OpenAI 把 Codex Harness 全开源了:Agent 的胜负手,已经不在模型上
2026 年 8 月 19 日,OpenAI 在官方博客发了篇 Codex as a platform。一天之内,仓库 github.com/openai/codex 破了 10 万 Star。我点进去看了一下——Apache-2.0,约 120 个 Rust crate,TS SDK 单独成包。
这次开源的既不是模型权重,也不是 Codex 产品本身。是那个把 Codex 转起来的轮子。
开源的不是 Codex,是「Codex 怎么转」的轮子
先把边界画清楚。OpenAI 这一波释放的,是 Codex 背后的 agent harness——对话状态管理、工具调用、沙箱隔离、人工审批、上下文压缩——这一整套让模型"能在你的机器上干活"的脚手架。
这个 harness 通过三层接口暴露出来:
- exec:命令行二进制,最瘦的封装,给 CI / 脚本用。
- SDK:TypeScript / Python 库,嵌进你自己的应用。
- app-server:VSCode、桌面端、JetBrains 插件背后那个跑的长进程,IDE 用户其实一直在用它。
三层不是冗余,是粒度不同。你要做命令行工具接 CI,拿 exec;要做 Web 控制台嵌 AI 能力,拿 SDK;要做 IDE 体验级别的多轮对话 + 文件 diff,拿 app-server。
仓库里那个 codex-rs/ 目录不是 demo,是 OpenAI 自己每天在跑的东西。开源的是生产代码,不是教学示例。
ARC-AGI-3 从 13.3% 到 38.3%,同一个模型能差 3 倍
我看到 OpenAI 公布的一个数字愣了几秒。
ARC-AGI-3 基准上,GPT-5.6 Sol 配合 retained reasoning + context compaction,得分从 13.3% 拉到 38.3%。注意:模型没换。换的是 harness 里的两个开关。
顺带的,token 用量降了 6 倍。
这意味着什么?评测里"模型 A 比模型 B 高 5 个点"这种叙事,正在变得意义有限。如果 harness 能让同一个模型差 3 倍,那基准分数到底在比什么?
retention 的逻辑不复杂:模型在前几轮找到的中间结论、规划、约束条件,默认会在上下文压缩时丢掉。harness 选择保留它们,而不是无脑截断最近 N 轮。
// 摘自 codex-rs 中的 compaction 策略(简化版)
pub struct CompactionPolicy {
pub keep_retained_reasoning: bool, // 保留高价值推理片段
pub max_context_tokens: usize, // 硬上限
pub strategy: CompactionStrategy, // Sliding / Summary / Hybrid
}
把这个开关打开、把策略从 sliding 换成 hybrid,ARC-AGI-3 就涨了 25 个点。这种杠杆比,再训一次模型也未必拿得到。
codex-rs 是怎么搭起来的:120 个 crate 拆给你看
粗看 codex-rs/ 的目录结构,会觉得 OpenAI 在用 Rust 写一整个 IDE 后端。其实它拆得很干净。
| 模块 | 职责 |
|---|---|
app-server |
长驻进程,处理 VSCode / 桌面端 / IDE 插件的协议请求 |
exec-server |
CLI 入口,无状态,每次调用一个 sandbox |
core |
模型对话、工具调度、状态机,harness 的心脏 |
sandboxing |
跨平台沙箱(landlock / seatbelt / Windows job object) |
mcp |
Model Context Protocol 客户端,转接外部工具 |
TS SDK codex-sdk/ 在 Rust 上面再封一层,暴露成 Codex / Thread / Turn 这种面向 LLM 应用的对象。
我比较在意的是 sandboxing。OpenAI 把 landlock(Linux)、seatbelt(macOS)、Windows job object 三套底层机制各包了一个 crate。对一个 agent harness 来说,"能跑"和"能安全地跑"是两件事。这一层没做好,CI 上跑 agent 就是给生产环境埋雷。
mcp 那一层值得单独说。意味着 Codex 现在能直接消费任意 MCP server 注册的工具,不需要 OpenAI 自己造一套 plugin 生态。这是个聪明的选择——把"工具接入"这件事外包给社区。
嵌入业务流,而不是「套个聊天框」
仓库 README 里列了三个已经跑起来的客户。我把它们拎出来看了一下,发现共性:
没有聊天框。AI 沉到了流程里。
- Thrive Holdings / Crete:把 Codex 嵌进报税流程,7,000 份申报表跑过去,时间缩了 1/3。报税员看到的是表单,不是 chatbox。
- Cisco:用 Codex SDK 在云控制台里搭了一个 App Builder,用户在配置面板里点几下,AI 自动生成部署清单。控制台本身没改,只是多了个 AI 按钮。
- OpenAI 自己:Relay 物流看板 demo,仓库调度、车辆路径全在后台跑,前端只剩一张地图和几条状态。
这三个用法的共同点是:harness 开源前,这种集成是"找 OpenAI 谈合作"。harness 开源后,直接 fork SDK 就能接。
这是 harness 开源真正的杀伤力:模型换谁家的都不影响你的集成。
// 摘自 codex-sdk README,启动一个 Thread
import { Codex } from "@openai/codex-sdk";
const codex = new Codex();
const thread = codex.startThread();
const turn = await thread.run("把这批报税数据按州分组,输出 CSV");
console.log(turn.finalResponse);
为什么 Agent 竞赛的重心正在下移
一个反共识的判断:当所有家模型能力趋同,harness 才是护城河。
2026 年的 GPT-5.6、Claude Opus 4.1、Gemini 3 Pro,在裸模型基准上的差距已经收敛到个位数。但 harness 的差距是数量级的:
- 谁能把 sandbox 做得既严又跨平台?
- 谁能把 context compaction 做到不丢关键推理?
- 谁能把 MCP 工具链调度得稳定且低延迟?
- 谁能把审批流嵌入到 harness 里,而不是让用户自己 hack?
这些问题的答案,模型厂商帮不了你。必须自己造轮子——或者,用 OpenAI 这周开源的轮子。
"模型即一切"的旧叙事在 2025 年还勉强成立。到了 2026 年 8 月,OpenAI 用自己开源 harness 的动作,给这个时代画了句号。模型同质化的趋势不可逆,差异化必须落到脚手架上。
截至 8 月 21 日,github.com/openai/codex 已经 107,443 Star、16,354 Fork,最新稳定版 v0.149.0。
我自己的判断是:接下来半年,值得看的不是"哪个模型又涨了几个点",而是"哪家把 harness 文档做到能让普通工程师 fork 一份就跑起来"。