Codex Harness开源：小白/程序员轻松入门大模型开发，收藏必备！

本文介绍了Codex Harness如何将Agentic产品拆分为两层，即客户端和包含业务代码及编译好开源Codex的App Server。客户端不直接连接大模型，而是通过App Server进行交互。产品团队只需关注定义场景、业务规则和用户服务，而会话、调用记录和执行管理等复杂管理由Codex Harness负责。这种方式简化了大模型开发流程，让小白和程序员也能轻松入门。

朋友圈里一直在传“Codex harness开源了，很好用”。我把文档和自己跑起来的结构放在一起看，觉得大家兴奋的那个点，其实已经不只是“又多了一个能聊天的官方窗口”。

一个 Agent，可以看成 Harness 加上LLM。 Harness 管会话、工具循环、上下文和执行，LLM是外面那台模型服务器。Codex Harness 做成了可以放进你自己服务里的一层。产品团队要守住的，是客户端和业务代码。

Codex Harness 已经把 Agentic 产品拆成可以分开交付的两层

这张图就是这次跑通之后的分层。左边可以有很多客户端，它们不直接去找模型，而是进入你的 Agent 服务。服务跑在本地 Mac 或者你的服务器上。里面并排着两块：一块是你的代码，一块是 codex app server。app server 里面装着已经编译好的开源 Codex。代码和 app server 互相通信，再由 app server 向大模型服务器发起请求，把响应拿回来。

这就是新的交付方式。客户端和业务代码仍然是产品自己的。最复杂的那一层，以 app server 的形式装进服务里，由已经编译好的 Codex 去承担。模型厂商继续提供外面的大模型，业务代码处理自己的场景和规则。

过去做 Agentic 产品，团队得自己扛下 Harness 里的复杂管理

以前要把一个 Agent 做成别人能用的产品，常见就是两条路。一条是把官方 Codex 整套部署出去。界面、会话和切模型的方式都已经定好了，用户用到的是那套客户端，不是你要做的产品。另一条是拿 LangChain，或者一套智能体工作流框架自己搭。能搭起来，但人会先耗在循环、状态和工具调度上，业务和用户服务被挤到后面。

两条路最后都把产品团队留在 Harness 里面。团队的时间花在引擎上，场景里那句话怎样回到用户面前，被留到了最后。

App Server 让 Harness 以服务的形式被产品调用

App server 把这件事翻了过来。你不必先在机器上装一整套官方客户端，再想办法把它的界面拆开。代码部署到本地 Mac 或服务器之后，会把 Codex 这套已经编译好的程序带出来，成为一个可以通信的进程。你的代码先跟它握手，打开 RPC 通道，用户的一句话从这里送进去，模型的响应从这里回来。

模型仍然在服务外面，就是图上右边的大模型服务器。演示里，模型的 API key、base URL 和上下文窗口写在项目的 .env 里。请求由 app server 发出，响应再回到你的代码，最后回到你自己的客户端。DeepSeek 这类模型可以按 API key 和 base URL 接进来，所以模型厂商和这套 Harness 程序，也不必绑死成同一家。

我觉得范式就是在这里变的。顶尖模型厂商把最复杂的管理做成一套可调用的 Harness，你以服务的形式把它放进自己的 Agentic 产品里。你要定义的，是业务代码和客户端里的用户服务。

单轮打通之后，产品侧要决定的是业务规则和用户服务

以单轮问答为例，我们可以清晰的表露把这条边界。用户在客户端说一句话，代码把这句话交给 app server，app server 带着编译好的 Codex 去请求大模型，结果再回到你的界面。产品侧要先定的是：模型从哪来，这句话代表什么业务，结果在你的客户端里怎么呈现。

项目真正跑起来之后，目录会多出两块。一块是程序，一块是运行数据。

project/.data 和 project/.runs 是代码跑出来的数据存储。node_modules 里是这次跑出来的程序。项目里原来就有 .env，真正去连 app server 的入口是 05-app-server.mjs。

打开 node_modules/@openai，能看到 codex，以及当前这台机器对应的 codex-darwin-arm64。图上标的就是这件事：代码跑完，这里出现了一个 Codex。你没有单独装官方客户端，这个可执行程序已经在依赖里了。

数据侧也能分开看。.runs 下面有多组 app-server- 开头的目录。目录里的 models.json 是 app server 调用模型的配置，protocol.jsonl 是调用记录。模型从 .env 走进这次运行，配置就落在这些目录里。

.data/codex 是这个 Agent 服务自己的数据存储。里面有 config.toml，也有 goals、logs、memories、queue、state 这些 sqlite。messages.json 记的是会话。会话、记忆、队列和状态都堆在这一层，业务代码就不必再自建一套同样的账本。

所以单轮打通以后，产品还要认真做的是业务规则和用户服务。引擎侧这些目录，是 Harness 跑起来之后自己留下的。

未来的 Agentic 开发只留下一件事：定义业务逻辑，把复杂管理交给顶尖模型厂商

回到第一张图。客户端可以很多，Agent 服务是你的。你要写的是服务里的业务代码，以及用户真正接触的那一层。codex app server 带着已经编译好的开源 Codex，负责和代码之间的调用，再负责去连大模型。会话记录在 .data/codex/messages.json，调用记录和模型配置在 .runs 里，执行状态也在这层数据里。

未来的 Agentic 产品，开发上要定义好业务逻辑。 我说的业务逻辑，是用户场景、规则，以及结果如何回到自己的客户端。Harness 作为服务放进 Agent 里，最复杂的会话、循环和执行管理，交给做出这套程序的模型厂商。

这句话有它的边界。哪一个工具可以执行、哪一步必须等人确认，仍然要由产品来定，单轮演示还看不出这块成本。Codex 的源码是开放的，团队仍然可以自己改这套引擎；如果你的差异就在那个循环上，就继续自己拿着它。现在这张图能看清的，是你的 Mac 或服务器上已经能把 Harness 当成服务来跑，模型请求走向外面的大模型服务器。

朋友圈说 Codex 开源了、很好用。好用如果只是换了一个官方窗口，产品并没有变。变了的是，你可以留下自己的客户端，把 Harness 装进自己的 Agent 服务，让最复杂的管理留在这层已经编译好的程序里。

如果之后做一个自己的客户端，主要工期仍然花在手写循环和会话状态上，这个判断就不成立。如果一换掉这层 Harness，业务规则就得跟着重写，那它也还不是一个可以替换的服务。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 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

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 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
• …

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方优快云官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 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
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方优快云官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。