Codex Harness正式开源！三行代码，直接把Codex装进你的应用，SDK+App Server完整解析，实测迁移AI数据分析Agent全过程

阿喵讲AI 首頁 每日列表 原始影片
實際影片長度：7:49.415。原文、繁中、雙語可點擊句子跳轉影片。
0:00.000–0:02.587
zh受Deepseek Harness最近爆火的影響,
0:02.587–0:03.988
zhCodex這邊也放大招了,
0:03.988–0:05.820
zhCodex Harness正式上線。
0:05.820–0:10.962
zh以前我們使用Codex本質上是在使用一個已經做好的智能體,
0:10.962–0:12.381
zh你把任務交給它,
0:12.381–0:13.799
zh它會自己讀代碼、
0:13.799–0:14.508
zh改文件、
0:14.508–0:15.395
zh執行命令、
0:15.395–0:16.281
zh調用工具,
0:16.281–0:17.700
zh最後把事情做完。
0:17.700–0:18.653
zh但這次不一樣,
0:18.653–0:23.421
zhOpenAI開始把Codex背後真正負責讓Agent跑起來的那套系統,
0:23.421–0:25.600
zh也就是Codex Harness。
0:25.600–0:30.788
zh通過Codex SDK和Codex App Server開放出來,
0:30.788–0:32.344
zh你可以把它理解成,
0:32.344–0:35.975
zh以前OpenAI給你的是一台已經裝好的車,
0:35.975–0:37.358
zh而現在連發動機、
0:37.358–0:37.877
zh底盤、
0:37.877–0:42.200
zh控制系統這些核心能力也開始允許開發者直接拿來使用。
0:42.200–0:44.698
zh你不需要重新從零搭一整套Agent,
0:44.698–0:49.000
zh就可以直接基於Codex Harness開發自己的AI數據分析。
0:49.000–0:53.200
zhAgent、辦公Agent、編程Agent,甚至完整的數字員工。
0:53.200–0:58.300
zhCodex Harness和普通模型API最大的區別也就在這裡。
0:58.300–1:00.410
zh普通API的邏輯很簡單,
1:00.410–1:01.466
zh你發一句話,
1:01.466–1:03.048
zh模型返回一個答案,
1:03.048–1:08.500
zh但一個真正能夠完成複雜任務的Agent遠遠不只是問一句答一句。
1:08.500–1:11.192
zh他還需要知道自己現在在哪個項目裡,
1:11.192–1:12.458
zh要讀取哪些文件,
1:12.458–1:14.200
zh當前任務執行到第幾步,
1:14.200–1:16.176
zh某條命令能不能運行,
1:16.176–1:19.139
zh修改文件之前是否需要用戶批准,
1:19.139–1:22.300
zh任務做到一半中斷之後能不能恢復,
1:22.300–1:25.300
zh以及上下文越來越長以後應該怎麼管理。
1:25.300–1:30.700
zh這些真正決定Agent能不能持續穩定完成複雜任務的能力,
1:30.700–1:33.400
zh加在一起就是Harness。
1:33.400–1:38.400
zh換句話說,模型負責思考,Harness負責讓模型真正把事情做完。
1:38.400–1:42.600
zh這一次Codex Harness對開發者最重要的兩個入口,
1:42.600–1:46.500
zh就是Codex SDK和Codex App Server。
1:46.500–1:48.097
zh先說Codex SDK,
1:48.097–1:49.403
zh這個其實最好理解,
1:49.403–1:52.161
zh如果你現在已經有一個Python項目,
1:52.161–1:55.500
zh只是想快速給它增加Codex的Agent能力,
1:55.500–2:00.500
zh就可以直接使用SDK,不需要重新搭一套Agent框架。
2:00.500–2:04.030
zh你可以讓它自動讀取一個代碼倉庫並修改代碼,
2:04.030–2:06.048
zh也可以讓它分析一批數據,
2:06.048–2:07.225
zh然後生成報告,
2:07.225–2:09.746
zh或者執行一個需要連續調用文件、
2:09.746–2:12.100
zh命令行和各種工具的複雜任務。
2:12.100–2:13.034
zh通過SDK,
2:13.034–2:16.305
zh你可以直接啟動一個Codex Thread,
2:16.305–2:18.018
zh也可以繼續之前的任務,
2:18.018–2:19.108
zh恢復歷史任務,
2:19.108–2:21.600
zh甚至Fork出一個新的任務分支。
2:21.600–2:25.018
zh所以Codex SDK更像是一個快速接入入口,
2:25.018–2:26.571
zh你已經有自己的程序,
2:26.571–2:30.300
zh只是希望把Codex Harness的能力加進去,
2:30.300–2:31.516
zh優先用它就可以。
2:31.516–2:35.316
zh而另外一個Codex App Server則更加底層,
2:35.316–2:37.900
zh更適合真正開發完整Agent產品。
2:37.900–2:43.049
zh比如,你想做一個桌面端AI Agent企業內部的數據分析系統,
2:43.049–2:44.251
zhAI編程工具,
2:44.251–2:46.825
zh或者一個帶完整介面的數字員工,
2:46.825–2:49.400
zh這時候僅僅調用SDK就不夠了。
2:49.400–2:52.096
zh因為你的產品不能只是發一句Prompt,
2:52.096–2:53.174
zh然後等最終結果,
2:53.174–2:55.600
zh它還需要時時知道Agent在幹什麼。
2:55.600–2:58.260
zh比如,現在正在執行哪條命令,
2:58.260–2:59.970
zh正在修改哪個文件,
2:59.970–3:01.490
zh要用了哪個工具,
3:01.490–3:03.200
zh任務執行到哪一步,
3:03.200–3:06.683
zh以及某個高權限操作是不是需要用戶確認。
3:06.683–3:12.000
zhCodex App Server就負責把這些過程完整暴露出來。
3:12.000–3:17.393
zhOpenAI官方現在也明確把它作為Codex產品深度集成的重要接口,
3:17.393–3:21.200
zh用來連接Codex Harness和不同的客戶端。
3:21.200–3:23.341
zh這裡可以用一個很簡單的方式理解。
3:23.341–3:26.687
zhCodex Harness是整套Agent執行系統,
3:26.687–3:30.300
zhCodex App Server則是你控制這套系統的接口。
3:30.300–3:33.459
zh你自己的產品不需要重新實現Codex,
3:33.459–3:36.451
zh只需要通過App Server調用它,
3:36.451–3:37.615
zh開始一個任務,
3:37.615–3:38.945
zh繼續上一次任務,
3:38.945–3:39.942
zh執行下一步,
3:39.942–3:41.106
zh批准這次操作,
3:41.106–3:43.600
zh或者把當前執行狀態返回給前端。
3:43.600–3:47.416
zh所以,如果你只是想快速調用Codex優先使用SDK,
3:47.416–3:50.498
zh如果你想真正開發一款完整的Agent產品,
3:50.498–3:52.700
zh就重點研究App Server。
3:52.700–3:55.700
zh我們團隊也在第一時間做了一次實際測試。
3:55.700–4:00.700
zh之前,我們有一套基於Deep Agents架構開發的AI數據分析。
4:00.700–4:03.253
zhAgent裡面已經包含大量數據分析工具,
4:03.253–4:04.147
enSkills,
4:04.147–4:04.657
enMCP,
4:04.657–4:06.700
zh以及一整套完整的數據分析工作流。
4:06.700–4:11.800
zh這一次,我們嘗試把底層Agent Runtime更換為Codex Harness。
4:11.800–4:14.800
zh實際遷移過程比預想中簡單很多。
