Codex 免费模型配置与实战：从安装到 MCP 扩展

Codex 安装

使用 npm 全局安装 Codex：

npm install -g @openai/codex

安装完成后，我们需要配置代理模型。这里使用 agentrouter.org 提供的免费模型服务，需要设置系统环境变量 AGENT_ROUTER_TOKEN。

编辑配置文件：

sudo vim /etc/profile

在文件末尾添加以下内容（替换为你的令牌值）：

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"
preferred_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

平台提供多种模型可选，例如切换到 GLM-4.5 模型，只需修改配置中的 model 字段：

model = "glm-4.5"
model_provider = "openai-chat-completions"
preferred_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 = {}

接下来创建 ~/.codex/auth.json 文件，加入申请的 KEY：

{"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 的安装和基础设置。

Codex 验证测试

在命令行窗口输入 codex 启动：

进入 Codex Shell 窗口后，随便输入内容即可开始交互：

至此，基本的 Codex 环境已搭建成功。

Codex 常用命令

熟悉 Claude Code 的用户会发现很多命令是类似的。以下是几个常用指令的说明：

Model

可以选择模型速度（高、中、低），默认即可满足大多数需求。

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

审查功能用于查看代码变更质量：

• 审查未提交的更改：查看尚未提交到版本控制系统的代码修改内容。
• 审查一次提交：针对已完成提交的某次记录进行审查，聚焦单次改动。
• 针对基准分支进行审查：将当前代码与指定基准分支（如 main）对比，常用于合并前检查。
• 自定义审查说明：允许根据项目需求自定义审查规则或流程。

New

开启一个新的聊天对话。

Init

初始化项目配置，自动生成文档定义 Codex 的操作规则和工作流程。

Compact

总结对话，压缩上下文以避免达到限制。

Diff

查看 Git 代码差异，默认功能是查看已追踪文件的未提交改动。

Mention

提及特定文件，通常使用 @ 符号调用。

3. 多模型切换工具 cc-switch

如果需要在多个模型间频繁切换，手动修改配置文件比较麻烦。可以使用开源工具 cc-switch，它支持 Claude Code 和 Codex，兼容 macOS、Linux 和 Windows。

工具地址：https://github.com/farion1231/cc-switch

Windows 用户可直接下载 EXE 安装。Linux 用户可下载 .deb 包：

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

安装好后，在 Shell 执行 cc-switch 弹出对话框：

点击添加供应商，支持主流多个供应商配置。填写相关信息即可完成设置。

配置界面分为基于 Claude 和基于 Codex 两种模式。上图配置的是 GPT-5，若需配置多个模型，增加相应配置项即可。

使用时只需启用一个模型，通过图形化界面即可方便切换，无需重复配置命令行。

4. Codex MCP 安装

为了让 Codex 更强大，建议安装一些 MCP（Model Context Protocol）服务。以下是常见 MCP 的安装方法：

1. context7

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

2. Playwright MCP

编辑 ~/.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..." }

部分通过命令行安装，部分需修改配置文件。安装后可在 config.toml 中查看信息。

安装完成后，可在 Codex 中查看 MCP 列表：

可根据实际需求安装更多 MCP 服务。

5. Codex 实战

接下来演示 Codex 的实际应用场景。假设有一个 MD 文档，其中包含图片，我想提取图片中的文字信息。

原始文档示例：

使用提示词调用 Chrome DevTools MCP 工具：

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。

这里利用 MCP 工具抓取页面图片信息实现 OCR 识别。

运行结果对比：一个是之前用 Claude Code 识别的，一个是 GPT-5-Codex 识别的。

使用 BCompare 比较工具查看识别内容的差异：

从比对结果来看，图片识别的文字内容基本一致。再找原图核对（如图 9），确认识别准确。

通过这个简单案例，我们仅通过提示词 + MCP 工具就实现了文档中图片信息的自动提取和整理。

6. 总结

本文介绍了 Codex 的安装配置与实战应用完整流程。核心在于结合 AgentRouter 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 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。方案具备良好的扩展性，开发者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。