Codex 模型切换实战指南：用不同 AI 模型精准匹配你的编程场景

引言

Codex CLI 默认使用 OpenAI 最新的旗舰模型，但在实际开发中，不同的编程任务对 AI 模型的要求差异很大——有些场景需要极致的代码生成质量，有些场景更看重响应速度和成本控制，还有些场景则需要特定模型的独特能力（如更强的推理能力或更大的上下文窗口）。

Codex 提供了一套灵活的模型切换机制，允许开发者在不同模型之间自由切换，实现场景 × 模型的最优匹配。本文将系统介绍 Codex 的模型体系、切换方式、配置方法，并通过实际案例展示如何在不同任务中选择最合适的模型。

Codex 支持的模型体系

截至当前版本，Codex 支持通过 ChatGPT 订阅计划 或 OpenAI API Key 两种方式接入模型。

ChatGPT 订阅内置模型

使用 ChatGPT Plus / Pro / Business / Enterprise 账号登录 Codex 时，会根据订阅等级自动获得对应的模型配额：

| 订阅级别 | 典型可用模型 | 特点 |
|---------|-------------|------|
| Plus | GPT-4o, GPT-4o-mini | 日常开发主力，平衡质量与速度 |
| Pro | GPT-4o, o3-mini, o4-mini | 增加了推理模型，适合复杂逻辑 |
| Enterprise | 全部旗舰模型 | 无限制访问，适合团队使用 |

API Key 接入模型

通过 codex --api-key 或设置 OPENAI_API_KEY 环境变量，可以使用 API 方式接入模型。这种方式下，可以访问所有 OpenAI API 公开的模型：

• GPT-4o / GPT-4o-mini：通用编程模型，适合绝大多数任务
• o3-mini / o4-mini：推理增强模型，在复杂算法、数学推理上表现突出
• GPT-4.1 / GPT-4.1-mini：最新代码生成模型，在代码质量和指令跟随上进一步优化

模型切换的三种方式

方式一：命令行参数切换

最直接的方式是在启动 Codex 时通过命令行参数指定模型：

# 使用 GPT-4o（默认）
codex

# 切换到 GPT-4o-mini（更快、更省资源）
codex --model gpt-4o-mini

# 使用推理模型处理复杂逻辑
codex --model o3-mini

# 在非交互模式下指定模型
codex exec --model gpt-4o-mini "重构 src/utils.js 中的函数，提取公共逻辑"

使用命令行参数的优势是即时生效，不修改配置文件，适合临时的模型切换需求。

方式二：配置文件持久化

在项目根目录的 .codex/config.toml 中设置默认模型：

# .codex/config.toml
[model]
default = "gpt-4o"

或者在全局配置中设置（~/.codex/config.toml）：

# ~/.codex/config.toml
[model]
default = "gpt-4o-mini"

项目级配置的优先级高于全局配置，命令行参数又高于项目级配置，实际解析顺序为：

命令行参数 > 项目级 .codex/config.toml > 全局 ~/.codex/config.toml > 系统默认值

方式三：会话内动态切换

在 Codex 交互式会话（TUI 模式）中，可以通过斜杠命令动态切换模型：

/model gpt-4o-mini
/model o3-mini
/model            # 查看当前模型和可用模型列表

你也可以在会话中使用快捷键查看和切换模型。这种方式的优势是无需重启会话，适合在一个工作流中根据不同步骤灵活切换。

不同场景下的模型选择策略

场景一：日常代码编写

推荐模型：GPT-4o-mini

日常的 CRUD 开发、简单函数实现、注释编写等任务不需要最强的模型。使用 GPT-4o-mini 可以显著提升响应速度，同时降低 API 调用成本。

codex --model gpt-4o-mini

实测对比（以生成一个 REST API 接口为例）：

| 模型 | 响应时间 | 代码质量 | 推荐场景 |
|------|---------|---------|---------|
| GPT-4o | ~3s | ★★★★★ | 复杂业务逻辑 |
| GPT-4o-mini | ~1s | ★★★★☆ | 日常开发 |
| o3-mini | ~5s | ★★★★★ | 算法与推理 |