4:14.800–4:19.800
zh原來的業務邏輯,工具,Skills,和MCP大部分都可以繼續復用。
4:19.800–4:22.034
zh主要變化是把Agent的執行,
4:22.034–4:26.800
zh狀態和任務生命周期管理切換到Codex Harness這一套體系。
4:26.800–4:32.800
zh遷移完成之後,一個比較明顯的感受就是複雜長任務跑起來更加完整和穩定。
4:32.800–4:35.800
zh比如一次完整的數據分析任務,Agent的數據分析任務。
4:35.800–4:38.300
zhAgent可能需要先讀取數據,
4:38.300–4:39.133
zh檢查字段,
4:39.133–4:41.133
zh再寫Python做分析,
4:41.133–4:42.300
zh然後生成圖表,
4:42.300–4:44.133
zh發現異常之後重新計算,
4:44.133–4:45.800
zh最後再生成完整報告。
4:45.800–4:49.800
zh整個過程中可能包含幾十步甚至上百步操作。
4:49.800–4:51.687
zh這種任務真正考驗的,
4:51.687–4:54.706
zh其實已經不只是模型會不會寫代碼,
4:54.706–4:59.800
zh而是Agent在執行幾十步以後會不會忘記最開始的目標?
4:59.800–5:03.800
zh會不會執行一半停下來?報錯之後能不能繼續?
5:03.800–5:05.800
zh以及任務中斷之後能不能恢復?
5:05.800–5:09.800
zh這些問題恰恰就是Harness最核心的價值。
5:09.800–5:15.800
zhCodex Harness本身也已經把很多過去開發Agent最麻煩的事情提前處理好了。
5:15.800–5:19.800
zh比如Sandbox可以把Agent的命令執行,限制在安全環境裡。
5:19.800–5:23.800
zhApproval可以讓敏感操作先經過用戶確認。
5:23.800–5:27.800
zhThread可以把一個完整任務和狀態保存下來,下次繼續執行。
5:27.800–5:33.800
zh同時還有MCP和Skills可以繼續給Agent增加外部工具和專業能力。
5:33.800–5:37.800
zh如果這些能力全部從0自己開發,成本其實非常高。
5:37.800–5:41.800
zh而現在Codex Harness已經把它們變成了一套可以直接複用的基礎設施。
5:41.800–5:46.695
zh這也是為什麼我覺得這次Codex Harness真正重要的地方,
5:46.695–5:50.800
zh並不是OpenAI又發布了一個新的Agent SDK,
5:50.800–5:53.800
zh而是開發Agent的方式正在發生變化。
5:53.800–5:56.540
zh以前我們做Agent往往是先選一個模型,
5:56.540–5:58.184
zh再選LangChain,
5:58.184–6:00.375
zhLangGraph或者其他框架,
6:00.375–6:01.471
zh然後自己搭工具,
6:01.471–6:01.971
zh狀態,
6:01.971–6:02.471
zh全線,
6:02.471–6:03.800
zhmemory和工作流。
6:03.800–6:07.452
zh以後則很可能變成先選擇一套成熟的Harness,
6:07.452–6:10.800
zh然後直接在這套Harness上做自己的業務。
6:10.800–6:12.000
zh模型可以換,
6:12.000–6:13.400
zh業務也可以換,
6:13.400–6:18.800
zh但底層那套讓Agent穩定執行任務的系統可以直接複用。
6:18.800–6:21.550
zh而從OpenAI目前公開的信息來看,
6:21.550–6:22.925
enCodex CLI,
6:22.925–6:24.300
enCodex App,
6:24.300–6:25.675
zhIDE等不同形態,
6:25.675–6:29.800
zh本身就是圍繞同一套Codex Harness能力展開的。
6:29.800–6:31.780
zh現在真正發生變化的是,
6:31.780–6:36.640
zh這套原本主要服務OpenAI自己Codex產品的能力,
6:36.640–6:38.800
zh正在進一步向開發者開放。
6:38.800–6:43.361
zh所以Codex的定位也開始不再只是一個AI變成工具,
6:43.361–6:48.800
zh它正在逐漸變成一套可以拿來開發其他智能體的通用Agent基座。
6:48.800–6:50.649
zh以後你想開發AI數據分析系統,
6:50.649–6:51.636
zh研發Agent,
6:51.636–6:52.622
zh辦公Agent,
6:52.622–6:53.978
zh甚至企業內部數字員工,
6:53.978–6:57.800
zh並不一定還要從最底層重新打一整套Agent Framework,
6:57.800–7:02.622
zh完全可以直接站在Codex Harness已經搭好的基礎設施上,
7:02.622–7:04.800
zh繼續做自己的產品和業務能力。
7:04.800–7:05.848
zh本期後面的實戰,
7:05.848–7:08.860
zh我們就會直接把Codex Harness跑起來,
7:08.860–7:13.181
zh分別演示Codex SDK和Codex App Server的使用方式,
7:13.181–7:14.360
zh以及如何接入工具,
7:14.360–7:15.800
zhSkills和MCP。
7:15.800–7:21.800
zh最後再把它真正集成進一套完整的AI數據分析Agent。
7:21.800–7:26.595
zh同時,我們團隊也已經整理好了Codex Harness使用與開發教程,
7:26.595–7:27.582
zh完整配置說明,
7:27.582–7:32.800
zh以及這套基於Codex Harness重構的AI數據分析Agent項目源碼。
7:32.800–7:37.800
zh想直接跟著項目復現的,可以查看頂層評論領取。
7:37.800–7:39.633
zh如果之前大家學習Codex,
7:39.633–7:41.598
zh重點還是怎麼把Codex用好,
7:41.598–7:43.955
zh那麼從Codex Harness開始,
7:43.955–7:46.050
zh一個更值得關注的問題已經變成了,
7:46.050–7:48.800
zh怎麼拿Codex做出屬於自己的Agent。
0:00.000–0:02.587
受Deepseek Harness最近爆火的影響,
0:02.587–0:03.988
Codex這邊也放大招了,
0:03.988–0:05.820
Codex Harness正式上線。
0:05.820–0:10.962
以前我們使用Codex本質上是在使用一個已經做好的智能體,
0:10.962–0:12.381
你把任務交給它,
0:12.381–0:13.799
它會自己讀代碼、
0:13.799–0:14.508
改文件、
0:14.508–0:15.395
執行命令、
0:15.395–0:16.281
調用工具,
0:16.281–0:17.700
最後把事情做完。
0:17.700–0:18.653
但這次不一樣,
0:18.653–0:23.421
OpenAI開始把Codex背後真正負責讓Agent跑起來的那套系統,
0:23.421–0:25.600
也就是Codex Harness。
0:25.600–0:30.788
通過Codex SDK和Codex App Server開放出來,
0:30.788–0:32.344
你可以把它理解成,
0:32.344–0:35.975
以前OpenAI給你的是一台已經裝好的車,
0:35.975–0:37.358
而現在連發動機、
0:37.358–0:37.877
底盤、
0:37.877–0:42.200
控制系統這些核心能力也開始允許開發者直接拿來使用。
0:42.200–0:44.698
你不需要重新從零搭一整套Agent,
0:44.698–0:49.000
就可以直接基於Codex Harness開發自己的AI數據分析。
0:49.000–0:53.200
Agent、辦公Agent、編程Agent,甚至完整的數字員工。
0:53.200–0:58.300
Codex Harness和普通模型API最大的區別也就在這裡。
0:58.300–1:00.410
普通API的邏輯很簡單,
