全端支持第三方模型！Codex 深度配置与避坑实战指南

OpenAI 旗下的 Codex 现已在全端（含 CLI 与桌面客户端）正式开放第三方模型接入。

开发者可以通过自定义配置文件，自由接入各类开源或闭源模型。

本文将详细拆解 Codex 的配置流程、协议兼容方案、本地与云端模型接入步骤，并提供完整的避坑指南。

---

协议升级：理解 Codex 的 Responses API

在 2026 年的更新中，Codex 彻底废弃了传统的 Chat Completions 协议。

目前 Codex 全端已全面采用全新的 Responses API 协议。

Responses API 专为 Agent 交互设计，支持更复杂的工具调用、多模态输入和状态管理。

这就带来了一个核心问题：许多仍在使用 Chat Completions 协议的第三方模型（如 DeepSeek 官方接口）无法直接直连。

要解决这个问题，我们需要通过兼容层、支持新协议的网关或多模型聚合平台进行转接。

在配置之前，我们先来看看如何接入已经原生支持该协议的本地模型。

---

本地模型接入实战：Ollama 与 LM Studio

如果你希望在本地完全离线运行代码助手，Ollama 和 LM Studio 是极佳的选择。

1. Ollama 配置步骤

新版 Ollama 已经原生支持 Responses API 协议。

打开你的 Codex 配置文件 config.toml，添加以下配置：

model = "qwen2.5-coder:32b"
model_provider = "local_ollama"

[model_providers.local_ollama]
name = "Ollama"
base_url = "http://localhost:11434/v1"

由于本地服务运行在局域网内，默认没有鉴权，因此无需配置 env_key。

你也可以直接使用命令行参数快速启动：

codex --oss

2. LM Studio 配置步骤

LM Studio 是 Codex 内置支持的本地供应商。

在配置文件中指定：

model_provider = "lmstudio"

或者在启动时指定默认的本地供应商：

oss_provider = "lmstudio"

---

云端第三方模型接入与协议适配

对于无法直接支持 Responses API 的云端模型，我们需要使用多模型聚合平台或协议转换网关。

方案一：使用 OpenRouter 转接

OpenRouter 在网关侧实现了 Responses API 的转换。

在 OpenRouter 控制台绑定你的目标模型 API Key 后，在 config.toml 中配置：

![简短描述](完整URL)

![描述](URL)

toml
model = "deepseek/deepseek-v4-pro"
model_provider = "openrouter"

[model_providers.openrouter]
name = "OpenRouter"
base_url = "https://openrouter.ai/api/v1"
env_key = "OPENROUTER_API_KEY"

在终端中导出环境变量：

export OPENROUTER_API_KEY=sk-or-your-key

你也可以在运行时临时切换模型：

codex --profile openrouter --model anthropic/claude-sonnet-4-6

方案二：使用 OpenAI Compatible API 演示环境配置

为了方便大家理解如何在 Codex 中配置兼容 OpenAI 格式的第三方模型服务，本文以 iThinkAPI 作为演示环境进行讲解。

Codex 支持通过标准 OpenAI Compatible API 接入各类主流模型。

在实际配置时，我们主要需要关注 API Key、Base URL 以及模型名称。

以下是 Codex 接入第三方模型服务的标准配置块：

Base URL：https://token.ithinkai.cn/v1
API Key：YOUR_API_KEY
Model：以服务文档为准，最新模型 gpt-5.5、claude-opus-4-8、gpt-image-2 等可按文档查看；涉及图片生成时，以 0.05¥/图起、2k/4k 支持等服务文档说明为准。

为了让 Codex 能够顺利调用这些模型，我们需要完成以下两个关键配置步骤：

第二步：挑选模型与确定分组

首先，登录你的多模型聚合平台控制台，进入“模型广场”。

在搜索框中输入 gpt、claude 或 image 等关键词，筛选出你当前任务所需的模型。

确认该模型对应的分组或线路。

需要注意的是，同一个模型在不同的分组或线路下，其响应速度、调用额度以及可用状态可能会有所差异。

具体的模型列表和分组规则，请务必以平台的实时服务文档为准。

第三步：创建 API 令牌

确定好模型和分组后，进入控制台的“令牌管理”页面。

点击“添加令牌”按钮，创建一个新的 API Key。

在创建时，记得将该令牌绑定你在第二步中选中的模型分组。

如果你不确定具体的模型限制，可以先将限制条件留空。

令牌创建成功后，复制生成的 API Key。

回到本地的 Codex 配置文件中，将 Key 填入对应的 env_key 字段，并配置好 Base URL 和 Model 名称，即可进行连接测试。

---

90+ 配置项如何管理？可视化工具实战

随着 Codex 功能的演进，其配置选项已多达 98 个。

手动修改 config.toml 不仅低效，还容易出现格式错误。

为了简化这一过程，推荐使用可视化的 Codex 图形配置工具。

该工具实时同步了官方最新的 Codex 配置字段，并为每一条配置增加了详细的中文注解。

通过可视化界面，你可以轻松完成最简化的基础配置。

配置完成后，支持一键下载配置文件或直接复制内容。

将生成的配置文件保存到本地的 .codex 目录中即可直接生效。

可视化配置工具访问地址：https://codexapp.cc

---

混合模型工作流与成本核算

在实际的开发场景中，合理搭配不同的模型可以达到效率与成本的平衡。

1. 规划阶段（高级模型）

在项目规划、架构设计或复杂 Bug 排查阶段，建议配置高智能的模型（如 gpt-5.5 或 claude-opus-4-8）。

这类模型能够更好地理解复杂的上下文和业务逻辑，给出更合理的整体方案。

2. 执行阶段（轻量模型）

在具体的代码生成、单测编写或格式化任务中，可以切换为响应速度更快的开源模型（如 Qwen2.5-Coder）或高性价比的云端模型。

通过在 .codex 配置文件中设置不同的 Profile，可以实现一键切换，从而优化 Token 消耗。

---

常见报错与排错指南

在配置第三方模型时，以下几个坑点需要特别注意：

1. 报错：400 Bad Request (Protocol Mismatch)

• 原因：你接入的第三方 API 仅支持传统的 Chat Completions 协议，而 Codex 强制要求 Responses API 协议。
• 排查：检查你的 Base URL 是否经过了协议转换网关，或者确认该供应商是否已适配新协议。

2. 报错：Connection Refused (本地模型无法连接)

• 原因：Ollama 或 LM Studio 的本地服务未启动，或者绑定的端口（如 11434）被占用。
• 排查：在终端运行 curl http://localhost:11434/v1/models 测试本地服务是否正常响应。

3. 报错：401 Unauthorized

• 原因：环境变量未正确加载，或 API Key 填写错误。
• 排查：在终端运行 echo $OPENROUTER_API_KEY（或你自定义的环境变量名），确认 Key 已正确写入当前 Shell 环境。

---

总结

Codex 全端开放第三方模型接入，为开发者提供了极大的自由度。

无论是通过 Ollama 部署本地私有模型，还是通过多模型聚合平台调用云端大模型，合理的配置都能让你的 AI 编程体验翻倍。

建议结合可视化配置工具，根据不同的开发阶段灵活切换模型，从而达到性能与成本的最佳平衡。