高阶用户真正应该优化的是：

Signal / Noise Ratio

即：

有效上下文 ──────────── 全部上下文

越高越好。

9. 1 错误方法

把整个项目全部塞给 Agent。

9. 2 更好的方法

也就是：

Progressive Disclosure（渐进式暴露上下文）

10. 为什么“Context 越大越好”是错误理解？

更大的 Context 提供更多容量。

但：

更多 Context ≠ 更多有效信息

如果 Context 中充满：

无关日志 旧失败尝试 重复代码 巨大 diff

模型反而更难找到重点。

所以真正应该追求：

Context Density，而不是 Context Size。

11. 高级工作方式：Progressive Disclosure

推荐：

而不是：

一开始把所有东西全部塞进去。

这与人类高级工程师调查大型系统的方式其实非常相似。

12. Compaction：Context 满了以后怎么办？

长任务不可能无限把所有历史保留在原始形式中。

因此 Agent 系统需要一种机制：

OpenAI 的 Responses API 已提供 conversation compaction 能力，用于将长会话上下文压缩成后续调用可继续使用的状态。

12. 1 Compaction 不应该理解成“简单删聊天”

更准确的抽象是：

12. 2 什么状态最值得保留？

例如：

任务目标 当前方案 已经完成 关键设计决定 失败过的方案 测试结果 剩余问题 重要约束

12. 3 为什么 Compaction 后 Agent 可能“忘记”？

因为：

原始信息

和：

压缩后的状态

不是完全等价的。

尤其是：

低价值细节

可能被丢弃。

所以大型任务不能只依赖“聊天历史”。

13. Memory：Codex 到底有没有记忆？

建议把“记忆”拆成 5 层。

13. 1 最重要的认知

如果 Codex 第二天还能“知道”：

这个项目应该怎么测试

可能不是：

模型永久记住了。

而可能是：

AGENTS.md

仍然存在。

或者：

README docs Git

提供了状态。

因此：

工程系统里的“持久记忆”，最好不要依赖模型本身。

14. Repository 是 Agent 的外部记忆

这是一个非常重要的高级思想。

传统程序：

程序状态 → DB / File

Agent 工程：

Agent State → Repository / docs / tests / Git / issue system

例如：

这些东西可以成为：

Agent 的外部化长期状态。

15. Codex 的“记忆”应该怎样工程化？

不要依赖：

模型应该记得。

应该依赖：

Repository + Documentation + Tests + Git + External Systems

形成：

第三篇 能力、边界与扩展

16. Sandbox：为什么 Agent 不能随便操作机器？

Agent 如果拥有：

模型 + Shell + Filesystem + Network

那么它已经具有非常强的计算机操作能力。

因此必须增加：

Policy Boundary

也就是 Sandbox。

16. 1 Sandbox 的本质

不要理解为：

“限制 AI 智力”。

更准确：

限制 Agent 对执行环境拥有的能力。

可以抽象为：

17. Sandbox 主要限制什么？

可以从几个维度理解：

Filesystem Network Process Environment Privileges

主要限制维度

Filesystem：例如：可以读取哪些路径？ 可以修改哪些路径？

Network：例如：是否允许访问外部网络？ 哪些网络操作被限制？

Process：例如：允许执行什么命令？ 子进程有什么限制？

Environment：例如：哪些环境变量可见？ 哪些 Secret 不应该暴露？

18. Sandbox 和 Approval 不是一回事

这是高级用户一定要区分的。

Sandbox = 系统能力边界

而：

Approval = 用户授权边界

例如：

Sandbox 允许 shell

不代表：

用户已经批准某个危险操作

反过来：

用户批准

也不代表：

Sandbox 一定允许执行

所以完整判断更像：

19. Tool：Agent 的“手”

模型本身不能直接：

ls git diff pytest

模型只能产生一个：

tool call

由 Runtime 执行。

19. 1 Tool 的三个关键阶段

19. 2 为什么 Tool Schema 很重要？

模型需要知道：

工具叫什么 需要什么参数 参数类型是什么 返回什么

因此工具定义本身也是模型上下文的一部分。

这也是为什么：

工具太多也可能增加 Context Noise。

20. Skills：能力模块化

Skill 更像：

可复用工作能力

例如：

Code Review Skill Release Skill Migration Skill Incident Analysis Skill

它和 Tool 不同。

简单理解：

Skill = 怎么做 Tool = 做什么动作

例如：

Skill： 执行数据库迁移审查流程 Tool： 读取 SQL 文件 执行测试 查询数据库

21. MCP：Agent 的外部接口层

MCP 可以理解为：

把外部系统能力以 Agent 可以发现和调用的工具形式暴露出来。

例如：

因此：

Skills = 能力 / 流程 MCP = 外部工具 / 系统接口

二者可以组合。

22. AGENTS.md：为什么它有效？

AGENTS.md最重要的价值不是“多一个 Markdown 文件”。

而是：

把项目级行为规则从每次 Prompt 中抽离出来。

例如：

不要修改 migration 必须使用现有 logger 修改业务代码必须有测试 不要自动 push

这些是：

Project Policy

而不是某一次 Task 的临时要求。