1:00.410–1:01.466
你發一句話,
1:01.466–1:03.048
模型返回一個答案,
1:03.048–1:08.500
但一個真正能夠完成複雜任務的Agent遠遠不只是問一句答一句。
1:08.500–1:11.192
他還需要知道自己現在在哪個項目裡,
1:11.192–1:12.458
要讀取哪些文件,
1:12.458–1:14.200
當前任務執行到第幾步,
1:14.200–1:16.176
某條命令能不能運行,
1:16.176–1:19.139
修改文件之前是否需要用戶批准,
1:19.139–1:22.300
任務做到一半中斷之後能不能恢復,
1:22.300–1:25.300
以及上下文越來越長以後應該怎麼管理。
1:25.300–1:30.700
這些真正決定Agent能不能持續穩定完成複雜任務的能力,
1:30.700–1:33.400
加在一起就是Harness。
1:33.400–1:38.400
換句話說,模型負責思考,Harness負責讓模型真正把事情做完。
1:38.400–1:42.600
這一次Codex Harness對開發者最重要的兩個入口,
1:42.600–1:46.500
就是Codex SDK和Codex App Server。
1:46.500–1:48.097
先說Codex SDK,
1:48.097–1:49.403
這個其實最好理解,
1:49.403–1:52.161
如果你現在已經有一個Python項目,
1:52.161–1:55.500
只是想快速給它增加Codex的Agent能力,
1:55.500–2:00.500
就可以直接使用SDK,不需要重新搭一套Agent框架。
2:00.500–2:04.030
你可以讓它自動讀取一個代碼倉庫並修改代碼,
2:04.030–2:06.048
也可以讓它分析一批數據,
2:06.048–2:07.225
然後生成報告,
2:07.225–2:09.746
或者執行一個需要連續調用文件、
2:09.746–2:12.100
命令行和各種工具的複雜任務。
2:12.100–2:13.034
通過SDK,
2:13.034–2:16.305
你可以直接啟動一個Codex Thread,
2:16.305–2:18.018
也可以繼續之前的任務,
2:18.018–2:19.108
恢復歷史任務,
2:19.108–2:21.600
甚至Fork出一個新的任務分支。
2:21.600–2:25.018
所以Codex SDK更像是一個快速接入入口,
2:25.018–2:26.571
你已經有自己的程序,
2:26.571–2:30.300
只是希望把Codex Harness的能力加進去,
2:30.300–2:31.516
優先用它就可以。
2:31.516–2:35.316
而另外一個Codex App Server則更加底層,
2:35.316–2:37.900
更適合真正開發完整Agent產品。
2:37.900–2:43.049
比如,你想做一個桌面端AI Agent企業內部的數據分析系統,
2:43.049–2:44.251
AI編程工具,
2:44.251–2:46.825
或者一個帶完整介面的數字員工,
2:46.825–2:49.400
這時候僅僅調用SDK就不夠了。
2:49.400–2:52.096
因為你的產品不能只是發一句Prompt,
2:52.096–2:53.174
然後等最終結果,
2:53.174–2:55.600
它還需要時時知道Agent在幹什麼。
2:55.600–2:58.260
比如,現在正在執行哪條命令,
2:58.260–2:59.970
正在修改哪個文件,
2:59.970–3:01.490
要用了哪個工具,
3:01.490–3:03.200
任務執行到哪一步,
3:03.200–3:06.683
以及某個高權限操作是不是需要用戶確認。
3:06.683–3:12.000
Codex App Server就負責把這些過程完整暴露出來。
3:12.000–3:17.393
OpenAI官方現在也明確把它作為Codex產品深度集成的重要接口,
3:17.393–3:21.200
用來連接Codex Harness和不同的客戶端。
3:21.200–3:23.341
這裡可以用一個很簡單的方式理解。
3:23.341–3:26.687
Codex Harness是整套Agent執行系統,
3:26.687–3:30.300
Codex App Server則是你控制這套系統的接口。
3:30.300–3:33.459
你自己的產品不需要重新實現Codex,
3:33.459–3:36.451
只需要通過App Server調用它,
3:36.451–3:37.615
開始一個任務,
3:37.615–3:38.945
繼續上一次任務,
3:38.945–3:39.942
執行下一步,
3:39.942–3:41.106
批准這次操作,
3:41.106–3:43.600
或者把當前執行狀態返回給前端。
3:43.600–3:47.416
所以,如果你只是想快速調用Codex優先使用SDK,
3:47.416–3:50.498
如果你想真正開發一款完整的Agent產品,
3:50.498–3:52.700
就重點研究App Server。
3:52.700–3:55.700
我們團隊也在第一時間做了一次實際測試。
3:55.700–4:00.700
之前,我們有一套基於Deep Agents架構開發的AI數據分析。
4:00.700–4:03.253
Agent裡面已經包含大量數據分析工具,
4:03.253–4:04.147
Skills,
4:04.147–4:04.657
MCP,
4:04.657–4:06.700
以及一整套完整的數據分析工作流。
4:06.700–4:11.800
這一次,我們嘗試把底層Agent Runtime更換為Codex Harness。
4:11.800–4:14.800
實際遷移過程比預想中簡單很多。
4:14.800–4:19.800
原來的業務邏輯,工具,Skills,和MCP大部分都可以繼續復用。
4:19.800–4:22.034
主要變化是把Agent的執行,
4:22.034–4:26.800
狀態和任務生命周期管理切換到Codex Harness這一套體系。
4:26.800–4:32.800
遷移完成之後,一個比較明顯的感受就是複雜長任務跑起來更加完整和穩定。
4:32.800–4:35.800
比如一次完整的數據分析任務,Agent的數據分析任務。
4:35.800–4:38.300
Agent可能需要先讀取數據,
4:38.300–4:39.133
檢查字段,
4:39.133–4:41.133
再寫Python做分析,
4:41.133–4:42.300
然後生成圖表,
4:42.300–4:44.133
發現異常之後重新計算,
4:44.133–4:45.800
最後再生成完整報告。
4:45.800–4:49.800
整個過程中可能包含幾十步甚至上百步操作。
4:49.800–4:51.687
這種任務真正考驗的,
4:51.687–4:54.706
其實已經不只是模型會不會寫代碼,
4:54.706–4:59.800
而是Agent在執行幾十步以後會不會忘記最開始的目標?
4:59.800–5:03.800
會不會執行一半停下來?報錯之後能不能繼續?
5:03.800–5:05.800
以及任務中斷之後能不能恢復?
5:05.800–5:09.800
這些問題恰恰就是Harness最核心的價值。
5:09.800–5:15.800
Codex Harness本身也已經把很多過去開發Agent最麻煩的事情提前處理好了。
5:15.800–5:19.800
比如Sandbox可以把Agent的命令執行,限制在安全環境裡。
5:19.800–5:23.800
Approval可以讓敏感操作先經過用戶確認。
5:23.800–5:27.800
Thread可以把一個完整任務和狀態保存下來,下次繼續執行。
5:27.800–5:33.800
同時還有MCP和Skills可以繼續給Agent增加外部工具和專業能力。
5:33.800–5:37.800
如果這些能力全部從0自己開發,成本其實非常高。
5:37.800–5:41.800
而現在Codex Harness已經把它們變成了一套可以直接複用的基礎設施。
5:41.800–5:46.695
這也是為什麼我覺得這次Codex Harness真正重要的地方,
5:46.695–5:50.800
並不是OpenAI又發布了一個新的Agent SDK,
5:50.800–5:53.800
而是開發Agent的方式正在發生變化。
5:53.800–5:56.540
