Codex 多模型支持实战指南：快速切换 AI 引擎

Codex 提供多种方式切换 AI 模型，满足不同场景的需求。

命令行参数切换

使用 --model 参数临时指定模型：

codex --model o3 "帮我优化这段代码"

这种方式适合临时测试不同模型的效果，无需修改配置文件。

配置文件默认模型

在 config.toml 中设置默认模型：

model = "gpt-5-codex"

这将设置所有 Codex 会话的默认模型。配置文件的详细说明见 docs/config.md。

使用配置文件切换

通过配置文件中的不同配置块切换模型：

[profiles.o3]
model = "o3"
model_provider = "openai"

[profiles.ollama]
model = "llama3.2:3b"
model_provider = "ollama"

然后使用 --profile 参数选择配置：

codex --profile ollama "分析这段代码的性能问题"

这种方式适合在不同项目或任务间快速切换完整的配置集。

模型切换实战案例

案例 1：使用 GPT-5 进行复杂代码生成

对于复杂的代码生成任务，GPT-5 提供了强大的能力：

codex --model gpt-5-codex "实现一个基于 Rust 的 HTTP 服务器，支持 JSON 请求和响应"

GPT-5 模型会生成完整的代码实现，并考虑错误处理、性能优化等方面。

案例 2：使用 Ollama 本地模型处理敏感数据

处理敏感数据时，使用本地 Ollama 模型可以避免数据上传：

codex --profile ollama "分析这份本地日志文件，找出错误信息"

Ollama 模型会在本地处理数据，确保敏感信息不会离开你的设备。

案例 3：项目中切换模型优化工作流

在实际项目中，你可能需要为不同的任务配置不同的模型。例如，在 config.toml 中设置：

[profiles.code-gen]
model = "gpt-5-codex"
model_provider = "openai"

[profiles.code-review]
model = "o4-mini"
model_provider = "openai"
approval_policy = "untrusted"

然后根据任务类型切换：

# 生成代码时使用 gpt-5-codex
codex --profile code-gen "为用户认证模块生成单元测试"
# 代码审查时使用 o4-mini，需要手动批准更改
codex --profile code-review "审查这个 PR 的代码质量和潜在问题"

模型性能优化建议

1. 根据任务类型选择合适的模型，平衡性能和成本
2. 本地模型适合处理敏感数据和简单任务
3. 对于复杂任务，考虑使用 GPT-5 等高级模型
4. 通过 config.toml 调整模型参数，如推理强度和摘要格式：

model_reasoning_effort = "high"
model_reasoning_summary = "detailed"

这些参数会影响模型的推理深度和输出详细程度，根据需求调整可以获得更好的结果。

总结

Codex 的多模型支持为开发者提供了灵活的 AI 工具选择，通过本文介绍的配置和切换方法，你可以根据具体任务选择最适合的 AI 模型。无论是需要强大的代码生成能力，还是关注数据隐私，Codex 都能满足你的需求。

尝试在你的项目中配置和使用不同的 AI 模型，体验多模型支持带来的开发效率提升。如果你有任何问题或建议，欢迎在项目仓库提交 issue 或 PR。