23. Instructions 的优先级

高级 Agent 使用必须有一个概念：

不是所有指令都拥有相同优先级。

抽象来看：

具体优先级会随运行环境而变化，不能把上图当成 Codex 内部的固定私有实现。

真正需要掌握的是：

Agent 永远不是只听最后一句 Prompt。

第四篇 可靠性与反馈闭环

24. 为什么 Agent 会犯错？

可以把 Agent 错误分成几个类别。

五类错误来源

Model Error：模型本身判断错误。

Context Error：模型没有看到关键事实。

Tool Error：工具执行失败或返回异常。

Environment Error：例如：

依赖缺失 网络不可用 服务没启动 测试环境异常

Verification Error：没有足够好的测试告诉 Agent：

你错了。

25. Agent Reliability 的核心公式

可以把它作为一个工程上的近似思维模型：

Agent Reliability ≈ Model Capability × Context Quality × Tool Quality × Environment Quality × Verification Quality

这不是官方数学公式，而是一个工程抽象模型。

它解释了一个非常重要的事实：

换更强模型只是提升一个乘数。

如果：

Context = 0.3 Verification = 0.2

即使模型从：

0. **8 → 0.95**

整体可靠性仍然可能很差。

26. Test：为什么测试是 Agent 的“反馈传感器”？

Agent：

我觉得代码应该正确。

测试：

失败。

于是：

这实际上形成：

闭环控制

因此：

测试不是 Agent 工作的附属品，而是 Agent 环境中的反馈传感器。

27. Git：为什么 Git 对 Agent 特别重要？

Git 同时提供：

State History Diff Rollback Isolation

对于 Agent 来说非常重要。

Agent 可以：

必要时：

rollback

所以：

Git 是 Agent 的“可恢复状态系统”。

第五篇 规模化：Subagent、长任务与状态

28. Subagent：为什么多个 Agent 有时比一个 Agent 更好？

不是因为：

2 个模型 > 1 个模型

而是因为：

Context Isolation。

例如：

每个 Agent 有自己的：

任务 Context 推理路径

29. Subagent 的真正优势

三大优势

Context Isolation：避免一个巨大上下文污染所有推理。

Parallel Exploration：不同方向可以并行调查。

Specialized Reasoning：不同 Agent 可以承担不同角色。

但 Subagent 不是免费午餐

会增加：

模型调用 Context 协调成本 结果汇总成本

所以：

并行不是越多越好。

30. 长任务为什么越来越难？

长任务有几个典型问题：

Context 增长 Tool Output 增长 Decision 增长 错误假设累积 Context Pollution Compaction State Drift

可以理解成：

短任务 → 局部最优 长任务 → 状态管理问题

31. 高阶 Agent 的核心能力：State Management

真正的大型 Agent 项目，不应该把所有状态都放在聊天里。

应该外部化：

31. 1 一个好的 status.md

# Current Status ## Goal ... ## Completed - ... ## Current Step ... ## Decisions - ... ## Known Problems - ... ## Next Step ...

这样即使：

Session 结束 Context 被压缩 Agent 重新启动

仍然可以恢复工作。

最后

当下AI大模型是当下实打实的优质风口，岗位缺口大、发展前景广、薪资待遇突出，对比内卷严重、涨薪晋升困难的传统技术岗，是普通人转行逆袭的绝佳选择。

但很多想要入局大模型领域的朋友，都面临无系统学习路径、无实战资源、求职无方向的难题，一个人硬啃最容易走弯路、浪费大量时间精力。这里我结合多年一线实战与教学经验，整理出一套零基础大模型专属资料，包含：

• 系统化学习路线图（零基础到精通）
• 大模型学习书籍 & 文档（电子版）
• 2026 最新行业报告
• 项目实战 & 配套源码
• 大厂面试真题

需要的朋友，微信扫描下方 CSDN 官方认证二维码免费领取，保证 100% 免费。

👇👇扫码免费领取全部内容👇👇

下面简单介绍一下资料包含的内容：

1、大模型系统化学习路线图

专属定制从零基础入门到企业级实战的全阶段学习体系，划分清晰的四大学习阶段，规避碎片化学习弊端，适配新手

2、0基础到进阶视频教程

配套完整高清实操教程，覆盖Prompt提示工程、RAG知识库搭建、Agent智能体开发、模型微调、部署落地等核心知识点，所有课程搭配实操演示，零基础也能轻松看懂、上手实操。

3、大模型学习书籍 & 文档

汇总30+本行业经典AI、大模型、深度学习精选书籍，涵盖理论原理、开发实战、算法基础、AI产品思维等各类内容

4、AI大模型最新行业报告

整理2024-2026年最新大模型行业白皮书、市场分析报告，清晰展现行业发展趋势、技术迭代方向、岗位需求变化，帮助学习者精准把握行业风口，找准学习和就业方向

5、大厂面试真题

汇总了常见的AI大模型面试问题、知识点梳理和面经参考，方便求职时针对性准备。

6、大模型项目实战 & 配套源码

包含GPT应用开发、RAG私有知识库、智能问答系统等多个企业级实战项目，配套完整可运行源码，从简易Demo到完整商业应用全覆盖，帮助学习者将理论转化为落地实战能力，积累项目经验。

7、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

8、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！