Codex 配置自定义 AI API 完整指南：从零到一接入你的专属模型

今天AI了吗2026-09-05 11:47

目录

文章目录

    • 目录
    • [1. 为什么需要自定义 API](#1. 为什么需要自定义 API)
    • [2. 环境准备](#2. 环境准备)
      • [2.1 安装 Codex CLI](#2.1 安装 Codex CLI)
      • [2.2 认识配置文件](#2.2 认识配置文件)
    • [3. 配置文件结构解析](#3. 配置文件结构解析)
    • [4. 场景一：接入第三方云端 API](#4. 场景一：接入第三方云端 API)
    • [5. 场景二：接入本地模型](#5. 场景二：接入本地模型)
      • [5.1 接入 Ollama](#5.1 接入 Ollama)
      • [5.2 接入 LM Studio](#5.2 接入 LM Studio)
      • [5.3 接入 vLLM](#5.3 接入 vLLM)
    • [6. 多服务商共存与模型切换](#6. 多服务商共存与模型切换)
    • [7. 环境变量与密钥安全](#7. 环境变量与密钥安全)
    • [8. 常见问题与排查](#8. 常见问题与排查)
      • [8.1 报错含义：API key not found](#8.1 报错含义：API key not found)
      • [8.2 返回 404 或接口不兼容](#8.2 返回 404 或接口不兼容)
      • [8.3 返回 401 或 403](#8.3 返回 401 或 403)
      • [8.4 本地模型连接失败](#8.4 本地模型连接失败)
      • [8.5 模型输出质量差或不支持工具调用](#8.5 模型输出质量差或不支持工具调用)
      • [8.6 请求超时或连接被重置](#8.6 请求超时或连接被重置)
    • [9. 接入流程总览](#9. 接入流程总览)
    • [10. 总结](#10. 总结)

1. 为什么需要自定义 API

Codex CLI 是 OpenAI 推出的命令行编程助手，它把大语言模型直接搬进了终端：你可以在项目目录里发起对话、让模型查看文件、执行命令、修改代码，并且每一步都保留在会话上下文中。官方安装后，Codex 默认使用 OpenAI 的 API 服务，但对很多开发者和团队来说，这并不是唯一或最优的选择。

我们常常希望接入自己的模型，原因主要有三类：

  • 降低成本：第三方模型（如 DeepSeek、Kimi、智谱 GLM）在编码场景下性价比更高，尤其是长会话、大规模批处理时，费用差异非常明显。
  • 数据隐私：企业内部代码不希望出内网，需要接入本地部署的模型，让源代码、敏感配置始终留在自己的服务器上。
  • 灵活可控：用 vLLM、Ollama、LM Studio 等工具自托管模型，完全掌握推理链路、模型版本、上下文长度和并发策略，甚至可以针对自家业务做微调。

好消息是，Codex CLI 的配置文件非常开放。它不关心模型到底跑在谁的服务器上，只关心一件事：服务端是否提供 OpenAI 兼容接口 。只要你的服务端能响应标准的 /v1/chat/completions 或 /v1/responses 请求，几乎都可以直接接入。

简单理解：Codex CLI 本质上是一个"聪明的 API 客户端"。我们把它的默认地址从 OpenAI 换到第三方或本地地址，就完成了模型替换；配置文件的职责，就是告诉 Codex "去哪里找模型、用什么密钥、走哪种协议"。

下面我们从零开始，先装好环境，再逐层拆解配置，最后一步步把云端、本地的专属模型挂到 Codex 上。

2. 环境准备

2.1 安装 Codex CLI

Codex CLI 基于 Node.js 运行，推荐使用 npm 全局安装。安装前请确认本机已具备较新的 Node.js 环境（建议 Node 18 及以上）：

bash 复制代码 
node --version
npm --version

确认无误后执行：

bash 复制代码 
npm install -g @openai/codex

安装完成后验证版本：

bash 复制代码 
codex --version

如果能正常打印出版本号，说明安装成功。如果你是 Homebrew 用户，也可以执行：

bash 复制代码 
brew install codex

Windows 用户同样可以使用 npm 安装。若在 PowerShell 中遇到执行策略限制，可先运行 Set-ExecutionPolicy -Scope CurrentUser RemoteSigned，或在安装后直接通过 npx @openai/codex 调用。

