万字长文讲透Codex的使用方法:保姆级教学

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

Codex 这种东西,直觉告诉你应该是程序员用的。但最先玩转它的那批人,是产品经理、运营、自媒体博主、大学生、个体户老板——没几个会写代码的。

因为程序员用它,是从 80 分到 95 分。你不会写代码,是从 0 分直接到 60 分。那个跨越感,完全不一样。

黄仁勋讲得更直白:一个年薪五十万刀的工程师,一年用不了二十五万 token,那才不正常。token 不是成本,是生产资料。以前工厂烧煤,今天知识工作烧算力。你不用,别人用。

别再只把 AI 当聊天机器人了。ChatGPT 陪你唠嗑,Codex 替你干活。两个东西。

今天老王从注册、安装到每种使用方式的页面拆解,全部配截图。不需要编程基础,跟着走一遍,让 AI 开始替你干活。

01
PART Codex 是什么

Codex 是 OpenAI 推出的 AI 编程 Agent。它跟普通 ChatGPT 对话不一样,Codex 能直接在你的电脑上创建文件、修改代码、运行命令、安装依赖、部署网站。

你说需求,它干完活,你审核结果。

用 Codex 能做这些事。

Codex 不等于 ChatGPT。ChatGPT 只能给你文字建议,Codex 能直接动手改你的项目文件、跑终端命令。

02
PART 注册与订阅

Codex 不单独收费,包含在 ChatGPT 套餐里。你需要有一个 ChatGPT 付费账号。

1 注册 Google 账号

打开 https://accounts.google.com/signup ,按提示填写信息。

注册时需要手机号验证,国内手机号 +86 开头可以正常收到验证码。注册完成后你就有了一个 Gmail 邮箱。

如果已经有 Google 账号,跳过这一步。

2 注册 OpenAI 账号

打开 https://chatgpt.com/ ,用刚才注册的 Gmail 邮箱注册 OpenAI 账号。国内手机号也可以用来验证。

注意,OpenAI 对部分 IP 有限制。如果注册时提示不可用,换个网络环境再试。

3 套餐选择

4 订阅方法,推荐安卓 Google Play

ChatGPT Plus 最稳的订阅方式是通过安卓手机上的 Google Play 支付。下面是完整流程。

第一步,准备一台安卓手机

没有安卓手机的话,可以在电脑上装一个安卓模拟器,比如 MuMu 模拟器或雷电模拟器。

第二步,在手机上登录 Google 账号

打开手机设置,找到「账号」或「账户」,添加 Google 账号,用 2.1 里注册的 Gmail 登录。

第三步,给 Google Play 添加支付方式

打开手机上的 Google Play 商店,点击右上角头像,进入「付款和订阅」、「付款方式」,添加一张信用卡或借记卡。

国内银行发行的 Visa 或 MasterCard 信用卡大部分可以用。如果没有外币信用卡,可以在淘宝购买 Google Play 礼品卡充值。

第四步,安装 ChatGPT App

在 Google Play 商店搜索「ChatGPT」,下载安装。注意区分,OpenAI 官方的 ChatGPT 图标是绿色底白色线条,别下错了。

第五步,登录并订阅

打开 ChatGPT App,用 2.2 里注册的 OpenAI 账号登录。登录后点击左下角的「Upgrade plan」,选择 Plus 套餐,支付方式选 Google Play。

价格显示为 $19.99/月,Google Play 会自动按当月汇率扣款。

优先用安卓 Google Play 订阅。有国内 Visa 或 MasterCard 信用卡直接绑卡最省事,没有的话买 Google Play 礼品卡充值也一样。不推荐淘宝代充,账号容易被封。

03
PART Codex 的四种使用方式

Codex 提供了四种入口,针对不同使用习惯。

四种方式共用一个账号、共享额度,选一个最顺手的就行,不用全装。

04
PART 安装分步教学

1 Web 网页端,零安装

直接用浏览器打开 https://chatgpt.com/codex

登录你的 ChatGPT 账号,即可在网页里使用 Codex。

优点是不用装,任何电脑打开就能用。缺点是不能直接访问你电脑上的本地文件夹,需要手动上传文件。

2 桌面 App,推荐大多数同学用这个

macOS 安装

  1. 打开 App Store,搜索「ChatGPT」
  2. 点击获取 / 安装 ChatGPT
  3. 打开后登录你的 ChatGPT 账号
  4. 在 App 内选择 Codex 模式

macOS 用户注意,App 需要 macOS 14 Sonoma 及以上版本。

Windows 安装

  1. 打开 https://chatgpt.com/download
  2. 下载 Windows 版安装包
  3. 双击安装,一路下一步
  4. 打开后登录 ChatGPT 账号

