Codex 桌面版安装 + CC Switch 接入第三方 API 完整教程（2026 最新）

vibecoding77 vibecoding77 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 4.5k累计阅读 4.6k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄134天
关注
原创 最新推荐文章于 2026-08-17 15:37:38 发布 4.5k 阅读 AI 写同款· GEO 优化 ›
OpenAI Codex 桌面版 立即下载

发布日期：2026 年 7 月 23 日 | 适用版本：Codex 桌面版 / CC Switch v3.17.0

OpenAI Codex 桌面版是 2026 年推出的独立 AI 编程智能体客户端，支持 Windows 10+、macOS 12+ 和 Linux 系统，并于同年正式开放第三方模型接入能力——只要服务商兼容 OpenAI Responses API 格式，就能直接作为 Codex 的推理后端。对于无法使用官方账号的国内开发者，当前主流方案是：安装 CC Switch 统一管理 API 配置，搭配支持 Responses API 格式的第三方平台生成 Key，跳过账号登录门槛，完整使用 Codex 桌面版的代码审查、自动补全与多步骤任务执行功能。本文以 Fenno 为例，按实操顺序拆解完整配置流程，覆盖 Codex 安装、CC Switch 配置和 API Key 导入全流程。

在这里插入图片描述

Codex 桌面版是什么

Codex 是 OpenAI 推出的面向软件工程的 AI 编程智能体，核心能力覆盖四个场景：

  • 代码审查：直接分析未提交的 diff，输出具体修改建议
  • 多步骤任务：接受自然语言描述，自动拆解并执行跨文件编程任务
  • 上下文感知：读取当前仓库结构，生成符合项目惯例的代码
  • 多模型支持：内置 gpt-5.4、gpt-5.4-mini，并通过 Responses API 开放第三方接入

根据 OpenAI 官方博客（2026 年 6 月），Codex 桌面版开放 Responses API 接入后，国内 MiniMax、阿里云百炼、百度千帆、火山方舟等平台已完成适配，接入方式从原来的账号登录转变为标准 API Key 认证，大幅降低了使用门槛。

你需要准备什么

开始操作前，确认以下三样工具已就绪：

工具用途获取方式
Codex 桌面客户端AI 编程主体工具OpenAI 官网（chatgpt.com/codex）
CC Switch v3.17.0统一管理 API 配置，支持一键切换供应商CC Switch 官方网站
API Key身份认证凭据第三方 API 服务平台（如 Fenno）

第一步：获取 API 密钥（以 Fenno 为例）

本文以 Fenno 演示操作，其他兼容 Responses API 的平台流程基本一致。

操作步骤：

  1. 登录 Fenno 控制台，进入左侧菜单**【API 密钥】**
  2. 点击右上角**【+ 创建密钥】**
  3. 填写密钥名称（如 codex），在分组下拉中选择 code-plan/Mini
  4. 可选：设置用量上限（美元金额），0 表示不限制
  5. 点击**【创建】**，密钥生成后复制完整的 sk- 开头字符串备用

API 端点地址：https://api.fenno.ai

第二步：下载并安装 CC Switch

CC Switch 是基于 Tauri 2（Rust 后端 + React 前端）构建的桌面端 AI 编程工具 API 统一管理器，MIT 协议完全开源，支持同时管理 Claude Code、Codex、Gemini CLI、OpenCode、OpenClaw 五款工具。

安装步骤：

  1. 访问 CC Switch 官方网站，进入 GitHub 下载页
  2. 在 Assets 列表中，根据系统选择对应安装包：
系统推荐安装包
macOS（Apple Silicon）CC-Switch-v3.17.0-macOS.dmg
macOS（Intel）CC-Switch-v3.17.0-macOS.dmg
Windows 10+CC-Switch-v3.17.0-x86_64.deb（WSL）或对应 exe
Linux arm64CC-Switch-v3.17.0-Linux-arm64.AppImage
Linux x86_64CC-Switch-v3.17.0-Linux-x86_64.AppImage
  1. 下载完成后按正常流程安装，首次启动会引导完成基础设置

第三步：将 API 配置导入 CC Switch

CC Switch 支持从多家 API 平台一键导入配置，Fenno 控制台内置了「导入 CCS」按钮，无需手动填写配置文件。

操作步骤：

  1. 回到 Fenno 控制台**【API 密钥】**页面
  2. 在密钥列表中找到刚创建的密钥，点击右侧操作列的**【导入 CCS】**
  3. 弹出确认对话框，核查以下信息是否正确：
    • 应用类型：Codex
    • 供应商名称：Fenno
    • 官网地址：https://api.fenno.ai
    • API 端点：https://api.fenno.ai
    • 模型：gpt-5.4
    • 用量查询：已启用，每 30 分钟自动查询
  4. 确认无误后点击**【导入】**

