OpenAI Codex 本地部署、模型切换及 MCP 使用指南

Codex 安装

输入以下命令安装 Codex：

npm install -g @openai/codex

安装完成后，我们使用 agentrouter.org 提供的免费模型（GPT-5 模型）。这里需要做如下设置。

设置系统环境变量，变量名为 AGENT_ROUTER_TOKEN。

sudo vim /etc/profile

在文件末尾添加：

export AGENT_ROUTER_TOKEN="你的令牌值"

保存退出后，使配置立即生效：

source /etc/profile

创建 ~/.codex/config.toml 文件，并添加如下配置：

model = "gpt-5"
model_provider = "openai-chat-completions"
preferrred_auth_method = "apikey"
[model_providers.openai-chat-completions]
name = "OpenAI using Chat Completions"
base_url = "https://agentrouter.org/v1"
env_key = "AGENT_ROUTER_TOKEN"
wire_api = "chat"
query_params = {}
stream_idle_timeout_ms = 300000

平台提供多种模型。

如果换其他模型，这里我们用 GLM-4.5 模型为案例，改成下面配置：

model = "glm-4.5"
model_provider = "openai-chat-completions"
preferrred_auth_method = "apikey"
[model_providers.openai-chat-completions]
name = "OpenAI using Chat Completions"
base_url = "https://agentrouter.org/v1"
env_key = "AGENT_ROUTER_TOKEN"
wire_api = "chat"
query_params = {}

接下来我们需要创建 ~/.codex/auth.json 文件，并在其中加入如下代码：

{"OPENAI_API_KEY":"这里换成你申请的 KEY"}

通过以上配置我们就完成了 Codex 安装和配置。

Codex 验证测试

我们在命令行窗口输入 codex。

确定后，进入 Codex Shell 窗口，随便输入内容。

这样我们最基本的 Codex 就安装成功了。

Codex 常用的命令

下面给大家简单介绍一下 Codex 常用命令。

熟悉 Claude Code 的小伙伴应该了解很多命令其实是差不多的，比如 compact 做压缩使用。

model

可以选择模型速度（高中低），这里就选择默认即可。

Approval

Approval Mode（审批模式）定义了 Codex 在执行读取、写文件或运行命令等操作前，是否必须获得用户确认。它既提供便捷的无中断体验，也保留关键决策点，防止潜在风险。

review

• 审查未提交的更改：用于查看尚未提交到版本控制系统的代码修改内容，便于在提交前检查代码质量。
• 审查一次提交：针对已经完成提交的某一次代码提交记录进行审查，聚焦单次提交的改动。
• 针对基准分支进行审查：将当前代码与指定的基准分支（如主分支 main）进行对比，审查分支间的代码差异，常用于多人协作时的分支合并前检查。
• 自定义审查说明：允许用户根据项目需求，自定义审查的规则、步骤或说明文档，满足个性化的代码审查流程。

new

这个很好理解就是开启一个新的聊天对话。

init

在配置与 Codex 相关的项目时，通过初始化命令自动生成一份文档，用于定义 Codex 的代理（agents）操作规则、使用说明或工作流程。

compact

总结对话，以避免达到上下文限制。对上下文进行压缩。

diff

查看 Git 代码差异。Git 的核心命令之一，默认功能是'查看已追踪文件（已通过 git add 加入版本控制的文件）的未提交改动差异'，比如修改了某个已追踪文件后，用它能看到具体改了哪些内容。

mention

提及这个文件，我们通常用应用这个文件使用 @。

cc-switch

有的小伙伴可能会有疑问了这么多命令行，好麻烦，另外如果我电脑上想配置多个模型，通过命令行切换就太麻烦了。之前有给大家介绍过使用 claude-code-router，这个是基于 Claude Code 实现多个模型配置方法。本次给大家介绍支持 Claude Code 和 Codex 的一个更简单的工具叫做 cc-switch。

这个开源工具的地址是 https://github.com/farion1231/cc-switch

这个工具支持多个操作系统版本 macOS、Linux、Windows。Windows 安装相对比较简单，下载 EXE 安装即可。

我使用的是 Linux，所以下载 https://github.com/farion1231/cc-switch/releases/download/v3.5.1/CC-Switch-v3.5.1-Linux.deb