Windows 用户注意,需要 Windows 10 及以上。

打开 App,登录,如果看到 Codex 入口,就说明安装成功。

3 CLI 命令行,在终端里用

macOS 和 Linux 安装

打开终端,复制粘贴这行命令。

curl -fsSL https://chatgpt.com/codex/install.sh | sh

也可以用包管理器安装。

# npm,需要先装好 Node.js npm install -g @openai/codex  # Homebrew,仅 macOS brew install codex

Windows 安装

打开 PowerShell,复制粘贴这行命令。

npm install -g @openai/codex

在终端输入。

codex

如果出现登录界面,说明安装成功。

第一次运行会提示你登录,选择 Sign in with ChatGPT,浏览器会自动打开,确认授权,就完成了。

CLI 除了登录 ChatGPT 账号,也可以配 API Key 使用。但新手直接用 ChatGPT 账号登录就行,不用折腾 API。

4 IDE 插件,在编辑器里用

VS Code 安装

  1. 打开 VS Code
  2. 打开扩展面板(左侧方块图标,或 Ctrl+Shift+X)
  3. 搜索「Codex」或「OpenAI Codex」
  4. 点击安装

05
PART 桌面 App 页面功能全解

这一章按你实际看到的界面来讲。桌面 App 左侧有四块主导航:新对话、搜索、已安排、插件。中间是对话或功能页,底部是账号和权限入口。

下面 8 张图,清楚一块区域。建议装完 App 后对照着点一遍。

1 对话主页面,日常干活的地方

  • 新项目:左侧项目区 → 选或建项目 → 点「新对话」→ 改会话标题 → 在输入框描述需求。
  • 它改完文件后,先看 ⑧ 要点列表 和 ⑨ 附件列表,确认动过哪些文件,再逐个点开检查。
  • 本地服务跑起来后,直接点 ⑦ 链接 预览,不用自己猜端口。

2 插件页面,给 Codex 接外部工具

实操建议

  • 写代码常用:GitHub(读写仓库)、Chrome(浏览器操作)。按你实际栈再装 Figma、Cloudflare 等。
  • 装完看 ⑤ 已安装区域 有没有图标,没有说明没装成功,重试或检查网络。
  • 想立刻试:点 ⑨ Try in chat,别回对话页自己猜插件有没有生效。

3 已安排页面,定时任务和提醒

  • 新手先点 ⑨ 每日简报 或 每周回顾,感受一轮自动化输出长什么样。
  • 也可以回对话页直接说:「每天早上 9 点给我昨天 GitHub 提交摘要」,它会帮你落到已安排里。
  • 有任务后 ⑦ 会变成列表,可暂停、编辑、删除。

4 账号菜单,用量和设置入口

左下角头像点开后弹出账号面板。管登录信息、设置入口、额度、升级。

  • 感觉变慢或提示限额:先看 ⑨ 哪条满了。
  • 改权限、装 MCP、远程连接:都从 ⑥ 设置 进,别在对话里瞎试命令。

5 设置 · 常规,工作模式和权限

Ctrl+, 或账号菜单 → 设置,左侧选 常规。这里决定 Codex 说话风格、文件权限、终端环境。

实操建议

  • 第一次用:工作模式选 适用于编程,开 默认权限,完全访问 按你能接受的风险决定(要写本地项目基本需要)。
  • 自动审核 建议关着,至少前两周。每次批准命令,你知道它在干什么。
  • 命令跑不起来:检查 ⑩ Shell 是不是 PowerShell,跟你系统一致。

6 设置 · MCP 服务器,接外部数据源

实操建议

  • 装第三方 MCP 后:列表里要有条目 → 开关打开 → 回对话试一句「列出 MCP 可用工具」。
  • 某个 MCP 报错:先 ⑩ 关掉,确认是不是它引起的,再 ⑨ 改配置。
  • 本课前期可以空着,用到 Unity、数据库、自定义 API 再装。