2.2 认识配置文件

Codex 的配置保存在以下位置（Linux / macOS）：

复制代码 
~/.codex/config.toml

Windows 默认在：

复制代码 
%USERPROFILE%\.codex\config.toml

如果文件不存在，直接创建即可。配置文件使用 TOML 格式，整体分为两大块：

  • 顶层默认值 ：model、model_provider，决定 Codex 启动后默认使用哪个模型。
  • 服务商定义区 ：[model_providers.xxx]，描述每个模型供应方的连接信息。

另外，Codex 还支持项目级配置与实验性功能开关，但在"接入自定义 API"这个主题下，我们只需要掌握上面的核心字段就足够了。

顺带说明：Codex 在启动时会按顺序查找配置，项目目录下的 .codex/config.toml 优先级高于用户主目录的全局配置。日常个人使用直接改 ~/.codex/config.toml 即可；团队项目若要强制指定某个模型，可以放在项目级配置中。

3. 配置文件结构解析

先看一份最小可用的 OpenAI 官方配置：

toml 复制代码 
model = "gpt-5-codex"
model_provider = "openai"

[model_providers.openai]
name = "OpenAI"
base_url = "https://api.openai.com/v1"
env_key = "OPENAI_API_KEY"
wire_api = "responses"

逐项说明：

字段 作用 示例值
model 默认使用的模型名，必须与所选服务商支持的模型名一致 gpt-5-codex
model_provider 指向下方 [model_providers.xxx] 中定义的服务商 openai
name 显示名称，主要用于交互界面展示 OpenAI
base_url API 的基础地址，通常以 /v1 结尾 https://api.openai.com/v1
env_key API Key 对应的环境变量名，Codex 从该环境变量读取密钥 OPENAI_API_KEY
wire_api 通信协议，可选 chat 或 responses responses

其中最关键、也最容易搞错的是 wire_api：

  • chat：兼容标准 OpenAI Chat Completions 接口，路径为 /v1/chat/completions。第三方模型、本地推理框架大多使用这个协议。
  • responses：OpenAI 较新的 Responses API，功能更完整，能更好地支持 Codex 的 agent 能力（如工具调用、多轮状态管理）。目前只有 OpenAI 官方模型使用它最稳妥。

关键点：第三方服务几乎都选 wire_api = "chat" ，只有 OpenAI 官方全家桶才用 responses。如果你把第三方模型误配成 responses，大概率会出现 404 或"接口不存在"的报错。

这里再强调一条容易被忽略的规则：base_url 的结尾是否带 /v1、是否多一个 /，都会影响最终请求地址。Codex 最终请求的完整 URL 大致是：

复制代码 
{base_url}/chat/completions

所以对 Chat Completions 服务来说，base_url 应以 /v1 收尾；如果服务商文档给的是 https://api.example.com/v1/chat/completions，配置时只截取前面的 https://api.example.com/v1。

4. 场景一：接入第三方云端 API

以 DeepSeek 为例，它的接口完全兼容 OpenAI Chat Completions。接入前需要先在 DeepSeek 开放平台创建 API Key，然后在 config.toml 中新增一个服务商：

toml 复制代码 
model = "deepseek-chat"
model_provider = "deepseek"

[model_providers.deepseek]
name = "DeepSeek"
base_url = "https://api.deepseek.com/v1"
env_key = "DEEPSEEK_API_KEY"
wire_api = "chat"

然后在终端设置环境变量：

bash 复制代码 
export DEEPSEEK_API_KEY="sk-你的密钥"

启动 Codex 后，它就会用 deepseek-chat 模型并通过 DeepSeek 的接口完成对话。验证是否生效，可以启动后输入：

复制代码 
/status

这条命令会显示当前模型、服务商、Token 使用量等信息，方便快速确认配置是否命中。

同样的套路适用于其他兼容服务商：

服务商 base_url 常用模型
DeepSeek https://api.deepseek.com/v1 deepseek-chat、deepseek-reasoner
Kimi（月之暗面） https://api.moonshot.cn/v1 kimi-k2、moonshot-v1-8k
智谱 GLM https://open.bigmodel.cn/api/paas/v4 glm-4-plus、glm-4-air
通义千问 https://dashscope.aliyuncs.com/compatible-mode/v1 qwen-max、qwen-coder-plus
SiliconFlow https://api.siliconflow.cn/v1 Qwen/Qwen2.5-Coder-7B-Instruct、deepseek-ai/DeepSeek-V3

接入步骤可以归纳为三板斧：

  1. 到对应平台开通服务，创建 API Key。
  2. 把服务商的 base_url 填入配置，wire_api 设为 chat。
  3. 设置 env_key 对应的环境变量，并把想要使用的模型名写到顶层 model 字段。