以前我們做Agent往往是先選一個模型,
5:56.540–5:58.184
再選LangChain,
5:58.184–6:00.375
LangGraph或者其他框架,
6:00.375–6:01.471
然後自己搭工具,
6:01.471–6:01.971
狀態,
6:01.971–6:02.471
全線,
6:02.471–6:03.800
memory和工作流。
6:03.800–6:07.452
以後則很可能變成先選擇一套成熟的Harness,
6:07.452–6:10.800
然後直接在這套Harness上做自己的業務。
6:10.800–6:12.000
模型可以換,
6:12.000–6:13.400
業務也可以換,
6:13.400–6:18.800
但底層那套讓Agent穩定執行任務的系統可以直接複用。
6:18.800–6:21.550
而從OpenAI目前公開的信息來看,
6:21.550–6:22.925
Codex CLI,
6:22.925–6:24.300
Codex App,
6:24.300–6:25.675
IDE等不同形態,
6:25.675–6:29.800
本身就是圍繞同一套Codex Harness能力展開的。
6:29.800–6:31.780
現在真正發生變化的是,
6:31.780–6:36.640
這套原本主要服務OpenAI自己Codex產品的能力,
6:36.640–6:38.800
正在進一步向開發者開放。
6:38.800–6:43.361
所以Codex的定位也開始不再只是一個AI變成工具,
6:43.361–6:48.800
它正在逐漸變成一套可以拿來開發其他智能體的通用Agent基座。
6:48.800–6:50.649
以後你想開發AI數據分析系統,
6:50.649–6:51.636
研發Agent,
6:51.636–6:52.622
辦公Agent,
6:52.622–6:53.978
甚至企業內部數字員工,
6:53.978–6:57.800
並不一定還要從最底層重新打一整套Agent Framework,
6:57.800–7:02.622
完全可以直接站在Codex Harness已經搭好的基礎設施上,
7:02.622–7:04.800
繼續做自己的產品和業務能力。
7:04.800–7:05.848
本期後面的實戰,
7:05.848–7:08.860
我們就會直接把Codex Harness跑起來,
7:08.860–7:13.181
分別演示Codex SDK和Codex App Server的使用方式,
7:13.181–7:14.360
以及如何接入工具,
7:14.360–7:15.800
Skills和MCP。
7:15.800–7:21.800
最後再把它真正集成進一套完整的AI數據分析Agent。
7:21.800–7:26.595
同時,我們團隊也已經整理好了Codex Harness使用與開發教程,
7:26.595–7:27.582
完整配置說明,
7:27.582–7:32.800
以及這套基於Codex Harness重構的AI數據分析Agent項目源碼。
7:32.800–7:37.800
想直接跟著項目復現的,可以查看頂層評論領取。
7:37.800–7:39.633
如果之前大家學習Codex,
7:39.633–7:41.598
重點還是怎麼把Codex用好,
7:41.598–7:43.955
那麼從Codex Harness開始,
7:43.955–7:46.050
一個更值得關注的問題已經變成了,
7:46.050–7:48.800
怎麼拿Codex做出屬於自己的Agent。
0:00.000–0:02.587
zh受Deepseek Harness最近爆火的影響,
受Deepseek Harness最近爆火的影響,
0:02.587–0:03.988
zhCodex這邊也放大招了,
Codex這邊也放大招了,
0:03.988–0:05.820
zhCodex Harness正式上線。
Codex Harness正式上線。
0:05.820–0:10.962
zh以前我們使用Codex本質上是在使用一個已經做好的智能體,
以前我們使用Codex本質上是在使用一個已經做好的智能體,
0:10.962–0:12.381
zh你把任務交給它,
你把任務交給它,
0:12.381–0:13.799
zh它會自己讀代碼、
它會自己讀代碼、
0:13.799–0:14.508
zh改文件、
改文件、
0:14.508–0:15.395
zh執行命令、
執行命令、
0:15.395–0:16.281
zh調用工具,
調用工具,
0:16.281–0:17.700
zh最後把事情做完。
最後把事情做完。
0:17.700–0:18.653
zh但這次不一樣,
但這次不一樣,
0:18.653–0:23.421
zhOpenAI開始把Codex背後真正負責讓Agent跑起來的那套系統,
OpenAI開始把Codex背後真正負責讓Agent跑起來的那套系統,
0:23.421–0:25.600
zh也就是Codex Harness。
也就是Codex Harness。
0:25.600–0:30.788
zh通過Codex SDK和Codex App Server開放出來,
通過Codex SDK和Codex App Server開放出來,
0:30.788–0:32.344
zh你可以把它理解成,
你可以把它理解成,
0:32.344–0:35.975
zh以前OpenAI給你的是一台已經裝好的車,
以前OpenAI給你的是一台已經裝好的車,
0:35.975–0:37.358
zh而現在連發動機、
而現在連發動機、
0:37.358–0:37.877
zh底盤、
底盤、
0:37.877–0:42.200
zh控制系統這些核心能力也開始允許開發者直接拿來使用。
控制系統這些核心能力也開始允許開發者直接拿來使用。
0:42.200–0:44.698
zh你不需要重新從零搭一整套Agent,
你不需要重新從零搭一整套Agent,
0:44.698–0:49.000
zh就可以直接基於Codex Harness開發自己的AI數據分析。
就可以直接基於Codex Harness開發自己的AI數據分析。
0:49.000–0:53.200
zhAgent、辦公Agent、編程Agent,甚至完整的數字員工。
Agent、辦公Agent、編程Agent,甚至完整的數字員工。
0:53.200–0:58.300
zhCodex Harness和普通模型API最大的區別也就在這裡。
Codex Harness和普通模型API最大的區別也就在這裡。
0:58.300–1:00.410
zh普通API的邏輯很簡單,
普通API的邏輯很簡單,
1:00.410–1:01.466
zh你發一句話,
你發一句話,
1:01.466–1:03.048
zh模型返回一個答案,
模型返回一個答案,
1:03.048–1:08.500
zh但一個真正能夠完成複雜任務的Agent遠遠不只是問一句答一句。
但一個真正能夠完成複雜任務的Agent遠遠不只是問一句答一句。
1:08.500–1:11.192
zh他還需要知道自己現在在哪個項目裡,
他還需要知道自己現在在哪個項目裡,
1:11.192–1:12.458
zh要讀取哪些文件,
要讀取哪些文件,
1:12.458–1:14.200
zh當前任務執行到第幾步,
當前任務執行到第幾步,
1:14.200–1:16.176
zh某條命令能不能運行,
某條命令能不能運行,
1:16.176–1:19.139
zh修改文件之前是否需要用戶批准,
修改文件之前是否需要用戶批准,
1:19.139–1:22.300
zh任務做到一半中斷之後能不能恢復,
任務做到一半中斷之後能不能恢復,
1:22.300–1:25.300
zh以及上下文越來越長以後應該怎麼管理。
以及上下文越來越長以後應該怎麼管理。
1:25.300–1:30.700
zh這些真正決定Agent能不能持續穩定完成複雜任務的能力,
這些真正決定Agent能不能持續穩定完成複雜任務的能力,
1:30.700–1:33.400
zh加在一起就是Harness。
加在一起就是Harness。
1:33.400–1:38.400
zh換句話說,模型負責思考,Harness負責讓模型真正把事情做完。
換句話說,模型負責思考,Harness負責讓模型真正把事情做完。
1:38.400–1:42.600
zh這一次Codex Harness對開發者最重要的兩個入口,
這一次Codex Harness對開發者最重要的兩個入口,
1:42.600–1:46.500
zh就是Codex SDK和Codex App Server。
就是Codex SDK和Codex App Server。