安装命令也很简单，执行下面命令：

sudo dpkg -i CC-Switch-v3.5.1-Linux.deb

安装好后我们在 Shell 命令行执行下面命令 cc-switch 弹出对话框。

目前这个工具支持 Claude 和 Codex。

点击添加供应商这里可以弹出支持目前主流的多个供应商。

这个配置也比较简单填写相关信息即可。

上面的配置是基于 Claude 的。

下面是基于 Codex 的，上图配置的模型是 GPT-5，若果配置多个模型可以增加多个配置即可。

使用的时候我们只要启用一个就可以了。

通过这个工具我们就非常方便的切换各个模型，只需要第一次配置即可。

3.Codex MCP 安装

上面给大家介绍了最基本的 Codex 命令，如果想让 Codex 更强大那么必须要给它安装几个 MCP。下面给大家安装几个常见的 MCP。

安装命令如下：

1.Context7

[mcp_servers.context7]
args = ["-y", "@upstash/context7-mcp", "--api-key", "YOUR_API_KEY"]
command = "npx"

2.Playwright MCP

~/.codex/config.toml

[mcp_servers.playwright]
command = "npx"
args = ["@playwright/mcp@latest"]

3.Chrome DevTools MCP

codex mcp add chrome-devtools -- npx chrome-devtools-mcp@latest

4.Sentry

codex mcp add sentry -- npx -y mcp-remote@latest https://mcp.sentry.dev/mcp

5.n8n-MCP

[mcp_servers.n8n]
command = "npx"
args = ["n8n-mcp"]
env = { "MCP_MODE" = "stdio", "LOG_LEVEL" = "error", "DISABLE_CONSOLE_OUTPUT" = "true", "N8N_API_URL": "http://localhost:5678/", "N8N_API_KEY": "eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJzdWIiOiI5NTQ0ZGUwYS1hY2FhLTRmMTAtOWU2MC1lYTdkODliNjc1NWYiLCJpc3MiOiJuOG4iLCJhdWQiOiJwdWJsaWMtYXBpIiwiaWF0IjoxNzYwNDMyMjQ0fQ.2dZNwI6Vxx8cw06sM_dNjaDwrM1efrKYpNbCLdMHmBk" }

上面有些是通过命令行执行安装，有些是通过修改 ~/.codex/config.toml 实现的。安装后的可以在 config.toml 找到安装信息。

安装完成后我们可以在 Codex 查看这个 MCP list。

通过上面截图可以看到我已经安装好几个 MCP 了。其他的 MCP 大家根据自己的需求安装，安装的方法和上面介绍的一样。

4.Codex 实战

接下来我们使用 Codex 来实战一下。

我这里有一个 MD 文档。文档里面有一些图片，图片里面的文字信息我觉得很有意思。我接下来使用 Codex 把这些图片的信息使用多模态的能力识别出来整理出文本信息。例如：

我的提示词内容如下：

请使用 chrome-devtools 这个 MCP 工具提取"假期值班毫无意义为啥就是取消不了.md"文档里面每张图片里面文字内容信息。输出到一个图片提取信息 2.md 文档中显示这个提取图片里面文字内容信息。请基于以上要求执行。全部使用中文。

这里我们使用 MCP 工具抓取页面图片信息实现 OCR 识别。

这个是它运行完之后的结果。这里我们有 2 个识别结果。1 个是下午用 Claude Code 识别的，1 个是 GPT-5-Codex 识别的。

我们使用 BCompare 比较工具比较识别的内容是否有差异。

从比对结果来看，图片识别的文字内容信息应该是差不多的。我们再找一个原图看看，这里我们就找图片 9。

应该是对的上的。

上面我是用一个非常简单的案例使用 Codex 来识别一个文档中带有图片文字的信息，让它把我整理出来。我们就通过非常简单提示词 + MCP 工具就把我要的信息提取出来了。

5.总结

本文主要带大家了解并实现了 Codex 的安装配置与实战应用完整流程，该流程以 OpenAI 开发的 Codex 代码生成模型为核心，结合 Node.js 环境搭建、agentrouter.org 提供的模型服务，搭配 cc-switch 工具的多模型管理能力，形成了一套从环境部署到功能扩展的实用化解决方案。

通过这套实践方案，用户能够低成本体验 Codex 的强大能力 —— 借助简单的安装配置步骤（包括 Node.js 环境搭建、Codex 安装、环境变量与配置文件设置），无需复杂的模型部署成本，就能快速启用 GPT-5、GLM-4.5 等多种模型，无论是基础的代码生成、对话交互，还是通过 MCP 扩展的图片文字识别、浏览器调试等功能，都能通过简洁的命令行操作完成，极大降低了开发者使用 AI 辅助编程的技术门槛。在实际验证中，Codex 能够稳定响应多样化的需求，特别是结合 Chrome DevTools 等 MCP 工具后，有效实现了多模态场景下的信息提取，且成本远低于同类工具。同时，方案具备良好的扩展性 —— 小伙伴们可以基于此扩展更多实用功能，如自动化代码审查、多语言程序调试、文档批量处理等，进一步丰富 Codex 在实际开发场景中的应用价值。

感兴趣的小伙伴可以按照文中提供的步骤进行实践，根据需求配置适合的模型与 MCP 工具。