Codex 技术实现与传统 Harness 对比

本文把产品体验、公开文档、固定源码、离线 Demo 和真实 API 接线分开讨论。代码示例用于教学，不代表 Codex 的内部实现。

核查日期：2026-09-10。对象：用户提供的 2026-09-07 社交媒体截图。这段话的技术主旨是：编码 Agent 的能力不只来自模型，还来自承载模型的运行时、工具执行协议、上下文管理、记忆和交互系统；如果这些机制与模型训练相匹配，Agent 可以更高效地完成长任务。这个主旨值得学习，但截图中的厂商贬损、绝对排名、原创性判断，不能直接当面试结论。本文按”原话是什么意思 → 公开证据 → 工作原理 → 如何实现 → 与基础 Harness 对比 → 面试追问”展开。代码是原创教学实现，不冒充 Codex 内部代码；真实 API 示例单独标注。你只保存这一份 Markdown，也能获取全部教程与代码。

阅读导航

1. 截图中的每一条说法，哪些可以直接相信？

下面的”已核实”只表示公开资料或源码支持这一机制，不表示所有账号、平台、版本均已启用，也不表示它在你的任务上必然更好。截图里异步工具调用的一段重复出现，本文合并解释。

截图说法	核查结论	面试中应怎么说
Codex Desktop UI/UX 定义了 Agent GUI 规范	主观评价，无行业统一规范证据	可以分析其任务、事件、审批、差异审查如何减少交互成本
V2 使用 App Server，统一 runtime host	App Server 接口与共享宿主方向有公开依据；“V2”不能直接解释为所有产品的第二代架构	统一运行时契约，让不同客户端复用任务状态与执行能力
CLI 可以连接别人部署的 App Server	官方文档有 remote CLI 用法	客户端与执行宿主可分离；远程连接还涉及认证、版本和工作区权限
Claude Code 一个 session 一个 bun，因此架构落后	本次证据不足以验证该内部实现概括；语言和进程数量也不能直接证明架构优劣	比较故障隔离、资源复用、状态恢复和生命周期
各种 Harness benchmark 都是最好的一批	缺少榜单版本、日期、模型与运行配置，不能整体确认	成绩属于模型与 Agent 系统组合；不能只归因给 Harness
Astra 可异步调用工具、边执行边推理	当前官方文档明确支持	`async: true` 允许模型在工具未返回时继续独立工作，执行与 pending 状态仍由应用管理
异步能力来自后训练	能确认产品行为；无法据此还原训练数据、奖励或优化算法	模型需要学会依赖识别、等待和迟到结果处理；训练配方未公开
服务端上下文压缩，窗口较短但效果好	压缩机制有依据；效果和”窗口短”需明确模型与实验	区分标称窗口、有效工作集、压缩质量和任务成功率
Responses API mid-turn steering	当前有正式说明与事件协议	已接收、已生效、已完成是不同状态；也不会撤销已执行动作
Computer Use 全球第一	本次未核实一个涵盖所有任务的统一排名	解释感知—动作—反馈闭环，排名需绑定具体 benchmark
Context Windows 用滑动而不是压缩	源码有无摘要新窗口与历史检索，也仍有压缩实现	新窗口、历史检索、压缩可以并存；不可说”Codex 已完全不用压缩”
Memory 最先进、最无感，并且会 dreaming	后台记忆提取和整合有公开依据；“最先进”属评价	dreaming 可作为离线整合记忆的比喻，不是睡眠意识或在线更新模型权重
PTC / Code Mode 配合模型更强	两类机制都有文档/源码；具体增益要实验	让代码承担可确定的数据处理和编排，让模型处理语义决策
MCP 很初级，Plan Mode 已是历史糟粕	价值判断，并非工程事实	MCP 管连接与能力交换；Plan Mode 管协作阶段，是否有效由任务决定

证据入口：App Server、Astra 能力说明、Memories。具体实现证据在各章附近给出。

1.1 三个不能混淆的”Codex”

模型：例如 gpt-6-astra，负责生成文本、工具请求和其他模型输出。
Agent Runtime / Harness：接收模型输出、执行工具、保留状态、控制权限、处理失败。
产品客户端：桌面 App、CLI、IDE 等，负责向用户呈现任务与接受操作。