注意：每家服务商的"模型名"并不通用。qwen-coder-plus 只有通义千问认识，glm-4-plus 只有智谱认识。填错模型名时，服务端通常会返回类似 "Model Not Exist" 或 400 错误。

5. 场景二：接入本地模型

本地模型适合对数据敏感或离线开发的场景，常见方案有 Ollama、LM Studio、vLLM。三者的共同点都是：在本机或内网服务器上启动一个 OpenAI 兼容的 HTTP 服务，然后让 Codex 指向 localhost。

接入本地模型时还有一点和云端不同：本地服务通常不需要真实 API Key 。但 Codex 会校验 env_key 对应的环境变量是否存在，所以我们需要给一个占位值。

5.1 接入 Ollama

Ollama 是一个轻量的本地模型运行工具，安装后默认监听 http://localhost:11434，并提供了 OpenAI 兼容接口。接入前先启动 Ollama 并拉取模型：

bash 复制代码 
ollama pull qwen2.5-coder:7b

拉取完成后可以先手动验证模型能不能跑：

bash 复制代码 
ollama run qwen2.5-coder:7b "hello"

然后添加配置：

toml 复制代码 
model = "qwen2.5-coder:7b"
model_provider = "ollama"

[model_providers.ollama]
name = "Ollama"
base_url = "http://localhost:11434/v1"
env_key = "OLLAMA_API_KEY"
wire_api = "chat"

注意：Ollama 本地服务不需要真实密钥，但 Codex 会校验 env_key 对应的环境变量是否存在，所以随便给个占位值即可：

bash 复制代码 
export OLLAMA_API_KEY="ollama"

小技巧：7B 模型对日常补全已经可用，但 Codex 的 agent 工作流会频繁调用工具、读取多文件上下文，显存允许的情况下建议优先使用 qwen2.5-coder:14b 或更大的模型，任务成功率会明显提升。

5.2 接入 LM Studio

LM Studio 是带图形界面的本地模型工具，适合喜欢可视化操作的用户。在 LM Studio 中下载模型后，进入 Local Server 页面点击 Start Server，默认 OpenAI 兼容地址是 http://localhost:1234/v1。配置方式与 Ollama 完全一致：

toml 复制代码 
model = "qwen2.5-coder-instruct"
model_provider = "lmstudio"

[model_providers.lmstudio]
name = "LM Studio"
base_url = "http://localhost:1234/v1"
env_key = "LMSTUDIO_API_KEY"
wire_api = "chat"

同样设置占位环境变量：

bash 复制代码 
export LMSTUDIO_API_KEY="lmstudio"

LM Studio 中加载的模型名会显示在 Server 页面上，model 字段要与之保持一致。如果加载的是 GGUF 量化模型，模型名可能带 -GGUF 之类的后缀，留意页面上显示的准确名称。

5.3 接入 vLLM

vLLM 是高吞吐量的推理引擎，通常部署在带 GPU 的 Linux 服务器上，适合生产环境或多人共用场景。启动时默认在 http://localhost:8000/v1 提供 OpenAI 兼容接口：

bash 复制代码 
vllm serve Qwen/Qwen2.5-Coder-7B-Instruct --served-model-name qwen2.5-coder

这里 --served-model-name 负责对外暴露的模型名，配置里的 model 要写这个对外名称，而不是 Hugging Face 仓库路径：

toml 复制代码 
model = "qwen2.5-coder"
model_provider = "vllm"

[model_providers.vllm]
name = "vLLM"
base_url = "http://localhost:8000/v1"
env_key = "VLLM_API_KEY"
wire_api = "chat"

再设置占位环境变量即可：

bash 复制代码 
export VLLM_API_KEY="vllm"

如果 vLLM 部署在另一台内网机器上，把 localhost 换成对应的内网 IP 即可。多用户共用时建议统一维护这套配置，让每个人都通过同一入口访问。

6. 多服务商共存与模型切换

一个配置文件中可以同时定义多个服务商，方便快速切换。例如：

toml 复制代码 
model = "deepseek-chat"
model_provider = "deepseek"

[model_providers.deepseek]
name = "DeepSeek"
base_url = "https://api.deepseek.com/v1"
env_key = "DEEPSEEK_API_KEY"
wire_api = "chat"

[model_providers.ollama]
name = "Ollama"
base_url = "http://localhost:11434/v1"
env_key = "OLLAMA_API_KEY"
wire_api = "chat"

