Codex移动端通过修改配置调用第三方API

背景

Codex 作为 OpenAI 推出的代码智能体工具，其架构设计在底层将身份验证与模型推理进行了分层处理。这种架构上的解耦为高级用户提供了极大的灵活性，但也带来了一定的配置门槛。通常情况下，用户直接使用官方 API Key 或绑定 Plus 账号即可正常使用。然而，随着对成本控制的追求以及对模型多样性的需求增加，部分技术爱好者开始探索如何通过修改本地配置文件，将 Codex 的“模型层”与“验证层”分离。

这一技术路径的核心在于利用 Codex 移动端（Mobile）与桌面端（Desktop）的同步机制，以及其对第三方 OpenAI 兼容接口的支持能力。通过特定的配置修改，用户可以在保留 ChatGPT 账号带来的移动端解锁、插件权限及会员权益的同时，将实际的代码生成和对话请求路由至支持 OpenAI Responses API 协议的第三方中转服务。这不仅降低了使用成本，还解锁了原本受限于官方账号状态的某些高级功能。

核心内容

该教程详细阐述了如何通过修改本地配置文件，实现 Codex 移动端使用第三方中转 API 的技术方案。其基本原理基于 Codex 内部架构的两层解耦：

1. Auth 层（验证层）：负责处理登录状态、Plus 会员验证、插件权限、Mobile 解锁及额度查询。这一层严格依赖用户的 ChatGPT 账号。
2. Model 层（模型层）：负责实际发送对话请求，将用户输入发送至指定模型并获取回复。这一层的行为由 config.toml 中配置的 Provider 决定。

由于这两层目前是解耦的，理论上可以实现“Auth 层保留 ChatGPT 账号以享受权益，Model 层替换为第三方 API 以降低成本或获取模型”的组合模式。

具体实施步骤如下：

准备工作

• 需要一个有效的 ChatGPT 账号（Free 版本即可），用于登录 Codex 移动端以维持远程连接和权益。
• 需要一个支持 OpenAI Responses API 的第三方中转站账号，且该平台需支持 /v1/responses 端点。
• 找到并备份两个关键配置文件：~/.codex/auth.json 和 ~/.codex/config.toml。

第一步：保持登录态 在修改任何配置之前，必须先在 Codex 中正常完成 ChatGPT 账号登录。这一步至关重要，若先修改配置再登录，Auth 层可能会出现异常。

第二步：修改 auth.json 打开 ~/.codex/auth.json，将关键字段调整为：

{"auth_mode":"chatgpt","OPENAI_API_KEY":null}

• auth_mode 设为 "chatgpt"：确保登录验证继续走 ChatGPT 通道。
• OPENAI_API_KEY 设为 null：禁用官方 API Key，防止 Codex 意外调用 OpenAI 官方接口产生高额费用。

第三步：修改 config.toml 在 ~/.codex/config.toml 文件末尾追加第三方 Provider 配置：

[model_providers.xxx]
name = "xxx"
base_url = "https://xxxx.cn" # 填写中转站提供的 URL
wire_api = "responses"
experimental_bearer_token = "sk-xxxx" # 填写第三方 API Key
requires_openai_auth = true
web_search = "live"
supports_websockets = false

• model_provider：指定 Provider 名称，需与 [model_providers.xxx] 中的 xxx 一致。
• model：第三方 API 的模型名，格式为 openai/模型名。
• base_url：第三方 API 地址。
• wire_api：固定填 "responses"，表示遵循 OpenAI Responses API 协议，这是适配 Codex 的关键。
• experimental_bearer_token：第三方 API Key。
• requires_openai_auth：设为 true，这是绕过检测的关键，让 Codex 误以为仍在 OpenAI 体系内。
• web_search 和 supports_websockets：根据中转站支持情况配置，通常设为 live 和 false。

第四步：重启与验证 保存配置后，完全退出并重新打开 Codex。发送测试消息，若正常回复则说明切换成功。可通过第三方 API 控制台的用量记录，或在 Codex 桌面端左下角个人中心查看使用量来验证请求是否确实走通了第三方接口。

关键要点

• 架构解耦是基础：该方案可行性的根本原因在于 Codex 的 Auth 层与 Model 层相互独立，允许分别配置验证源和模型源。
• 配置顺序至关重要：必须先登录 ChatGPT 账号保持 Auth 层有效，再修改配置文件。若顺序颠倒，可能导致 Auth 层失效。
• 关键配置字段：
  • auth.json 中 OPENAI_API_KEY 必须为 null，以屏蔽官方调用。
  • config.toml 中 wire_api 必须为 "responses"，以适配 Codex 的最新协议。
  • requires_openai_auth 设为 true 是维持兼容性的关键。
• 移动端与桌面端同步：配置完成后，Codex 移动端和桌面端互为镜像，共享同一套配置逻辑。
• 副作用与限制：
  • 历史对话丢失：切换 Provider 后，之前的历史对话记录将不可见。这是因为对话记录与 Provider 绑定，更换 Provider 相当于新建会话环境，目前无绕过方法。
  • 功能解锁：此配置可解锁原本灰色的插件，并使快速模式显示闪电图标。
  • 同步问题：电脑端切换中转站 Key 后，手机端可能显示离线，目前尚无完美解决方案，需用户自行探索或等待更新。

意义与影响

这一技术实践揭示了开源或半开源智能体工具在架构设计上的灵活性，同时也反映了用户对成本控制和模型多样性的强烈需求。

1. 降低使用门槛与成本：通过利用 Free 级 ChatGPT 账号维持权益，结合第三方中转 API，用户可以在享受移动端解锁、插件等高级功能的同时，大幅降低模型调用的费用。这对于高频使用 Codex 进行代码开发的开发者而言，具有显著的经济价值。
2. 打破生态壁垒：该方案证明了 Codex 并非完全封闭于 OpenAI 生态。通过适配 OpenAI Responses API 协议，Codex 能够兼容更广泛的模型提供商，促进了模型生态的开放性和竞争性。
3. 技术社区的探索精神：此类教程的流行体现了 AI 开发者社区对底层原理的深入探索。用户不再满足于“开箱即用”，而是倾向于通过修改配置来优化工作流，这种逆向工程和配置调优的能力正成为高级 AI 用户的必备技能。
4. 潜在的风险与不确定性：虽然该方案目前有效，但依赖于非官方的配置修改和中转服务，存在稳定性风险。例如，官方更新可能导致配置失效，或中转服务出现中断。此外，历史对话丢失等副作用也提示用户在进行此类操作前需做好数据备份和心理预期管理。

总体而言，这一方案是技术社区在现有工具限制下，通过理解底层架构实现“曲线救国”的典型范例，为后续类似工具的配置优化提供了参考思路。