7 设置 · 连接,手机遥控这台电脑

设置 → 编码 → 连接。用手机或其他设备远程让 Codex 控制这台电脑。

实操建议

  • 不需要手机遥控:⑧ 直接关,少一个攻击面。
  • 要用:开 ⑧ → ⑨ 添加设备 → 手机端确认 → ⑦ 刷新看是否出现。
  • 合盖跑远程:开 ⑪,并保证电源接通。

8 设置 · 宠物,界面上的小伴侣

设置 → 个人 → 宠物。选一个桌面小图标陪工,纯彩蛋,不影响功能。

实操建议

  • 纯好玩,不影响写代码。嫌分心选 Codex 默认或 Null Signal(偏极简)。
  • 右下角 ⑩ 挡到按钮:换一只小的,或关掉悬浮显示(看当前版本有没有该选项)。

06
PART CLI 命令行使用入门

如果你装了 CLI 版本,在终端输入 codex 即可进入。

1 基本用法

# 进入交互模式 codex  # 在指定目录下启动 codex --workspace /path/to/your/project  # 直接发指令,一次性模式 codex 帮我创建一个 React 项目

2 CLI 常用命令

命令作用
/clear清空当前会话上下文
/model切换模型
/permissions管理权限设置
/cost查看本次会话用量

CLI 模式适合在远程服务器上操作、跑批量自动化脚本、习惯纯键盘操作的同学。

07
PART 权限与安全设置,必看

Codex 能操作你的文件、执行命令,所以权限设置非常重要。

1 工作目录权限

Codex 默认只能访问你指定的工作目录。桌面 App 里选中的文件夹、CLI 里 --workspace 指定的路径,就是它的活动范围。它不能随便读你电脑上的其他文件。

️ 不要用 --workspace ~/ 让 Codex 访问整个用户目录。给每个项目建一个独立文件夹。

2 命令执行权限

新手先用「每次询问」,看清楚它要跑什么命令再点同意,等熟悉了再调松。

3 网络权限

  • 允许或禁止 Codex 访问网络
  • 设置允许访问的域名白名单

4 Git 安全

Codex 操作项目时有几个原则。

  • 不要让它直接 git push,除非你盯着看
  • 建议先 git commit 保存改动,再让 Codex 干活,这样搞坏了可以回退
  • 让 Codex 在独立分支上操作更安全

08
PART 第一次使用,完整示范

场景,让 Codex 从零写一个网页计算器。

Step 1 启动 Codex

  • 桌面 App。打开 ChatGPT App,切换到 Codex 模式,新建会话
  • CLI。终端输入 codex
  • Web。打开 chatgpt.com/codex

Step 2 指定项目目录

新建一个空文件夹,比如 ~/projects/my-calculator/,选它。

Step 3 发指令

在输入框输入。

要求是。 界面好看,现代简约风格 支持键盘输入 直接生成一个 index.html 文件

Step 4 看 Codex 干活

Codex 会按这个流程走。

  1. 先分析需求,告诉你它打算怎么做

  2. 创建 index.html 文件

  3. 在里面写 HTML、CSS 和 JS 代码

  4. 显示 Diff 对比,因为是新文件,全是绿色新增

Step 5 审查并接受

  • 看 Diff 里的代码是否合理
  • 点击 Accept 接受改动
  • 文件就写好了

Step 6 预览

Codex 可能会主动说「要不要我帮你打开浏览器预览」,或者说「文件已创建,你可以在浏览器打开 index.html 看效果」。

如果它没主动说,你可以接着问。

帮我在浏览器里打开 index.html 预览一下

Step 7 迭代修改

看了效果不满意?接着提需求就行。

把计算器改成深色主题,按钮换成圆角的

09
PART 日常使用技巧

1 写好 AGENTS.md,像 Karpathy 一样

Andrej Karpathy 是前特斯拉 AI 总监、OpenAI 联合创始人,他用 AI 写代码有个标志性做法,在项目根目录放一个极详细的 CLAUDE.md,相当于 Codex 里的 AGENTS.md。