[model_providers.openai]
name = "OpenAI"
base_url = "https://api.openai.com/v1"
env_key = "OPENAI_API_KEY"
wire_api = "responses"

这份配置同时登记了 DeepSeek、Ollama 和 OpenAI 三家，顶层默认走 DeepSeek。真正使用时，我们不必每次都改配置文件，在 Codex 的交互式会话（TUI）中，输入以下命令即可动态切换模型：

复制代码 
/model deepseek-chat

如果切换的模型属于另一个服务商，可以加上服务商前缀来避免歧义。切回本地模型同理：

复制代码 
/model ollama/qwen2.5-coder:7b

模型标识的完整格式可以理解为：

复制代码 
服务商名/模型名
  • 不带前缀时，Codex 默认在当前 model_provider 下查找模型。
  • 带上 ollama/、deepseek/ 这类前缀时，则会到对应服务商中查找，跨服务商切换立刻生效。

实用建议：日常联网开发用云端模型，处理敏感代码或断网环境时用 /model ollama/... 一键切回本地，既省成本又兼顾隐私。

7. 环境变量与密钥安全

强烈建议不要把 API Key 直接写进 config.toml，而是通过环境变量注入。这样配置文件里只有变量名，没有真实密钥，即使把配置分享给同事或提交到 Git，也不会直接泄露凭证。

常用做法是把密钥写进 shell 配置文件：

bash 复制代码 
# ~/.zshrc 或 ~/.bashrc
export DEEPSEEK_API_KEY="sk-你的密钥"
export OPENAI_API_KEY="sk-你的密钥"

修改后刷新配置：

bash 复制代码 
source ~/.zshrc

如果你使用 fish，写入 ~/.config/fish/config.fish 后执行 source ~/.config/fish/config.fish 即可。

Windows 用户则可以通过系统环境变量设置，或使用 PowerShell 的 setx 永久写入：

powershell 复制代码 
setx DEEPSEEK_API_KEY "sk-你的密钥"

设置完成后需要重开终端，新的环境变量才会注入到当前进程。

这样既能避免密钥随配置文件泄露（比如误提交到 Git），也方便在不同机器间复用同一份 config.toml：配置只管"结构"，密钥由每台机器各自持有。

提示：env_key 的值只是环境变量名 ，Codex 会根据这个名字去进程环境中查找真正的密钥。所以 env_key = "DEEPSEEK_API_KEY" 和 export DEEPSEEK_API_KEY=... 两处的变量名必须严格一致，包括大小写。

再补充两条安全习惯：

  • 如果团队使用 Git 管理 dotfiles，确保 ~/.zshrc 不要被公开仓库收录，或把密钥单独放到 .env 文件并加入 .gitignore。
  • 在公司服务器上运行时，不要用 echo 直接把密钥打到日志里；排查问题优先用 echo $VAR_NAME 只确认变量是否存在、是否为空。

8. 常见问题与排查

下面覆盖从"连不上"到"答得差"的常见问题，建议按顺序排查。

8.1 报错含义：API key not found

如果看到类似 no API key found for provider 的提示，说明 env_key 指定的环境变量没有设置。检查当前 shell：

bash 复制代码 
echo $DEEPSEEK_API_KEY

为空的话，补齐环境变量并重启 Codex。需要留意的是：环境变量是在进程启动时 读取的，修改 ~/.zshrc 后没有 source、或者没有重开终端，新变量不会生效。

8.2 返回 404 或接口不兼容

先确认 base_url 是否以 /v1 结尾，并用 curl 手动验证连通性：

bash 复制代码 
curl https://api.deepseek.com/v1/models \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY"

能返回模型列表，说明接口可用。如果服务端只兼容 Chat Completions，记得把 wire_api 改为 chat。

排查顺序建议：

  1. 检查 base_url 是不是多了或少了 /v1。
  2. 确认 wire_api 与目标服务匹配（第三方用 chat）。
  3. 用上面的 curl 命令独立验证，排除 Codex 配置之外的网络问题。

8.3 返回 401 或 403

401/403 通常是鉴权失败，而不是接口找不到。可能原因：

  • 环境变量名与 env_key 不一致（例如配置里是 DEEPSEEK_API_KEY，实际 export 的是 DEEPSEEK_KEY）。
  • API Key 本身失效、被禁用或额度用尽。
  • 认证头格式问题，这通常由服务商兼容性导致，优先确认模型确实支持 OpenAI 规范。