场景二：复杂算法与逻辑推理

推荐模型：o3-mini 或 o4-mini

当你需要实现复杂的数据结构、算法优化、或解决需要多步推理的问题时，推理增强模型的优势非常明显。

codex --model o3-mini

实际案例——实现一个并查集（Union-Find）数据结构：

用户：帮我实现一个带路径压缩和按秩合并的并查集，并写测试用例

o3-mini 输出：提供了完整的实现 + 边界测试 + 性能分析注释
GPT-4o-mini 输出：提供了基本实现，但路径压缩细节不够完善

场景三：大规模代码重构

推荐模型：GPT-4o

大规模重构需要模型对项目有全局理解，GPT-4o 拥有更大的上下文窗口和更强的代码理解能力，适合处理跨文件的复杂重构任务。

# 配合 exec 模式，批量重构
codex exec --model gpt-4o "
将 src/services/ 目录下所有文件中的 fetch 调用改为使用统一的 request 封装，
保持原有错误处理逻辑不变
"

场景四：API 自动化与 CI/CD 集成

推荐模型：GPT-4o-mini

在自动化流水线中，速度和稳定性优先于极致的生成质量。GPT-4o-mini 的低延迟特性使其非常适合 CI/CD 场景：

# .github/workflows/codex-review.yml
steps:
  - name: AI Code Review
    run: |
      codex exec --model gpt-4o-mini \
        "审查 PR #${{ github.event.pull_request.number }} 的代码变更，生成简洁的审查报告"

场景五：文档与测试生成

推荐模型：GPT-4o-mini

生成单元测试、API 文档、README 等辅助性任务对模型能力要求不高，使用轻量模型可以节省大量成本：

# 为指定文件生成测试
codex exec --model gpt-4o-mini \
  "为 src/handlers/user.go 中的每个公开函数生成表驱动测试，覆盖正常和异常路径"

模型选择决策框架

下面的流程图可以帮助你快速做出模型选择：

任务类型判断
    ├── 包含复杂算法 / 多步推理
    │   └── → o3-mini 或 o4-mini
    ├── 大型重构 / 跨文件操作 / 需要深度理解项目
    │   └── → GPT-4o
    ├── 日常开发 / 简单功能 / CRUD
    │   └── → GPT-4o-mini
    ├── CI/CD 自动化 / 代码审查
    │   └── → GPT-4o-mini
    └── 探索性任务 / 不确定难度
        └── → GPT-4o（先用好模型确认需求，再切换到轻量模型批量执行）

实战：模型切换工作流

假设你正在开发一个电商系统的订单模块，典型的工作流可能是这样的：

# 第1步：分析需求，设计接口——需要强推理能力
codex --model o3-mini
> 分析 order-service 的需求，设计 REST API 接口和数据库表结构

# 第2步：实现核心逻辑——中等难度，切换回默认模型
/model gpt-4o-mini
> 根据上面的设计，实现 OrderService 的 createOrder 方法

# 第3步：处理复杂的库存扣减并发逻辑——需要推理
/model o3-mini
> 用 Redis 分布式锁实现库存扣减的并发控制，防止超卖

# 第4步：生成 CRUD 接口和测试——轻量任务
/model gpt-4o-mini
> 为 OrderController 生成完整的 CRUD 操作和单元测试

查看与管理模型状态

查看当前使用的模型

在 Codex 会话中使用：

/model

输出示例：

Current model: gpt-4o-mini
Available models:
  - gpt-4o
  - gpt-4o-mini
  - o3-mini
  - o4-mini

通过配置管理模型预算

如果你使用 API Key 方式接入，可以通过预算控制来限制不同模型的调用频率和成本：

# .codex/config.toml
[budget]
max_daily_spend_usd = 10.0

[model]
default = "gpt-4o-mini"
high_quality = "gpt-4o"
reasoning = "o3-mini"