他的核心思路是,把这个文件当成给一个天才但不了解你项目的新同事写的入职文档。

下面是一个参考示例。

# AGENTS.md## 项目概述 这是一个个人博客网站,基于 Next.js 14,部署在 Vercel。 数据库用的是 Supabase,认证用的是 Supabase Auth。  ## 技术栈- Next.js 14 App Router - TypeScript 5.x - Tailwind CSS 3.x - Supabase 数据库 + 认证 - Vercel 部署  ## 目录结构 my-blog/ ├── app/          # Next.js App Router 页面 │   ├── admin/    # 管理后台 │   └── posts/    # 文章详情页 ├── lib/          # 工具函数和 Supabase 客户端 └── types/        # TypeScript 类型定义  ## 怎么跑项目 npm run dev        # 启动开发服务器,默认 http://localhost:3000 npm run build      # 构建生产包  ## 代码约定- 所有文件用 TypeScript,不准用 any - 组件用函数组件,Props 用 interface 定义 - 样式用 Tailwind CSS 原子类,不写单独 CSS 文件 - 文件名 kebab-case,组件名 PascalCase - Supabase 查询走 lib/supabase.ts 里封装好的函数,不要直接写 raw SQL - 错误处理统一用 try/catch,用户侧显示友好提示  ## 数据库 数据库是 Supabase。表结构见 supabase/migrations/ 目录。 不要直接改线上数据库。本地开发用 supabase start 起本地实例。  ## 红线- 不要改 package.json 里的依赖版本,除非我明确说 - 不要动 .env.local 文件 - 不要 git push 到 main 分支 - 不要删任何已有文件,除非我明确说 - 不要修改 supabase/migrations 里的已有迁移文件

2 指令要具体

模糊指令具体指令
修一下 bug点击登录按钮后页面卡住了,帮我看一下 LoginButton 组件
优化性能首页加载要 5 秒,帮我看一下是哪个接口慢

3 分步来,别一口气说太多

4 用截图和图片

遇到报错不知道怎么描述?直接截图,上传到 Codex。它可以读图片里的报错信息。

5 不会了就问

不确定下一步怎么办?直接问 Codex。

接下来我应该做什么?

Codex 会分析当前项目状态,给你建议。

6 善用命令

CLI 里有很多快捷命令,不需要每次都打完整句子。

/help           # 查看帮助 /clear          # 清空上下文 /permissions    # 调权限 /cost           # 查看用量花了多少

10
PART 常见问题

Q Codex 和 Cursor 有什么区别?

Cursor 是一个 AI 编辑器,你必须用它的编辑器。Codex 是一个 Agent,可以在任何地方用,终端、网页、App、甚至 Cursor 里面都行。

Q Codex 和 Claude Code 有什么区别?

两者都是 coding agent。Codex 跟 ChatGPT 账号和 OpenAI 生态绑定;Claude Code 跟 Anthropic 账号绑定。看你订阅哪个、习惯哪套工具链。

Q Plus 的 Codex 额度够用吗?

日常开发一天几小时的话完全够。如果你连续重度使用 8 小时以上,可能会触发限速。先开 Plus 一个月试试,不够再升级。

Q Codex 生成的代码能直接上生产吗?

简单的 CRUD、页面、脚本接近生产可用。复杂业务逻辑需要你 review 和调整。Codex 是加速器,不是替代你思考的东西。

Q 国内能用 Codex 吗?

能用。注册和订阅按本文 Gmail + Google Play 流程走。使用 Codex 需要能稳定访问 OpenAI 服务。桌面 App 和 CLI 在本地跑,网络主要用于跟模型通信。

Q Codex 把我的代码搞坏了怎么办?

有三个保险。第一,改之前先 git commit,搞坏了直接 git checkout 回退。第二,Codex 的改动都需要你手动 Accept,看到不合理的点 Reject。第三,对话里可以说「把刚才的改动撤销掉」。

Q 能让 Codex 连我的数据库吗?

可以。你告诉它数据库连接信息,建议用环境变量 .env,别直接写在对话里。它能帮你写 SQL、建表、查数据。但生产数据库操作要特别小心。

Q Web 端和 App 端用哪个?