1:46.500–1:48.097
zh先說Codex SDK,
先說Codex SDK,
1:48.097–1:49.403
zh這個其實最好理解,
這個其實最好理解,
1:49.403–1:52.161
zh如果你現在已經有一個Python項目,
如果你現在已經有一個Python項目,
1:52.161–1:55.500
zh只是想快速給它增加Codex的Agent能力,
只是想快速給它增加Codex的Agent能力,
1:55.500–2:00.500
zh就可以直接使用SDK,不需要重新搭一套Agent框架。
就可以直接使用SDK,不需要重新搭一套Agent框架。
2:00.500–2:04.030
zh你可以讓它自動讀取一個代碼倉庫並修改代碼,
你可以讓它自動讀取一個代碼倉庫並修改代碼,
2:04.030–2:06.048
zh也可以讓它分析一批數據,
也可以讓它分析一批數據,
2:06.048–2:07.225
zh然後生成報告,
然後生成報告,
2:07.225–2:09.746
zh或者執行一個需要連續調用文件、
或者執行一個需要連續調用文件、
2:09.746–2:12.100
zh命令行和各種工具的複雜任務。
命令行和各種工具的複雜任務。
2:12.100–2:13.034
zh通過SDK,
通過SDK,
2:13.034–2:16.305
zh你可以直接啟動一個Codex Thread,
你可以直接啟動一個Codex Thread,
2:16.305–2:18.018
zh也可以繼續之前的任務,
也可以繼續之前的任務,
2:18.018–2:19.108
zh恢復歷史任務,
恢復歷史任務,
2:19.108–2:21.600
zh甚至Fork出一個新的任務分支。
甚至Fork出一個新的任務分支。
2:21.600–2:25.018
zh所以Codex SDK更像是一個快速接入入口,
所以Codex SDK更像是一個快速接入入口,
2:25.018–2:26.571
zh你已經有自己的程序,
你已經有自己的程序,
2:26.571–2:30.300
zh只是希望把Codex Harness的能力加進去,
只是希望把Codex Harness的能力加進去,
2:30.300–2:31.516
zh優先用它就可以。
優先用它就可以。
2:31.516–2:35.316
zh而另外一個Codex App Server則更加底層,
而另外一個Codex App Server則更加底層,
2:35.316–2:37.900
zh更適合真正開發完整Agent產品。
更適合真正開發完整Agent產品。
2:37.900–2:43.049
zh比如,你想做一個桌面端AI Agent企業內部的數據分析系統,
比如,你想做一個桌面端AI Agent企業內部的數據分析系統,
2:43.049–2:44.251
zhAI編程工具,
AI編程工具,
2:44.251–2:46.825
zh或者一個帶完整介面的數字員工,
或者一個帶完整介面的數字員工,
2:46.825–2:49.400
zh這時候僅僅調用SDK就不夠了。
這時候僅僅調用SDK就不夠了。
2:49.400–2:52.096
zh因為你的產品不能只是發一句Prompt,
因為你的產品不能只是發一句Prompt,
2:52.096–2:53.174
zh然後等最終結果,
然後等最終結果,
2:53.174–2:55.600
zh它還需要時時知道Agent在幹什麼。
它還需要時時知道Agent在幹什麼。
2:55.600–2:58.260
zh比如,現在正在執行哪條命令,
比如,現在正在執行哪條命令,
2:58.260–2:59.970
zh正在修改哪個文件,
正在修改哪個文件,
2:59.970–3:01.490
zh要用了哪個工具,
要用了哪個工具,
3:01.490–3:03.200
zh任務執行到哪一步,
任務執行到哪一步,
3:03.200–3:06.683
zh以及某個高權限操作是不是需要用戶確認。
以及某個高權限操作是不是需要用戶確認。
3:06.683–3:12.000
zhCodex App Server就負責把這些過程完整暴露出來。
Codex App Server就負責把這些過程完整暴露出來。
3:12.000–3:17.393
zhOpenAI官方現在也明確把它作為Codex產品深度集成的重要接口,
OpenAI官方現在也明確把它作為Codex產品深度集成的重要接口,
3:17.393–3:21.200
zh用來連接Codex Harness和不同的客戶端。
用來連接Codex Harness和不同的客戶端。
3:21.200–3:23.341
zh這裡可以用一個很簡單的方式理解。
這裡可以用一個很簡單的方式理解。
3:23.341–3:26.687
zhCodex Harness是整套Agent執行系統,
Codex Harness是整套Agent執行系統,
3:26.687–3:30.300
zhCodex App Server則是你控制這套系統的接口。
Codex App Server則是你控制這套系統的接口。
3:30.300–3:33.459
zh你自己的產品不需要重新實現Codex,
你自己的產品不需要重新實現Codex,
3:33.459–3:36.451
zh只需要通過App Server調用它,
只需要通過App Server調用它,
3:36.451–3:37.615
zh開始一個任務,
開始一個任務,
3:37.615–3:38.945
zh繼續上一次任務,
繼續上一次任務,
3:38.945–3:39.942
zh執行下一步,
執行下一步,
3:39.942–3:41.106
zh批准這次操作,
批准這次操作,
3:41.106–3:43.600
zh或者把當前執行狀態返回給前端。
或者把當前執行狀態返回給前端。
3:43.600–3:47.416
zh所以,如果你只是想快速調用Codex優先使用SDK,
所以,如果你只是想快速調用Codex優先使用SDK,
3:47.416–3:50.498
zh如果你想真正開發一款完整的Agent產品,
如果你想真正開發一款完整的Agent產品,
3:50.498–3:52.700
zh就重點研究App Server。
就重點研究App Server。
3:52.700–3:55.700
zh我們團隊也在第一時間做了一次實際測試。
我們團隊也在第一時間做了一次實際測試。
3:55.700–4:00.700
zh之前,我們有一套基於Deep Agents架構開發的AI數據分析。
之前,我們有一套基於Deep Agents架構開發的AI數據分析。
4:00.700–4:03.253
zhAgent裡面已經包含大量數據分析工具,
Agent裡面已經包含大量數據分析工具,
4:03.253–4:04.147
enSkills,
Skills,
4:04.147–4:04.657
enMCP,
MCP,
4:04.657–4:06.700
zh以及一整套完整的數據分析工作流。
以及一整套完整的數據分析工作流。
4:06.700–4:11.800
zh這一次,我們嘗試把底層Agent Runtime更換為Codex Harness。
這一次,我們嘗試把底層Agent Runtime更換為Codex Harness。
4:11.800–4:14.800
zh實際遷移過程比預想中簡單很多。
實際遷移過程比預想中簡單很多。
4:14.800–4:19.800
zh原來的業務邏輯,工具,Skills,和MCP大部分都可以繼續復用。
原來的業務邏輯,工具,Skills,和MCP大部分都可以繼續復用。
4:19.800–4:22.034
zh主要變化是把Agent的執行,
主要變化是把Agent的執行,
4:22.034–4:26.800
zh狀態和任務生命周期管理切換到Codex Harness這一套體系。
狀態和任務生命周期管理切換到Codex Harness這一套體系。
4:26.800–4:32.800
zh遷移完成之後,一個比較明顯的感受就是複雜長任務跑起來更加完整和穩定。
遷移完成之後,一個比較明顯的感受就是複雜長任務跑起來更加完整和穩定。
4:32.800–4:35.800
zh比如一次完整的數據分析任務,Agent的數據分析任務。
比如一次完整的數據分析任務,Agent的數據分析任務。
4:35.800–4:38.300
zhAgent可能需要先讀取數據,
Agent可能需要先讀取數據,
4:38.300–4:39.133
zh檢查字段,
檢查字段,
4:39.133–4:41.133
zh再寫Python做分析,
再寫Python做分析,
4:41.133–4:42.300
zh然後生成圖表,
然後生成圖表,
4:42.300–4:44.133
zh發現異常之後重新計算,