把产品体验好直接说成”模型架构先进”，或者把某个 API 功能当成”桌面 App 独创”，都是跨层归因。

1.2 本文的证据边界

公开源码固定在 openai/codex commit ddea03ad049142943bdbf13e937b1d67e8c1ba0c，提交时间为 2026-09-10 03:40:55 UTC。它是本次读取的 main 快照，不等于本机已安装二进制的构建提交。本机验证环境为 Codex CLI 0.153.4、Python 3.14.7、Node.js 26.7.0。源码中的 handler、类型或测试存在，只能证明该代码路径存在。判断默认启用、实际路由、账号可用性，还需继续查 feature gate、注册条件、发布说明和运行轨迹。没有拿到官方后台、训练日志或跨平台内部部署图，本文不会补写这些细节。

2. 先理解 Harness：不是包一层 Prompt 就完了

2.1 最基础的 Agent 循环

假设用户说：“修复登录测试失败。“模型并不能直接改变文件系统。它生成”读文件""运行测试”等请求，由外部程序执行，把结果交回模型，循环继续。下面是教学伪代码，用于说明基础串行 Harness，不是某家厂商当前实现：

history = [user_request]
for step in range(max_steps):
    output = model.generate(history, tool_definitions)
    history.extend(output.items)
    if output.tool_calls:
        for call in output.tool_calls:
            validate_schema(call)
            authorize(call)
            result = execute(call)
            history.append(tool_result(call.id, result))
    else:
        return output.final_answer
raise BudgetExceeded()

这已构成一个 Agent，但还没有可靠解决：用户半途改需求、测试需要几分钟、历史超出窗口、进程崩溃、工具超时、任务重连、多客户端观察、权限撤回、跨任务记忆等问题。

2.2 一套工程上可用的分层

这是本文的概念分层，不是逐一对应 Codex 的进程部署图。“Runtime”和”Harness”的边界在不同团队里不完全一致：有的团队把全部外层系统都叫 Harness，有的把执行环境叫 Runtime，把循环和策略叫 Harness。面试时先约定术语，比争论命名更重要。

层	负责什么	不应让它独自负责什么
模型	理解目标、选择行动、处理语义	不能凭一句”已经成功”替代工具证据
Harness	把模型决策变成可控的状态转换	不应把工具返回文本当最高优先级指令
工具执行器	校验、授权、执行、输出	不负责决定业务是否真的完成
状态存储	事件、任务、工件引用、恢复信息	不应只保留 UI 展示文本
上下文管理	为下一次推理挑选可用信息	不等于完整历史数据库
客户端	展示进度、接受反馈、审阅结果	不能仅凭 HTTP 200 就显示”任务完成”

2.3 三类状态必须分开

对话状态：用户说过什么，模型输出过什么
执行状态：哪些工具在跑，谁持有权限，哪些动作已经提交
环境状态：磁盘文件、数据库记录、浏览器页面现在是什么样

对话回滚不等于文件回滚；中断模型不等于杀掉子进程；历史摘要写”测试通过”不等于测试针对最新代码。后面所有机制都建立在这三个区分上。

指南

Codex 与 Harness

Codex 技术实现与传统 Harness 对比

阅读导航

1. 截图中的每一条说法，哪些可以直接相信？

1.1 三个不能混淆的”Codex”

1.2 本文的证据边界

2. 先理解 Harness：不是包一层 Prompt 就完了

2.1 最基础的 Agent 循环

2.2 一套工程上可用的分层

2.3 三类状态必须分开

​阅读导航

​1. 截图中的每一条说法，哪些可以直接相信？

​1.1 三个不能混淆的”Codex”

​1.2 本文的证据边界

​2. 先理解 Harness：不是包一层 Prompt 就完了

​2.1 最基础的 Agent 循环

​2.2 一套工程上可用的分层

​2.3 三类状态必须分开

阅读导航

1. 截图中的每一条说法，哪些可以直接相信？

1.1 三个不能混淆的”Codex”

1.2 本文的证据边界

2. 先理解 Harness：不是包一层 Prompt 就完了

2.1 最基础的 Agent 循环

2.2 一套工程上可用的分层

2.3 三类状态必须分开