新手先用 Web 零安装试一圈。真要写项目、改本地文件,装桌面 App。CLI 适合开发者和服务器场景。四种入口共用一个账号,选一个最顺手的就行。

11
PART 写在最后

跟完这篇,你应该能完成:Gmail / OpenAI 注册、Plus 订阅、至少一种 Codex 入口的安装、桌面 App 各页面对号入座、第一次完整跑通一个 demo。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

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

在这里插入图片描述

Codex通过CC Switch接入DeepSeek保姆级教程 本文介绍如何通过CCSwitch工具将OpenAI Codex切换为DeepSeek模型,解决网络依赖、成本高昂和模型能力受限三大问题。CCSwitch可本地路由Codex请求至DeepSeek API,提供更强代码能力、国内极速响应和更低成本。配置步骤包括安装工具、获取API密钥、设置路由等,5分钟即可完成。同时支持多模型切换,适配不同场景需求,是Codex本土化的最优方案。 阅读详情

相关推荐

Mac本地大模型部署指南:Codex+Codex Desktop保姆级实战

本地大模型部署是当前AI工程化落地的关键环节,其核心在于模型推理框架与硬件加速的深度协同。在Apple Silicon平台,Metal加速成为突破性能瓶颈的核心技术路径,而OpenAI兼容API则保障了工具链的通用性与可集成性。本文聚焦macOS环境下轻量级API网关(Codex)与原生桌面应用(Codex Desktop)的协同部署,详解Metal后端编译、系统权限适配、GGUF模型加载及多模型场景化调度等关键技术点,覆盖M1/M2/M3芯片全系列实测优化策略。适用于需离线运行Qwen2.5、DeepSe

weixin_33761747的博客 416

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1445

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 750

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4400

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3270

无人机蜂群作战设计技术详解

构建防御网络,拦截敌方无人机或导弹;无人机蜂群作战设计技术是一种创新的军事应用概念,它基于生物仿生学原理,通过先进的通信技术、自主导航与决策算法,将大量小型、低成本、功能各异的无人机组织成一个高度协同的群体,以执行复杂多样的军事任务。无人机蜂群作战的概念源于自然界中蜜蜂、蚂蚁等生物群体的行为模式,这些生物群体通过简单的个体间的信息交互和分工协作,能够完成远远超出单一个体能力的复杂任务。其中,无人机群体是执行任务的主体,指挥控制系统负责任务分配和决策,通信数据链则保障无人机群体与指挥控制系统之间的信息交换。

专注多旋翼、复合翼无人机技术研究,从事低空经济行业。 2215

万字长文讲透Codex的使用方法:保姆级教学(TaoToken统一Key接入版)

Codex CLI 报 401 或 local proxy failed,多半是 auth.json 三件套没对齐。本文给出可复制的 auth.json 与 VS Code settings 片段,用 TaoToken 统一 Key 接入 Codex,并附报错对照表,帮你一次跑通 AI 编程 Agent。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42584586的博客 195

QGIS004:【05矢量属性表】-保留字段、删除字段、添加唯一值索引字段、添加字段到属性表、添加自增量字段、添加XY字段到图层、文本型转浮点型、重构字段、重命名字段

摘要:QGIS矢量属性表工具箱包括保留字段、删除字段、添加唯一值索引字段、添加字段到属性表、添加自增量字段、添加XY字段到图层、文本型转浮点型、重构字段、重命名字段等选项,本文介绍各选项的基本操作。

qq_31762031的博客 2312

万字长文讲透Codex使用方法:保姆级教学,从CLI到Agent的完整配置指南

Codex CLI 配置卡在 auth.json?本文从安装、登录态检查到首个 Agent 任务跑通,给出可复制的 auth.json 与 settings 片段,并逐项拆解 401、local proxy failed、reading choices、OAuth 等常见报错。同时说明如何通过 TaoToken 统一 Key 与 API 通道接入,官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35755823的博客 6

【2025年华为秋招(AI)-11月19日-第二题(200分)- 终端款型聚类识别】(题目+思路+Java&C++&Python解析+在线测试)

该摘要总结了题目要求、输入输出格式、KMeans算法的实现步骤以及关键点。以下是150字内的摘要: 本文提出基于KMeans算法对终端型号进行聚类的方法。通过包间隔时长、连接持续时长、漫游前后信号强度4个特征,使用欧氏距离度量相似度。算法采用固定初始化策略(前k个样本作为初始质心),经过分配-更新迭代,直至质心移动小于1e-8或达到最大迭代次数。最终输出各簇样本数并按升序排列,解决了终端型号自动分类问题。示例显示该方法能有效识别3-4类终端,并准确统计每类数量。

m0_73659489的博客 141

Headless Browser 反检测:如何在自动化测试和爬虫中模拟真实用户环境和指纹,以规避检测?