發現異常之後重新計算,
4:44.133–4:45.800
zh最後再生成完整報告。
最後再生成完整報告。
4:45.800–4:49.800
zh整個過程中可能包含幾十步甚至上百步操作。
整個過程中可能包含幾十步甚至上百步操作。
4:49.800–4:51.687
zh這種任務真正考驗的,
這種任務真正考驗的,
4:51.687–4:54.706
zh其實已經不只是模型會不會寫代碼,
其實已經不只是模型會不會寫代碼,
4:54.706–4:59.800
zh而是Agent在執行幾十步以後會不會忘記最開始的目標?
而是Agent在執行幾十步以後會不會忘記最開始的目標?
4:59.800–5:03.800
zh會不會執行一半停下來?報錯之後能不能繼續?
會不會執行一半停下來?報錯之後能不能繼續?
5:03.800–5:05.800
zh以及任務中斷之後能不能恢復?
以及任務中斷之後能不能恢復?
5:05.800–5:09.800
zh這些問題恰恰就是Harness最核心的價值。
這些問題恰恰就是Harness最核心的價值。
5:09.800–5:15.800
zhCodex Harness本身也已經把很多過去開發Agent最麻煩的事情提前處理好了。
Codex Harness本身也已經把很多過去開發Agent最麻煩的事情提前處理好了。
5:15.800–5:19.800
zh比如Sandbox可以把Agent的命令執行,限制在安全環境裡。
比如Sandbox可以把Agent的命令執行,限制在安全環境裡。
5:19.800–5:23.800
zhApproval可以讓敏感操作先經過用戶確認。
Approval可以讓敏感操作先經過用戶確認。
5:23.800–5:27.800
zhThread可以把一個完整任務和狀態保存下來,下次繼續執行。
Thread可以把一個完整任務和狀態保存下來,下次繼續執行。
5:27.800–5:33.800
zh同時還有MCP和Skills可以繼續給Agent增加外部工具和專業能力。
同時還有MCP和Skills可以繼續給Agent增加外部工具和專業能力。
5:33.800–5:37.800
zh如果這些能力全部從0自己開發,成本其實非常高。
如果這些能力全部從0自己開發,成本其實非常高。
5:37.800–5:41.800
zh而現在Codex Harness已經把它們變成了一套可以直接複用的基礎設施。
而現在Codex Harness已經把它們變成了一套可以直接複用的基礎設施。
5:41.800–5:46.695
zh這也是為什麼我覺得這次Codex Harness真正重要的地方,
這也是為什麼我覺得這次Codex Harness真正重要的地方,
5:46.695–5:50.800
zh並不是OpenAI又發布了一個新的Agent SDK,
並不是OpenAI又發布了一個新的Agent SDK,
5:50.800–5:53.800
zh而是開發Agent的方式正在發生變化。
而是開發Agent的方式正在發生變化。
5:53.800–5:56.540
zh以前我們做Agent往往是先選一個模型,
以前我們做Agent往往是先選一個模型,
5:56.540–5:58.184
zh再選LangChain,
再選LangChain,
5:58.184–6:00.375
zhLangGraph或者其他框架,
LangGraph或者其他框架,
6:00.375–6:01.471
zh然後自己搭工具,
然後自己搭工具,
6:01.471–6:01.971
zh狀態,
狀態,
6:01.971–6:02.471
zh全線,
全線,
6:02.471–6:03.800
zhmemory和工作流。
memory和工作流。
6:03.800–6:07.452
zh以後則很可能變成先選擇一套成熟的Harness,
以後則很可能變成先選擇一套成熟的Harness,
6:07.452–6:10.800
zh然後直接在這套Harness上做自己的業務。
然後直接在這套Harness上做自己的業務。
6:10.800–6:12.000
zh模型可以換,
模型可以換,
6:12.000–6:13.400
zh業務也可以換,
業務也可以換,
6:13.400–6:18.800
zh但底層那套讓Agent穩定執行任務的系統可以直接複用。
但底層那套讓Agent穩定執行任務的系統可以直接複用。
6:18.800–6:21.550
zh而從OpenAI目前公開的信息來看,
而從OpenAI目前公開的信息來看,
6:21.550–6:22.925
enCodex CLI,
Codex CLI,
6:22.925–6:24.300
enCodex App,
Codex App,
6:24.300–6:25.675
zhIDE等不同形態,
IDE等不同形態,
6:25.675–6:29.800
zh本身就是圍繞同一套Codex Harness能力展開的。
本身就是圍繞同一套Codex Harness能力展開的。
6:29.800–6:31.780
zh現在真正發生變化的是,
現在真正發生變化的是,
6:31.780–6:36.640
zh這套原本主要服務OpenAI自己Codex產品的能力,
這套原本主要服務OpenAI自己Codex產品的能力,
6:36.640–6:38.800
zh正在進一步向開發者開放。
正在進一步向開發者開放。
6:38.800–6:43.361
zh所以Codex的定位也開始不再只是一個AI變成工具,
所以Codex的定位也開始不再只是一個AI變成工具,
6:43.361–6:48.800
zh它正在逐漸變成一套可以拿來開發其他智能體的通用Agent基座。
它正在逐漸變成一套可以拿來開發其他智能體的通用Agent基座。
6:48.800–6:50.649
zh以後你想開發AI數據分析系統,
以後你想開發AI數據分析系統,
6:50.649–6:51.636
zh研發Agent,
研發Agent,
6:51.636–6:52.622
zh辦公Agent,
辦公Agent,
6:52.622–6:53.978
zh甚至企業內部數字員工,
甚至企業內部數字員工,
6:53.978–6:57.800
zh並不一定還要從最底層重新打一整套Agent Framework,
並不一定還要從最底層重新打一整套Agent Framework,
6:57.800–7:02.622
zh完全可以直接站在Codex Harness已經搭好的基礎設施上,
完全可以直接站在Codex Harness已經搭好的基礎設施上,
7:02.622–7:04.800
zh繼續做自己的產品和業務能力。
繼續做自己的產品和業務能力。
7:04.800–7:05.848
zh本期後面的實戰,
本期後面的實戰,
7:05.848–7:08.860
zh我們就會直接把Codex Harness跑起來,
我們就會直接把Codex Harness跑起來,
7:08.860–7:13.181
zh分別演示Codex SDK和Codex App Server的使用方式,
分別演示Codex SDK和Codex App Server的使用方式,
7:13.181–7:14.360
zh以及如何接入工具,
以及如何接入工具,
7:14.360–7:15.800
zhSkills和MCP。
Skills和MCP。
7:15.800–7:21.800
zh最後再把它真正集成進一套完整的AI數據分析Agent。
最後再把它真正集成進一套完整的AI數據分析Agent。
7:21.800–7:26.595
zh同時,我們團隊也已經整理好了Codex Harness使用與開發教程,
同時,我們團隊也已經整理好了Codex Harness使用與開發教程,
7:26.595–7:27.582
zh完整配置說明,
完整配置說明,
7:27.582–7:32.800
zh以及這套基於Codex Harness重構的AI數據分析Agent項目源碼。
以及這套基於Codex Harness重構的AI數據分析Agent項目源碼。
7:32.800–7:37.800
zh想直接跟著項目復現的,可以查看頂層評論領取。
想直接跟著項目復現的,可以查看頂層評論領取。
7:37.800–7:39.633
zh如果之前大家學習Codex,
如果之前大家學習Codex,
7:39.633–7:41.598
zh重點還是怎麼把Codex用好,
重點還是怎麼把Codex用好,
7:41.598–7:43.955
zh那麼從Codex Harness開始,
那麼從Codex Harness開始,
7:43.955–7:46.050
zh一個更值得關注的問題已經變成了,
一個更值得關注的問題已經變成了,
7:46.050–7:48.800
zh怎麼拿Codex做出屬於自己的Agent。
怎麼拿Codex做出屬於自己的Agent。

