10分钟搭建 Windows + WSL + Codex环境

并不是 AI 替代人，而是会用 AI 的人替代不会用 AI 的人。

我的大模型使用历程

从2023年秋季，我开始使用对话型的大模型，提升工作和学习的效率，以及回答一些生活上的常识问题。最开始是 ChatGPT 的免费版本，随着使用频率提高，慢慢会遇到问答超过上限的情况。随后便开通了Plus订阅直至今日。期间也曾使用过 Deepseek、Gemini、Minimax 等等，不过最主要的仍然是 ChatGPT，个人感觉它在回答的质量、速度、上下文方面体验最好。

在这段历程里，网页对话型 的 AI 工具是我使用的主流。优点是使用门槛低，点击即用，不需要额外安装软件，是搜索引擎的上位替代，很大程度上节约了人工筛选和信息加工的成本。与此同时，缺点也很明显：上下文容量有限、回答质量与 Prompt 质量密切相关、会话管理机制非常简陋等等。其中最麻烦的在于写代码，我不得不在浏览器窗口和 IDE 之间反复切换------将代码从浏览器粘贴到 IDE，并且将运行失败的错误日志从IDE粘贴到浏览器，然后让 AI 分析作答。很多时间都耗费在了信息传递上，而不是真正有价值的问题推演。

2025年，Agent 逐渐进入大众视野，开始真正解决上述痛点。作为开发者，我们可以将指定目录的读写权限赋予 Agent，并允许它执行 Python、Shell 等脚本。这样一来，很多原本需要人肉转述的信息流转，就可以直接在终端内闭环完成。

经过调研与交流，我了解到目前市面上评价较高的 Coding Agent 主要有两个：Anthropic 的 Claude Code，以及 OpenAI 的 Codex。由于 ChatGPT Plus 订阅包含了 Codex 的使用权限，我就先从其开始上手。

Codex 的环境搭建

接下来将在本文中记录，Windows11 笔记本上搭建 Codex 开发环境的步骤。

在 Windows 环境有两种安装 Codex 方法，对比如下：

方案	推荐度	原因
PowerShell + npm	⭐⭐	能用，但兼容性一般
WSL + npm	⭐⭐⭐⭐⭐	Linux环境稳定、工具链完整

由于 Linux 是 AI coding agent 的主战场，在 Shell 兼容、文件系统操作、sandbox 执行、package manager 等方面，都天然更适配 Linux。因此，Codex、Claude Code、Aider 等 AI coding 工具几乎都更推荐通过 WSL 接入 Windows 开发环境。

安装流程如下

1、安装 Ubuntu

使用管理员权限启动 PowerShell 后，执行：

bash 复制代码

wsl --install -d Ubuntu

安装完成后，重启电脑。

2、安装 Node

启动 PowerShell（非管理员）：

bash 复制代码

wsl

这会启动 Ubuntu 系统，在正式进入系统前，你需要设定用户名 & 密码。

进入后，先更新依赖仓库：

bash 复制代码

sudo apt update
sudo apt upgrade -y

安装 Node：

bash 复制代码

curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash -
sudo apt install -y nodejs

检查安装结果，注意 Codex 需要 Node版本 >= 18：

bash 复制代码

node -v
npm -v

3、安装 Codex

安装 Codex CLI

bash 复制代码

npm install -g @openai/codex

验证安装结果：

bash 复制代码

codex --version

到此为止，就已经完成了Codex的环境搭建，可以通过codex命令进入到CLI界面，愉快地开始工作吧。

bash 复制代码

codex

我对于 AI coding 的一些想法

用了一段时间 Codex 之后，我最大的感受是：AI coding 的价值并不只是"自动写代码"，而是 把开发过程里大量机械、重复而且耗神的工作接管过去。

站在软件工程师的角度，开发工作主要有3个部分：

搭建环境，解决编译问题
设计软件架构，拆分模块，设计接口
编码实现（业务代码+单元测试）

AI coding 擅长实现1和3，从而让我们的精力集中在2上。在现阶段 AI 还不能充分理解需求和策划文稿，更不用说与产品经理、设计师进行细节确认，这些任务应当由软件工程师主导完成。

此外，在真实工作里，还有大量隐性成本：梳理文件结构、分析调用链、比对日志、调整格式和命名、解决 gradle 依赖、处理构建错误、写 API 文档 ------ 这些事情单次看都不重，可一天下来非常消耗注意力。Agent 的意义，恰恰是把这些碎片劳动接过去一部分，让人类把更多精力放在判断、取舍和架构层面。

当然，AI coding 也绝不是"把工程师变成监工"这么简单。恰恰相反，它对工程师提出了更高要求。因为当写代码本身变得更便宜之后，真正稀缺的能力会变成另外几件事：

能不能把问题定义准确。
能不能划定清晰边界。
能不能识别一个方案是否可行。
能不能用工程化手段验证结果。

不会这些能力的人，就算手里有最强的 Agent，也很容易陷入另一种低效：不停地下指令、不停地返工、不停地修补 AI 自己制造的问题。表面看像是在"高频使用 AI"，实际上只是把原来的体力劳动，换成了新形式的沟通内耗。

所以我越来越倾向于认为，AI 所能达到的上限，不会超过使用者的上限。它不会自动替你建立判断力，但会把你的判断力放大到更大的执行半径上。

从这个角度看，未来团队里的差距，很可能不只是"会不会写代码"、"会不会用 AI"，而是 会不会组织 AI 一起写代码 。谁能更好地 描述任务、拆解问题、设定约束、校验结果，谁就更容易在同样时间里交付更多有效成果。

这也是为什么我觉得现在值得认真学习 Codex、Claude Code 这类工具。它们不只是新玩具，而是在改变软件开发的人机协作方式。也许再过几年，我们回头看今天，就像回头看当年从手写 Makefile 过渡到现代 IDE、从纯命令行调试过渡到图形化调试器一样。工具变了，工作方式也会跟着变；而真正长期受益的人，往往是那些不固步自封，去积极拥抱新技术的人。