框架

OpenAI 開源 Codex Harness:Agent 競爭關鍵已轉向下層工程

OpenAI 將 Codex 背後的 agent harness 以 Apache-2.0 開源,涵蓋狀態管理、工具調用、沙箱隔離與人工審批。隨著模型能力逐漸拉近,真正的差異將由 context compaction、MCP 整合與安全執行環境決定。

字級

2026 年 8 月 19 日,OpenAI 在官方部落格發表了 Codex as a platform。一天之內,儲存庫 github.com/openai/codex 便突破 10 萬 Star。點進去後可以看到,專案採用 Apache-2.0 授權,約包含 120 個 Rust crate,TypeScript SDK 也獨立成包。

這次開源的既不是模型權重,也不是 Codex 產品本身。真正釋出的是讓 Codex 能夠運作的那套輪子。


開源的不是 Codex,而是「Codex 如何運作」的底層機制

先把界線說清楚。OpenAI 這次釋出的是 Codex 背後的 agent harness——對話狀態管理、工具調用、沙箱隔離、人工審批與 context compaction,這整套讓模型「能夠在你的機器上完成工作」的工程架構。

這個 harness 透過三層介面向外提供能力:

  • exec:命令列 binary,封裝最精簡,適合 CI 與自動化腳本。
  • SDK:TypeScript/Python 函式庫,可直接嵌入既有應用。
  • app-server:VSCode、桌面應用程式與 JetBrains 插件背後的長駐程序,IDE 使用者其實一直都在透過它與 Codex 互動。

這三層並非功能重複,而是抽象層級不同。若要製作連接 CI 的命令列工具,使用 exec;若要在 Web 控制台加入 AI 能力,使用 SDK;若要打造 IDE 等級的多輪對話與檔案 diff,則使用 app-server。

儲存庫中的 codex-rs/ 目錄不是展示用範例,而是 OpenAI 每天實際用來運作 Codex 的程式碼。這次公開的是 production code,不是教學用 demo。


同一個模型,成績可以相差 3 倍

OpenAI 公布的 ARC-AGI-3 數據,讓我停下來看了幾秒。

在 ARC-AGI-3 基準上,GPT-5.6 Sol 搭配 retained reasoning 與 context compaction,得分從 13.3% 提升至 38.3%。重點在於:模型沒有更換,改動的是 harness 裡的兩個設定。

與此同時,token 用量降低了 6 倍。

這代表什麼?「模型 A 比模型 B 高 5 個百分點」這類評測敘事,參考價值正逐漸降低。如果 harness 能讓同一個模型的表現相差 3 倍,基準分數究竟是在比較什麼?

retention 的原理並不複雜:模型在前幾輪找到的中間結論、規劃與限制條件,原本可能會在 context compaction 時一併遺失。harness 選擇保留這些資訊,而不是只截取最近 N 輪內容。

// 摘自 codex-rs 中的 compaction 策略(簡化版)
pub struct CompactionPolicy {
    pub keep_retained_reasoning: bool,  // 保留高價值推理片段
    pub max_context_tokens: usize,       // 硬上限
    pub strategy: CompactionStrategy,    // Sliding / Summary / Hybrid
}

開啟這個選項,再把策略從 sliding 換成 hybrid,ARC-AGI-3 成績便提高 25 個百分點。這種改善幅度,重新訓練一次模型也未必做得到。


codex-rs 架構拆解:120 個 crate 如何分工

第一眼看到 codex-rs/ 的目錄結構,可能會以為 OpenAI 正用 Rust 重寫整套 IDE 後端,但實際切分相當清楚。

模組職責
app-server長駐程序,處理 VSCode/桌面端/IDE 插件的 protocol 請求
exec-serverCLI 入口,採無狀態設計,每次呼叫啟動一個 sandbox
core模型對話、工具調度與狀態機,是整套 harness 的核心
sandboxing跨平台沙箱(landlock/seatbelt/Windows job object)
mcpModel Context Protocol 用戶端,用來連接外部工具

TypeScript SDK codex-sdk/ 在 Rust 之上再封裝一層,對外提供 Codex/Thread/Turn 等面向 LLM 應用的物件。

我最在意的是 sandboxing。OpenAI 分別將 landlock(Linux)、seatbelt(macOS)與 Windows job object 包成獨立 crate。對 agent harness 而言,「能夠執行」與「能夠安全執行」是兩回事。sandbox 沒處理好,在 CI 上執行 agent 就像替 production 環境預埋地雷。

mcp 層也值得特別說明。Codex 現在可以直接使用任意 MCP server 註冊的工具,無需 OpenAI 另造一套 plugin 生態。這是相當明智的選擇——把「如何接入工具」交由社群處理。


把 AI 嵌入既有流程,而不是只套上一個聊天視窗

儲存庫 README 列出了三個已上線的客戶案例。仔細看過後,會發現它們有個共同點:

沒有聊天視窗。AI 已經沉進工作流程內部。

  1. Thrive Holdings/Crete:將 Codex 嵌入報稅流程,跑完 7,000 份申報表後,處理時間縮短三分之一。報稅人員看到的是表單,而不是 chatbox。
  2. Cisco:使用 Codex SDK 在雲端控制台打造 App Builder。使用者只需在設定面板中點擊幾下,AI 就會自動產生 deployment manifest。控制台本身沒有改變,只是多出一個 AI 按鈕。
  3. OpenAI 自身:在 Relay 物流看板 demo 中,倉庫調度與車輛路徑全部在背景執行,前端只保留一張地圖與幾項狀態資訊。

這三種做法的共同點是:harness 開源前,這類整合只能「找 OpenAI 談合作」;harness 開源後,直接 fork SDK 就能接入。

這才是 harness 開源真正的殺傷力:日後不論更換哪一家的模型,現有整合都不必跟著重做。

// 摘自 codex-sdk README,啟動一個 Thread
import { Codex } from "@openai/codex-sdk";

const codex = new Codex();
const thread = codex.startThread();
const turn = await thread.run("把這批報稅數據按州分組,輸出 CSV");
console.log(turn.finalResponse);

Agent 競爭重點為何正在轉向下層

一個略為反直覺的判斷是:當各家模型能力逐漸趨同,harness 才會成為護城河。

2026 年的 GPT-5.6、Claude Opus 4.1 與 Gemini 3 Pro,在裸模型基準上的差距已收斂至個位數,但 harness 的差距可能達到數量級:

  • 誰能把 sandbox 做嚴格,同時維持跨平台能力?
  • 誰能在 context compaction 時保留關鍵推理資訊?
  • 誰能讓 MCP 工具鏈的調度穩定且低延遲?
  • 誰能把審批流程直接整合進 harness,而不是讓使用者自行拼裝?

這些問題,模型供應商無法直接替你解決。工程團隊必須親手打造輪子——或者直接使用 OpenAI 本週開源的這套輪子。

「模型代表一切」的舊敘事,在 2025 年尚算成立。到了 2026 年 8 月,OpenAI 選擇開源 harness,已為這個時代畫下句點。模型同質化難以逆轉,產品差異化必須落到整套工程架構上。


截至 8 月 21 日,github.com/openai/codex 已累積 107,443 個 Star 與 16,354 次 Fork,最新穩定版為 v0.149.0。

接下來半年,值得關注的與其說是「哪個模型又提高了幾個百分點」,不如說是「哪家公司能把 harness 文件寫到讓一般工程師 fork 後便能直接運作」。

來源: https://developers.openai.com/blog/codex-as-a-platform