影片筆記：Codex Harness正式开源！三行代码，直接把Codex装进你的应用，SDK+App Server完整解析，实测迁移AI数据分析Agent全过程

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

  • 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=17 已先套用暫定修正：通過SDK,你可以直接啟動一個Codex Thread,也可以繼續之前的任務,恢復歷史任務,甚至Folk出一個新的任務分支。 → 通過SDK,你可以直接啟動一個Codex Thread,也可以繼續之前的任務,恢復歷史任務,甚至Fork出一個新的任務分支。；segment=26 已先套用暫定修正：你自己的產品不需要重新實現Codex,只需要通過App Server倒數它,開始一個任務,繼續上一次任務,執行下一步,批准這次操作,或者把當前執行狀態返回給前端。 → 你自己的產品不需要重新實現Codex,只需要通過App Server調用它,開始一個任務,繼續上一次任務,執行下一步,批准這次操作,或者把當前執行狀態返回給前端。）
  • 待修正：逐字稿可先使用，但有待校正清單（segment=5 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=6 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

OpenAI 正式開源 Codex Harness，將過去封閉在 Codex 產品背後的 Agent 執行系統（狀態管理、工具調用、沙盒環境等）開放給開發者。透過 Codex SDK 與 Codex App Server 兩大入口，開發者可直接調用底層能力，實現從「選模型+搭框架」到「選擇成熟 Harness+開發業務」的開發範式轉移，並透過實戰驗證了遷移現有 AI 數據分析 Agent 的可行性與穩定性提升。

核心重點

  1. Codex Harness 的發布與定位：
  • 標誌著從「使用現成智能體」轉向「開放底層 Agent 執行系統」的轉變。
  • 定義區別：普通 API 是問一句答一句；Agent 需求則包含項目位置、讀取文件、任務步驟、命令執行、用戶批准、中斷恢復、上下文管理等。
  • Harness 定義：模型負責思考，Harness 負責讓模型完成任務的所有執行細節（狀態恢復、上下文管理、命令執行與用戶批准等穩定性問題）。
  1. 兩大開發入口解析：
  • Codex SDK：
  • 適用場景：已有 Python 項目，希望快速增加 Agent 能力的場景（快速接入）。
  • 功能：自動讀取/修改代碼倉庫、分析數據生成報告、連續調用文件/命令行/工具。
  • 核心操作：啟動 Codex Thread、繼續/恢復歷史任務、Fork 新任務分支。
  • Codex App Server：
  • 適用場景：開發完整 Agent 產品（如桌面端 AI、企業內部數據分析系統、帶界面的數字員工），需要暴露 Agent 執行過程與狀態控制的場景。
  • 功能：暴露 Agent 執行過程（執行哪條命令、修改哪個文件、使用何工具、任務進度、高權限操作確認）。
  • 優勢：無需重新實現 Codex，通過 App Server 調用即可開始、繼續、執行下一步、批准操作或返回狀態給前端。
  1. 實戰測試與遷移經驗：
  • 測試背景：團隊原有基於 Deep Agents 架構的 AI 數據分析 Agent（包含大量工具、Skills、MCP 及工作流）。
  • 遷移動作：將底層 Agent Runtime 更換為 Codex Harness。
  • 遷移結果：過程簡單，原業務邏輯、工具、Skills、MCP 大部分可復用。主要變化在於將 Agent 的執行、狀態和任務生命周期管理切換至 Codex Harness。
  • 效能提升：複雜長任務（如數據分析：讀取數據->檢查字段->寫 Python 分析->生成圖表->發現異常重算->生成報告）執行更完整穩定。
  • 解決痛點：解決了多步操作後目標遺忘、執行中斷、報錯後無法繼續、任務中斷後無法恢復等問題。
  1. Harness 的核心基礎設施：
  • Sandbox：將 Agent 命令執行限制在安全環境。
  • Approval：敏感操作需經用戶確認。
  • Thread：保存完整任務與狀態，支持下次繼續執行。
  • MCP 與 Skills：為 Agent 增加外部工具和專業能力。
  1. 開發範式轉移與未來展望：
  • 舊範式：選模型 -> 選 LangChain/LangGraph 等框架 -> 自己搭工具、狀態、線程、Memory、工作流。
  • 新範式：選成熟 Harness -> 直接在 Harness 上做業務。模型可換，業務可換，但底層執行系統可複用。
  • Codex 的定位演變：從單一 AI 編程工具 -> 圍繞同一套 Harness 能力展開（CLI, App, IDE）。從服務 OpenAI 內部產品 -> 向開發者開放。最終定位：開發其他智能體的通用 Agent 基座。

詳細大綱

一、 Codex Harness 的發布與定位

  1. 背景：受 Deepseek Harness 爆火影響，OpenAI 發布 Codex Harness。
  2. 轉變意義：
  • 過去：使用者僅是 Codex 智能體的使用者（輸入任務，自動完成）。
  • 現在：OpenAI 開放底層系統，允許開發者直接調用核心能力（發動機、底盤、控制系統）。
  1. 定義區別：
  • 普通 API：問一句答一句。
  • Agent 需求：需知道項目位置、讀取文件、任務步驟、命令執行、用戶批准、中斷恢復、上下文管理。
  • Harness 定義：模型負責思考，Harness 負責讓模型完成任務的所有執行細節。

二、 兩大開發入口解析

  1. Codex SDK
  • 適用場景：已有 Python 項目，需快速增加 Agent 能力。
  • 功能：自動讀取/修改代碼倉庫、分析數據生成報告、連續調用文件/命令行/工具。
  • 核心操作：啟動 Codex Thread、繼續/恢復歷史任務、Fork 新任務分支。
  • 定位：快速接入入口。
  1. Codex App Server
  • 適用場景：開發完整 Agent 產品（如桌面端 AI、企業內部數據分析系統、帶界面的數字員工）。
  • 功能：暴露 Agent 執行過程（執行哪條命令、修改哪個文件、使用何工具、任務進度、高權限操作確認）。
  • 定位：控制 Harness 的接口，連接 Codex Harness 與不同客戶端。
  • 優勢：無需重新實現 Codex，通過 App Server 調用即可開始、繼續、執行下一步、批准操作或返回狀態給前端。

三、 實戰測試與遷移經驗

  1. 測試背景：團隊原有基於 Deep Agents 架構的 AI 數據分析 Agent（包含大量工具、Skills、MCP 及工作流）。
  2. 遷移動作：將底層 Agent Runtime 更換為 Codex Harness。
  3. 遷移結果：
  • 過程簡單，原業務邏輯、工具、Skills、MCP 大部分可復用。
  • 主要變化在於將 Agent 的執行、狀態和任務生命周期管理切換至 Codex Harness。
  1. 效能提升：複雜長任務（如數據分析：讀取數據->檢查字段->寫 Python 分析->生成圖表->發現異常重算->生成報告）執行更完整穩定。
  2. 解決痛點：解決了多步操作後目標遺忘、執行中斷、報錯後無法繼續、任務中斷後無法恢復等問題。