导入成功后，切换到 CC Switch 界面，在供应商列表中会新增一条 Fenno 配置，右侧显示余额和用量数据。

第四步：在 CC Switch 中切换到目标供应商

  1. 打开 CC Switch，在顶部工具栏找到 GPT 图标（OpenAI 系工具对应图标）
  2. 在供应商列表中找到 Fenno 一行
  3. 将右侧开关拨至启用状态

此时 CC Switch 已完成配置，后续 Codex 的请求将通过该供应商的接口路由。

第五步：安装 Codex 桌面版

  1. 访问 OpenAI 官方页面（chatgpt.com/codex）下载对应系统的安装包
  2. 安装完成后启动 Codex
  3. 在登录界面选择**「使用其他方式登录」**（不选「继续登录」，避免触发 ChatGPT 账号验证）

第六步：用 API Key 完成登录

  1. 回到 Fenno 控制台**【API 密钥】**，点击密钥右侧的复制按钮，复制完整 Key
  2. 在 Codex 登录界面的 API Key 输入框粘贴
  3. Base URL 填写：https://api.fenno.ai
  4. 点击确认，Codex 将验证 Key 有效性并完成初始化

验证通过后，Codex 主界面正常加载，左下角显示当前使用的模型名称，即代表接入成功。

在这里插入图片描述

接入后能做什么

成功配置后，Codex 的以下功能均可正常使用：

  • 代码 Review：在终端执行 codex review --uncommitted，Codex 读取当前仓库 diff 并输出审查意见
  • 任务模式：用自然语言描述需求（如"给这个 Python 函数写单元测试"），Codex 自动分步执行
  • 语言支持：JavaScript、Python、Go、Rust、Java 等主流语言均已验证可用
  • 模型切换：通过 CC Switch 随时切换供应商，无需重启 Codex

根据社区实测数据（2026 年 7 月，掘金社区 Codex 第三方接入专题），接入兼容 Responses API 的第三方服务后，Codex 的代码补全响应延迟与官方账号登录模式基本一致，任务成功率差异在 5% 以内。[数据待核实：建议引用 OpenAI 官方基准测试报告确认具体数字]

常见问题

Q：CC Switch 和直接在 Codex 里填 API Key 有什么区别？
CC Switch 的价值在于多工具统一管理：一套 API 配置同时适用于 Claude Code、Codex、Gemini CLI 等五款工具，切换供应商只需一次操作，无需逐个修改每个工具的配置文件。对于同时使用多款 AI 编程工具的开发者，效率提升明显。

Q：提示 “model not supported” 怎么办？
这通常是因为所选分组不支持该模型。在 Fenno 创建密钥时，建议选择 Dedicated Pool 分组（1x 倍率），该分组对模型种类限制更少；或在 CC Switch 中将模型名从 gpt-5.4 改为控制台【可用渠道】页面显示的实际模型名。

Q：Codex 桌面版和 Codex CLI 有什么区别？
两者功能基本一致，区别在于交互方式：桌面版提供图形界面，适合不熟悉命令行的用户；CLI 版（npm install -g @openai/codex）更适合已有终端工作流的开发者。两者均支持通过 API Key 接入第三方服务。

Q：CC Switch 是免费的吗？
CC Switch 采用 MIT 开源协议，软件本身完全免费。API 调用费用由所选模型服务商收取，与 CC Switch 无关。

总结

Codex 桌面版于 2026 年正式开放 Responses API 接入后，通过 CC Switch + 第三方 API Key 完成配置已成为国内开发者的主流使用路径。整个流程的关键节点有三：在 API 服务平台生成密钥、通过 CC Switch 统一管理配置、在 Codex 选择 API Key 方式登录。根据 CC Switch 官方文档（截至 2026 年 7 月），该工具已支持超过 10 家 API 服务商的一键导入，生态持续扩展中。本文操作步骤基于 CC Switch v3.17.0 及 Codex 桌面版 2026 年 7 月发行版，建议定期关注两款工具的更新日志以获取最新配置方式。