在 Agent 指令中可以引用这些配置：

# AGENTS.md
## 模型使用规则

- 对于标记为 `@complex` 的任务，使用 reasoning 模型（o3-mini）
- 对于标记为 `@refactor` 的任务，使用 high_quality 模型（gpt-4o）
- 其余任务统一使用 default 模型（gpt-4o-mini）

模型切换的最佳实践

1. 分层使用，按需选择

不要所有任务都用同一个模型。将任务分层，低成本任务用轻量模型，高价值任务用旗舰模型：

任务层级          模型选择          成本（相对）
─────────────────────────────────────────────
L1: 文档/注释     gpt-4o-mini       ★☆☆☆☆
L2: 日常开发       gpt-4o-mini       ★☆☆☆☆
L3: 代码审查       gpt-4o-mini       ★☆☆☆☆
L4: 重构/架构      gpt-4o            ★★★☆☆
L5: 算法/推理      o3-mini           ★★★★☆

2. 利用项目级配置统一团队模型策略

在团队项目中，将模型配置提交到代码仓库可以确保所有成员使用一致的模型策略：

# .codex/config.toml——提交到 Git 仓库
[model]
default = "gpt-4o-mini"

[model.task_mapping]
complex_algorithm = "o3-mini"
large_refactor = "gpt-4o"
routine = "gpt-4o-mini"

3. 监控与调整

定期回顾模型使用情况和效果：

• 如果响应太慢：切换到更轻量的模型
• 如果生成质量不达预期：尝试更强模型或推理模型
• 如果 API 费用过高：增加轻量模型的使用比例

4. 环境变量控制模型

对于跨项目或临时场景，可以通过环境变量覆盖模型设置：

# 临时使用推理模型处理复杂任务
export CODEX_MODEL=o3-mini
codex exec "实现一个 LRU 缓存，要求 O(1) 时间复杂度"

# 全局默认使用轻量模型
echo 'export CODEX_MODEL=gpt-4o-mini' >> ~/.bashrc

模型能力对比速查表

| 维度 | gpt-4o-mini | gpt-4o | o3-mini |
|------|-----------|--------|---------|
| 代码生成质量 | ★★★★☆ | ★★★★★ | ★★★★★ |
| 推理能力 | ★★★☆☆ | ★★★★☆ | ★★★★★ |
| 响应速度 | ★★★★★ | ★★★★☆ | ★★★☆☆ |
| 上下文窗口 | 128K | 128K | 200K |
| API 成本 | $0.15/1M tokens | $2.50/1M tokens | $1.10/1M tokens |
| 最佳场景 | 日常开发、自动化 | 重构、架构设计 | 算法、数学推理 |

*注：价格为输入 token 的参考值，具体以 OpenAI 官方定价页为准。*

常见问题

Q: 使用 ChatGPT 订阅和 API Key 在模型选择上有区别吗？

有。ChatGPT 订阅模型的可用范围由订阅等级决定，但不受 API 配额限制；而 API Key 可以访问所有公开模型，但按使用量计费。

Q: 可以同时使用多个模型吗？

Codex 当前每次会话绑定一个模型，但可以通过 codex exec 在多个终端会话中并行使用不同模型处理不同任务。

Q: 模型切换后会话上下文会丢失吗？

不会。在同一个 Codex 会话中使用 /model 切换模型时，历史对话上下文会保留完整。

总结

Codex 的模型切换机制赋予了开发者精细化的 AI 工具选择能力。掌握模型切换，意味着你能在不同场景下实现成本、速度和质量的最优平衡：

• GPT-4o-mini 是日常开发的主力军，速度快、成本低；
• GPT-4o 适合需要深度理解和高质量生成的重型任务；
• o3-mini / o4-mini 则是处理复杂算法和逻辑推理的秘密武器。

在实际工作中，建议建立一个"模型分层使用策略"，将不同难度的任务分配到合适的模型上。这不仅能显著提升开发效率和代码质量，还能有效控制 AI 使用成本，是每一位 Codex 高级用户都应当掌握的技能。