这是最基本的操作,你需要将 Headless Browser 的 User-Agent 修改成一个真实的 User-Agent。我是你们的老朋友,代码界的段子手,今天咱们来聊聊一个让爬虫工程师和自动化测试工程师头疼,但又不得不面对的问题:Headless Browser 的反检测。Headless Browser 的反检测是一个持续对抗的过程,网站的反爬虫机制会不断升级,你需要不断地学习新的反检测技巧。以上只是一些基本的反检测手段,如果你的目标网站的反爬虫机制比较高级,那么你需要使用更高级的技巧。

weixin_41455464的博客 1657

【编辑工具】Codex 保姆级入门教程(6000字长文)

本文全面介绍了OpenAI开发的AI编程工具Codex,重点分析了其优势、安装方法及使用技巧。文章指出Codex相比ClaudeCode具有更好的稳定性和功能完整性,支持CLI、桌面应用、网页版和IDE插件四种运行模式。详细讲解了安装步骤(包括环境准备、CLI/App/云端/IDE四种安装方式),并提供了基础使用示例和进阶配置建议。文章还介绍了如何接入国内大模型(如阿里百炼)以及常见问题的解决方案。最后强调新手应从简单任务入手逐步熟悉工具,建议读者结合实操体验Codex在真实工作流中的价值。

weixin_60937489的博客 2463

5G/NR SSB学习总结

6.1 SSB概念 同步信号和PBCH块(Synchronization Signal and PBCH block, 简称SSB),它由主同步信号(Primary Synchronization Signals, 简称PSS)、辅同步信号(Secondary Synchronization Signals, 简称SSS)、PBCH三部分共同组成。 6.2 SSB特征 ...

欢迎来到小七的博客,这里将带你深入探索5G通信的神秘世界。无论你是通信领域的专业人士还是对这一领域充满好奇心的技术爱好者,这里都有专业协议解读、通信知识普及以及有趣的Python编程内容等你发现。 8万+

OOD 万字长文的 AICoding 逻辑链,用 TaoToken 的 Key 让 Codex 拆解

读完OOD万字长文后,用TaoToken的Key让Codex拆解AICoding逻辑链?先改~/.codex/config.toml,声明model_provider为taotoken并导出TAOTOKEN_API_KEY;注册创建Key走https://taotoken.net/?utm_source=taotoken_aicg_blog_end,而base_url填TaoToken兼容网关。分段拆解模式负担、MCP可视化与OneCode-RAD,最后去控制台对账用量,得到可执行的选型对比。

weixin_28988985的博客 78

【毕设级教程】从0到1实现基于YOLOv8的UA-DETRAC交通目标检测系统(含UI界面,助力智能交通毕设)

本项目基于YOLOv8模型和UA-DETRAC数据集开发了一个交通目标检测系统,包含数据处理、模型训练和可视化界面全流程。UA-DETRAC数据集包含多种交通场景下的车辆标注,通过格式转换适配YOLOv8训练要求。系统采用PyQt开发交互界面,支持图像检测、结果显示等功能。该项目技术路线清晰,既展现深度学习在智能交通中的应用,又提供完整的可视化展示方案,适合作为计算机视觉相关毕业设计选题。

m0_64661770的博客 150

【C#程序员入门AI】AI应用的操作系统:Semantic Kernel 2026实战

用户ID用户信息

人工智能AI技术 1249

Codex 保姆级入门教程(6000字长文)

桌面端从“聊天式编码工具”升级成更完整的 AI 工作台,开始支持内置浏览器、任务侧边栏、GitHub PR 处理、artifact viewer、Memories、多终端、多窗口,以及 Windows 托盘的适配。如果你是第一次使用 Codex,建议不要一上来就让它”开发一个完整系统”,而是先拿真实小任务练手:修一个报错、给旧代码补注释、给函数补测试、把脚本改成命令行工具。,可以看到当前目录下的文件。Codex 是 OpenAI 官方出品的 AI 编码工具,能理解你的需求,帮你写代码、跑命令、调 Bug。

程序员小灰的博客 2003

HCIP - Al Solution 华为认证—— 3、大模型基础

00:20核心目标: 与GPT类似,旨在学习一个通用的预训练模型,以便在大量不同任务上通过微调快速适配。与GPT的对比: BERT的效果在实验数据上优于GPT-1。模型特点: 采用双向的Transformer编码器结构,能够实现不同位置信息之间的互通,这与GPT的单向结构不同。06:3735:45核心思想: 尝试将标准的Transformer结构直接应用于图像,并对图像分类流程进行最少的修改。具体操作流程:图像分块: 将整幅图像拆分成多个小的图像块(Patch)。

qq837993702的博客 158

万字长文 | 深度解读 Codex Harness 源码

从一次模型调用,到第一个真正能干活的 Agent

阿甘兄 847

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

从 Chat 到 Agent:Codex 保姆级教程,一篇文章教会你怎样用 Codex 做项目 (万字长文)

