Codex发布后，OpenAI Codex在Reddit举行了AMA（Ask Me Anything）活动

在这场 1 小时的 AMA 中，Codex 核心研发和研究负责人围绕 ：为什么先推云端代理、CLI 为何用 TypeScript、未来多语言绑定与 IDE 插件、GPT-5 与 Operator 的整合、定价与 API 计划、安全沙箱、最佳实践 等问题给出了清晰路线图：

Codex-1 目前是「云端沙箱 + ChatGPT 原生入口」的研究预览，面向大仓库 + 测试驱动工作流效果最佳；

CLI 走开源 + API 计费，本体将在 Plus/Pro 长期集成并提供“弹性”付费；

短期不会给代理外网，但已支持 --approval-mode full-auto；

他们希望 10 年内实现“按规格即可落地可靠软件”，并把 Codex、Operator、Deep Research、Memory 等工具融合为一套完整代理体系

详细 Q&A

Codex产品定位与长期愿景

1 .为什么先做云端

本地 CLI 因单机算力与线程受限，只适合轻量任务；云端可并行跑多个容器并隔离风险，是先发形态

10 年愿景：给出“合理规格说明”即可在可观时间内得到可靠软件；云端并行 + 沙箱是实现路径。

2 .GPT-5 与 Codex、Operator 等工具是什么关系？

GPT-5 是下一代“统合”模型，目标是把 Codex、Operator、Deep Research、Memory 等工具融合成“一体化桌面代理”，真正替用户在电脑上执行任务

CLI 设计与多语言计划

之所以选 TypeScript，是作者 @pourlefou 最熟悉且擅长做终端 UI；很快将提供高性能引擎并做多语言绑定

Codex使用场景与最佳实践

最擅长：大仓库 + 明确单元测试；拆小任务优于一句“帮我造一个 App”

Ask → Code 工作流：先用 Ask Mode 解析设计文档自动拆任务，再交给 Code Mode；AGENTS.md 里写测试/格式化/提交模板可显著提升成功率

Ask vs Code 边界：当前由用户显式切换，两种模式各跑独立容器，后续将探索带“记忆”的自适应流程并支持多 repo

任务上限：ChatGPT 版默认允许单任务跑满一小时，以保障解决复杂问题

安全模型与联网策略

代理获得运行时后即断网，只用本地 repo 与预加载文件，确保可审计输出；未来会逐步开放“安全联网”

CLI 已支持 --approval-mode full-auto，但仍处于云端沙箱中——放权与安全会一起前进

接入方式与计费

CLI：开源，需要正常 API 计费；不会因为你是 Pro 就免 token

ChatGPT 内的 Codex：

Pro/Team/Enterprise 用户两周内享“慷慨配额”；Codex 将长期集成 Plus/Pro，并提供灵活付费选项（不限量+按需）

正在面向 Pro 用户逐步灰度；移动端支持“在网页里用”，App 原生入口“很快上线”

API 与生态路线

Codex-1 目前仅适配 ChatGPT UI，不直接开放 API；团队正努力让代理能通过 API 调用，并支持更多 Git 托管与工作流工具

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】