四、 Harness 的核心基礎設施

Codex Harness 預先處理了開發 Agent 的麻煩事，成為可複用的基礎設施：

  1. Sandbox：將 Agent 命令執行限制在安全環境。
  2. Approval：敏感操作需經用戶確認。
  3. Thread：保存完整任務與狀態，支持下次繼續執行。
  4. MCP 與 Skills：為 Agent 增加外部工具和專業能力。

五、 開發範式轉移與未來展望

  1. 舊範式：選模型 -> 選 LangChain/LangGraph 等框架 -> 自己搭工具、狀態、線程、Memory、工作流。
  2. 新範式：選成熟 Harness -> 直接在 Harness 上做業務。
  • 模型可換，業務可換，但底層執行系統可複用。
  1. Codex 的定位演變：
  • 從單一 AI 編程工具 -> 圍繞同一套 Harness 能力展開（CLI, App, IDE）。
  • 從服務 OpenAI 內部產品 -> 向開發者開放。
  • 最終定位：開發其他智能體的通用 Agent 基座。
  1. 後續預告：將演示 Codex SDK 和 App Server 的使用，接入工具、Skills、MCP，並集成進完整 AI 數據分析 Agent。提供教程與源碼。

工具 / 模型 / 名詞整理

  • Deepseek Harness：影片中提及受其爆火影響而發布 Codex Harness，具體指代需查證。
  • Codex：OpenAI 的產品/模型。
  • Codex Harness：OpenAI 正式開源的 Agent 執行系統，包含狀態管理、工具調用、沙盒環境等。
  • Codex SDK：適合已有 Python 項目，希望快速增加 Agent 能力的開發入口。
  • Codex App Server：適合開發完整 Agent 產品，需要暴露 Agent 執行過程與狀態控制的開發入口。
  • OpenAI：發布 Codex Harness 的公司。
  • Codex Thread：Codex 中保存完整任務與狀態的單位，支持下次繼續執行。
  • Codex CLI：Command Line Interface，Codex 的命令行工具。
  • Codex App：Codex 的應用程序。
  • IDE：Integrated Development Environment，集成開發環境。
  • Python：程式語言。
  • Deep Agents：影片中提及的原有架構名稱，具體指代需查證。
  • LangChain：AI 開發框架。
  • LangGraph：AI 開發框架。
  • Sandbox：沙盒環境，將 Agent 命令執行限制在安全環境。
  • Approval：批准機制，敏感操作需經用戶確認。
  • Thread：線程或任務線，保存完整任務與狀態。
  • MCP：Model Context Protocol 或其他特定協議/工具，為 Agent 增加外部工具。
  • Skills：技能模塊，為 Agent 增加專業能力。

操作流程整理

  1. 選擇開發入口：
  • 若為已有 Python 項目且需快速增加 Agent 能力，選擇 Codex SDK。
  • 若為開發完整 Agent 產品（如桌面端 AI、數字員工）且需暴露執行過程，選擇 Codex App Server。
  1. 初始化與配置：
  • 使用 Codex SDK 啟動 Codex Thread。
  • 或使用 Codex App Server 連接客戶端，配置工具、Skills、MCP。
  1. 執行任務：
  • 模型負責思考，Harness 負責執行細節。
  • 系統自動處理：讀取文件、命令執行、工具調用、上下文管理。
  1. 用戶互動與控制：
  • 進行高權限操作時，觸發 Approval 機制，需用戶確認。
  • 可隨時中斷、恢復歷史任務或 Fork 新任務分支。
  1. 遷移現有 Agent（實戰案例）：
  • 保留原有業務邏輯、工具、Skills、MCP。
  • 將底層 Agent Runtime 更換為 Codex Harness。
  • 驗證長任務（數據分析全流程）的穩定性與完整性。

值得注意的限制或風險

  • 術語與產品名稱不確定性：影片中提及的 "Deepseek Harness" 和 "Deep Agents" 架構名稱在常見技術文獻中較少見，可能為聽寫錯誤或特定內部/小眾產品名稱，需查證是否指代其他框架或模型。
  • 術語定義模糊："Codex Thread"、"Skills" 在影片中作為特定術語使用，需確認是否為 Codex 專屬術語還是通用概念。
  • MCP 指代不明：影片中提及 "Skills, 以及一整套完整的數據分析工作流... Skills, MCP"，需確認 MCP 在此處指代 Model Context Protocol 或其他特定協議/工具。
  • 遷移兼容性：雖然影片稱大部分業務邏輯可復用，但將 Agent 的執行、狀態和任務生命周期管理切換至 Codex Harness 可能涉及具體的代碼重構，需評估現有架構的兼容成本。

逐字稿辨識疑點

根據可讀性檢核結果，以下片段存在斷句或語意問題，建議在後續校對中特別關注：

  • Segment 5, 6, 7, 16, 17, 47: unnatural_sentence_boundary — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語。
  • Segment 36: rapid_semantic_review — 上下文為'比如一次完整的數據分析任務,Agent的數據分析任務。Agent可能需要先讀取數據...'，後半句'Agent的數據分析任務'與前半句意思高度重疊，且未構成完整語意。
  • Segment 51: rapid_semantic_review — 在Agent開發語境中，常見搭配為'全鏈路'（Full-stack/End-to-end）或'線程管理'（Thread management）。'全線'非標準術語。

具體疑點列表：

  1. Deepseek Harness：逐字稿提及「受 Deepseek Harness 最近爆火的影響」，此名稱在常見技術文獻中較少見，可能為聽寫錯誤或特定內部/小眾產品名稱，需查證是否指代其他框架或模型。
  2. Deep Agents：逐字稿提及「基於 Deep Agents 架構開發」，此為特定架構名稱，需確認是否為該團隊自定義架構或特定開源項目名稱。
  3. Codex Thread：逐字稿提及「啟動一個 Codex Thread」，需確認此為 Codex 專屬術語還是通用術語。
  4. Skills：在 Agent 開發語境中，通常指代特定功能模塊，需確認是否為 Codex 專屬術語或通用概念。
  5. MCP：逐字稿提及「Skills, 以及一整套完整的數據分析工作流... Skills, MCP」，需確認 MCP 在此處指代 Model Context Protocol 或其他特定協議/工具。
  6. 全線：Segment 51 中提及「全線」，非標準術語，可能為「全鏈路」或「線程管理」的辨識錯誤。

可延伸追問

  1. Deepseek Harness 與 Deep Agents 的具體指代：影片中提到的 "Deepseek Harness" 和 "Deep Agents" 架構具體是什麼？是否為 OpenAI 內部使用的代號或特定開源項目？
  2. Codex Thread 的技術實現：Codex Thread 是如何實現狀態保存和恢復的？與傳統的線程（Thread）或會話（Session）有何本質區別？
  3. MCP 的具體協議：在此上下文中，MCP 是否指代 Model Context Protocol？如果是，它是如何與 Skills 協同工作以擴展 Agent 能力的？
  4. 遷移成本評估：對於已經使用 LangChain/LangGraph 等框架開發的 Agent，遷移到 Codex Harness 的具體代碼改動量有多大？是否有自動遷移工具？
  5. 安全性與沙盒機制：Codex Harness 的沙盒（Sandbox）機制具體如何隔離 Agent 的命令執行？對於高權限操作（Approval），是否有更細粒度的權限控制？
  6. 性能開銷：引入 Codex Harness 作為底層執行系統，對 Agent 的響應速度和資源消耗有何影響？與直接調用模型 API 相比，開銷增加多少？

尚未產生學習筆記

請在 Telegram 指令最後加上「學習」，例如：videonote 網址 英文 雙語 學習