如果你过去一年一直关注 AI 编程,应该已经见证了一个非常明显的变化。最开始,我们习惯的是 GitHub Copilot——它负责补全代码;后来是 ChatGPT——你复制一段代码进去,让它帮你解释、改 Bug;再后来,Cursor、Claude Code、Codex 等工具陆续出现,AI 开始真正进入项目,读取代码、修改文件、运行命令,甚至完成一个完整的开发任务。很多人第一次打开 Codex,都喜欢输入一句:帮我做一个博客网站。然后发现结果并没有想象中那么好。原因其实很简单。

JJJennie777的博客 1846

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

万字长文如何百分百榨干ChatGPT Pro:Codex与MCP工作流实战拆解

用 miuuyy/codex-chatgpt-web 把 ChatGPT Pro 接入 Codex 的 MCP 常驻模型,先跑通连通性再固化链路。本文拆解 Codex 内嵌 Pro 对话、MCP 三件套配置与三层验证,配合 TaoToken 统一管理 Base URL 与 Key,让 Pro 负责深度推演、Codex 负责本地执行,订阅价值落到日常产出。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42578963的博客 5

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Codex vs Cursor:2025 AI编程工具深度横评万字长文

AI 编程工具双雄对决:Codex CLI 与 Cursor 横评 2025年AI编程进入"双雄时代",OpenAI Codex CLI和Cursor成为两大主流选择。Codex CLI是终端原生、模型无关的开源工具,强调AI自主执行完整开发流程;Cursor则是基于VS Code深度改造的AI优先IDE,提供沉浸式交互体验。 核心技术对比: 模型调用:Codex CLI支持多模型切换,Cursor采用混合策略 上下文处理:Codex CLI依赖终端输出,Cursor构建智能索引系统 编辑方式:Codex

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 656

Jev 模型保姆级接入指南:密钥申请、Codex 配置与实测表现

大语言模型正在重塑软件开发流程,而Jev作为近期开放访问的新一代模型,凭借代码生成、长文本理解与推理能力受到关注。通过API密钥机制,开发者可将模型接入现有工具链,其接口兼容Chat Completions规范,大幅降低迁移成本。在Codex等编码辅助工具中配置自定义模型接入点,即可实现AI辅助编程。从密钥申请、环境配置、Codex接入流程到实测场景,系统梳理了上手过程中的常见问题与优化策略,为开发者提供完整的参考路径。

weixin_28745309的博客 297

万字长文 | 深度解读 Codex Harness 源码:从 Agent 调度到配置骨架

从 Codex Harness 源码的 run_turn 调度链路出发,拆解全局 config.toml、项目 settings.json 与环境变量三层配置骨架的加载优先级,并给出可复制的配置片段与报错排查步骤。同时演示如何用 CC Switch 将 TaoToken 统一 Key 接入 Codex 的 API 通道,让 Agent 模型调用走稳定通道。官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

MoonstoneTiger89的博客 225

Ollama 万字长文答非所问?让 Codex 走 TaoToken 查 num_ctx 截断

Ollama 长文跑偏,让 Codex 查 num_ctx。TaoToken官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end。config.toml/auth.json,读日志/Modelfile,create qwen3-7b-long 设 num_ctx 10240,复测5%/95%。

weixin_42591413的博客 4

【编辑工具】Codex 保姆级入门教程:从 CLI 到 IDE 插件的完整配置指南(6000字长文)

Codex CLI 安装后,在 config.toml 配置 TaoToken 的 base_url 与 env_key,即可用国内模型跑通第一个 AI 编程任务。本文提供可复制命令、auth.json 示例及 401、reading choices 等报错排查,助你从 CLI 到 IDE 插件完整落地。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35753291的博客 141
上一篇: 美团面试官问:AI 能删库、发邮件、提交 PR,哪几步必须交给人?
下一篇: 都说接知识库就上 RAG,Claude Code 为什么偏没有向量库?
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值