可以先复现一下带鉴权的请求：

bash 复制代码 
curl https://api.deepseek.com/v1/models \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY"

如果这里也返回 401，说明问题在密钥本身；如果这里正常而 Codex 报错，再回头检查 env_key 拼写。

8.4 本地模型连接失败

本地服务走 HTTP，确认服务已启动且监听地址正确：

bash 复制代码 
# 检查 Ollama
curl http://localhost:11434/v1/models

# 检查 vLLM
curl http://localhost:8000/v1/models

同时留意防火墙、容器端口映射等因素，必要时把 localhost 换成实际 IP。

另一个常见坑是"本地服务启动了，但进程的监听地址不是你以为的那个"。可以确认：

bash 复制代码 
# 查看 11434 端口监听情况
lsof -i :11434

如果服务跑在 Docker 里，记得用 -p 做端口映射，例如：

bash 复制代码 
docker run -d -p 8000:8000 vllm/vllm-openai ...

8.5 模型输出质量差或不支持工具调用

Codex 依赖模型具备一定的**工具调用（function calling）**能力。部分开源小模型对工具调用支持不完整，可能导致编辑、执行命令等环节异常。建议优先选择专门针对编码和 Agent 场景优化的模型，例如 qwen2.5-coder、deepseek-chat 等。

如果模型经常"答非所问"或无法正确调用工具，可以依次尝试：

  • 更换为支持 function calling 的模型，并确认推理框架开启了工具调用能力。
  • 检查上下文长度设置，过小的上下文会被截断，导致模型"失忆"。
  • 减少单次任务复杂度，把大任务拆成小步骤。

8.6 请求超时或连接被重置

遇到超时，可以看看是否走了系统代理。很多国内开发者会开启 HTTP 代理访问海外服务，但接入本地 Ollama、LM Studio 时，这个代理反而会拦截 localhost 请求。一般需要把 localhost、127.0.0.1 加入代理例外列表：

bash 复制代码 
export NO_PROXY="localhost,127.0.0.1"

如果目标是内网服务器，也建议把对应 IP 或域名加入 NO_PROXY。

9. 接入流程总览

为了更直观地梳理整个过程，可以把"从零到一接入自定义模型"抽象成下面的流程：
#mermaid-svg-wKTdm7g34kzxlVQx{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-wKTdm7g34kzxlVQx .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-wKTdm7g34kzxlVQx .error-icon{fill:#552222;}#mermaid-svg-wKTdm7g34kzxlVQx .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-wKTdm7g34kzxlVQx .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-wKTdm7g34kzxlVQx .marker{fill:#333333;stroke:#333333;}#mermaid-svg-wKTdm7g34kzxlVQx .marker.cross{stroke:#333333;}#mermaid-svg-wKTdm7g34kzxlVQx svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-wKTdm7g34kzxlVQx p{margin:0;}#mermaid-svg-wKTdm7g34kzxlVQx .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-wKTdm7g34kzxlVQx .cluster-label text{fill:#333;}#mermaid-svg-wKTdm7g34kzxlVQx .cluster-label span{color:#333;}#mermaid-svg-wKTdm7g34kzxlVQx .cluster-label span p{background-color:transparent;}#mermaid-svg-wKTdm7g34kzxlVQx .label text,#mermaid-svg-wKTdm7g34kzxlVQx span{fill:#333;color:#333;}#mermaid-svg-wKTdm7g34kzxlVQx .node rect,#mermaid-svg-wKTdm7g34kzxlVQx .node circle,#mermaid-svg-wKTdm7g34kzxlVQx .node ellipse,#mermaid-svg-wKTdm7g34kzxlVQx .node polygon,#mermaid-svg-wKTdm7g34kzxlVQx .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-wKTdm7g34kzxlVQx .rough-node .label text,#mermaid-svg-wKTdm7g34kzxlVQx .node .label text,#mermaid-svg-wKTdm7g34kzxlVQx .image-shape .label,#mermaid-svg-wKTdm7g34kzxlVQx .icon-shape .label{text-anchor:middle;}#mermaid-svg-wKTdm7g34kzxlVQx .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-wKTdm7g34kzxlVQx .rough-node .label,#mermaid-svg-wKTdm7g34kzxlVQx .node .label,#mermaid-svg-wKTdm7g34kzxlVQx .image-shape .label,#mermaid-svg-wKTdm7g34kzxlVQx .icon-shape .label{text-align:center;}#mermaid-svg-wKTdm7g34kzxlVQx .node.clickable{cursor:pointer;}#mermaid-svg-wKTdm7g34kzxlVQx .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-wKTdm7g34kzxlVQx .arrowheadPath{fill:#333333;}#mermaid-svg-wKTdm7g34kzxlVQx .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-wKTdm7g34kzxlVQx .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-wKTdm7g34kzxlVQx .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-wKTdm7g34kzxlVQx .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-wKTdm7g34kzxlVQx .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-wKTdm7g34kzxlVQx .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-wKTdm7g34kzxlVQx .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-wKTdm7g34kzxlVQx .cluster text{fill:#333;}#mermaid-svg-wKTdm7g34kzxlVQx .cluster span{color:#333;}#mermaid-svg-wKTdm7g34kzxlVQx div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-wKTdm7g34kzxlVQx .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-wKTdm7g34kzxlVQx rect.text{fill:none;stroke-width:0;}#mermaid-svg-wKTdm7g34kzxlVQx .icon-shape,#mermaid-svg-wKTdm7g34kzxlVQx .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-wKTdm7g34kzxlVQx .icon-shape p,#mermaid-svg-wKTdm7g34kzxlVQx .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-wKTdm7g34kzxlVQx .icon-shape .label rect,#mermaid-svg-wKTdm7g34kzxlVQx .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-wKTdm7g34kzxlVQx .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-wKTdm7g34kzxlVQx .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-wKTdm7g34kzxlVQx :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 第三方云端
本地自托管
是
否
安装 Codex CLI
创建 config.toml
模型部署方式
填写服务商 base_url 与 env_key
启动 Ollama / LM Studio / vLLM
设置环境变量注入 API Key
启动 Codex 并验证 /status
是否正常响应
用 /model 按需切换模型
curl 验证 / 检查 wire_api / 排查代理

无论走云端还是本地，核心判断都在"服务端是否提供 OpenAI 兼容接口"，剩下的只是把地址、密钥和协议三个参数填对。

10. 总结

Codex CLI 自定义 API 的核心就在 config.toml 的 [model_providers] 段落：只要服务端提供 OpenAI 兼容接口，配置好 base_url、env_key 和 wire_api 就能接入。

回顾一下关键步骤：

  1. 安装 Codex CLI，并用 codex --version 验证。
  2. 在 ~/.codex/config.toml 中定义服务商。
  3. 用 model 和 model_provider 指定默认模型。
  4. 通过环境变量注入 API Key，避免明文泄露。
  5. 启动后可用 /model 随时切换模型。
  6. 遇到问题优先用 curl 验证接口连通性，再检查 wire_api 与代理配置。

掌握这套配置方法后，无论是云端性价比模型还是内网私有模型，都能灵活挂载到 Codex 上，打造真正属于自己的 AI 编程工作流。

相关推荐
东离与糖宝43 分钟前
不用高端显卡！本地大模型量化入门｜Ollama+transformers+llama.cpp实战
人工智能
森山冶仁44 分钟前
治理知识库构建：用 RAG 把制度、文档、经验变成 AI 能力
人工智能·智能问答·rag·企业知识库·大模型落地·ai治理
阿童木写作1 小时前
跨境电商批量图片翻译与视频字幕翻译工具推荐
python·音视频
安科瑞黄益鸣1 小时前
筑牢配电安全：安科瑞 ARB 弧光保护在半导体厂房的应用
人工智能
VIP_CQCRE1 小时前
用 Ace Data Cloud 快速接入 OpenAI Chat Completion API：一套 Token 打通主流 AI 能力
人工智能·chatgpt·openai·api·acedatacloud
甲维斯1 小时前
GPT6真的是“AGI”！首测完成瘫坐沙发！
人工智能
Aloudata1 小时前
语义层 vs MCP 工具层：Agent 调用数据时，语义应该放在哪一层
数据库·数据分析·chatbi·data agent·语义层
zcmodeltech1 小时前
源网荷储一体化沙盘模型多场景控制系统设计——基于STM32与Modbus RTU的源网荷储、多能互补、冷热电三联供全场景联动方案，服务范围覆盖全国
数据库·人工智能·stm32·单片机·嵌入式硬件
leihefeng1 小时前
手写数字识别：KNN vs 逻辑回归实战
python·算法·机器学习·逻辑回归·scikit-learn
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02GitHub 镜像站点03ZCode 周末送额度活动开启：3 亿 Token 免费领取04历年考研数学一、数学二、数学三真题试卷及答案PDF05蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新08AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路09Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费10VSCode+CodeX扩展，无法启动