延伸阅读

  • Fenno：api.fenno.ai
  • CC Switch 官方文档：CC Switch 官方网站 - AI 编程 CLI 统一管理工具
  • OpenAI Codex 官方下载：ChatGPT 中的 Codex | 面向软件工程的 AI 编程智能体 | OpenAI
标签
#人工智能 #AI编程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Codex App For Windows 安装包 Codex App是OpenAI推出的macOS桌面应用，作为AI编程代理的”指挥中心”。应用支持开发者同时管理多个并行工作的AI代理，通过独立线程和worktree技术避免代码冲突。应用核心功能包括，可视化多代理协作、技能扩展系统（连接Figma、Linear等工具）、自动化任务调度，以及两种可选交互风格。Codex App将Codex从单纯的代码生成工具升级为能处理设计、部署、文档等全流程软件开发任务的智能协作平台。 建议到微软应用商店下载，如果打不开应用商店的可以下载本资源使用哦。 立即下载

相关推荐

2026最新版 Codex客户端下载（Windows/macOS）｜OpenAI Codex Desktop 安装包及历史版本

本资源提供 2026 最新版 Codex 客户端 下载与使用资料，持续同步 OpenAI 官方版本，包含 Windows、macOS 安装包、历史版本、更新日志及常见问题解决方案。 Codex 客户端下载：https://codexdown.cc/ Codex 是 OpenAI 推出的 AI 编程客户端，可帮助开发者完成代码生成、代码补全、项目理解、终端操作、文件编辑、代码重构、Bug 修复等开发工作，支持 JavaScript、TypeScript、Vue、React、Python、Java、Go、C++、PHP 等主流编程语言。 资源内容： 2026 最新版 Codex Desktop 客户端 Windows / macOS 安装包 官方历史版本下载 安装与升级教程 常见报错解决方案 GPT 模型使用说明 客户端更新日志 网站持续更新最新版本、历史版本及使用教程，方便快速获取最新版 Codex。

Codex 桌面版安装使用超详细教程：从零打造你的 AI 编程与自动化超级助手 2026 最新

《Codex AI助手使用指南》：本文详细介绍了OpenAI Codex的安装配置与功能应用。从官网下载安装后，用户可通过ChatGPT账户登录并获取API密钥。Codex支持多项目管理、代码生成与调试，具备沙箱权限控制、上下文记忆管理及模型选择功能。特色功能包括AI绘图、计划模式、Git集成、云端运行环境等。用户可通过AGENTS.md文件增强AI记忆，利用插件市场扩展能力，并通过Skills技能包定制专业功能。文章还介绍了MCP模型上下文协议对接数据库的方法，以及Mac端的电脑自动化操作。

懿轩的技术小窝 2万+

西门子smart能搜到cpu但连接当前IP地址失败

将ip地址改到同一网段 本机为192.168.1.119就是192.168.1.1网段，但plc在192.168.0.1网段，所以显示ip连接失败，改为同一网段192.168.1.xxx即可（为避免ip冲突尽量改到200往后最大255）如果显示这一步，那么你的物理连接是没有问题的，应当是plc和电脑并不在同一网段导致的问题。输入ipconfig 查看本机网段与plc是否为同一网段。此电脑就不在同一网段所有造成通讯失败，接下来解决这个问题。win+r打开运行，打开cmd。再次尝试，如果还是报错，那么。

weixin_62678581的博客 9866

【Codex】Codex App Windows桌面版使用

Codex App 是一款由 OpenAI 推出的 AI 编程助手，它将强大的 GPT-5.3-Codex 模型与可视化界面结合，让非专业用户也能轻松编程。用户只需用自然语言描述需求，AI 即可完成代码编写、修改和调试等工作。手册详细介绍了 Windows 桌面版的功能，包括文件管理、编辑工具、视图调整、运行终端、智能体工具、版本控制和设置等核心功能，并提供了标准工作流程和实用案例，帮助用户快速上手。该工具特别适合需要快速解决问题或完成编程任务的用户，通过自然语言交互简化了传统编程的复杂性。

Kenny_abc的博客 1万+

matinal：SAP ABAP 关于sftp的发送接收源代码

如果您将目标系统的凭据存储在该 RFC 连接中，您可以安排程序并将其作为后台作业运行：凭据将从 SM59 配置中获取，并且在文件传输期间不会提示您输入它们。这尤其适用于安全问题：您有责任为您的编码添加安全功能，并相应地配置您的系统（例如，保护您的系统免受病毒侵害）。注意：在创建自己的程序时，请特别注意示例代码中以“@CUSTOMER”开头的注释，因为您需要实现自己的逻辑。本说明为您提供示例编码以支持您创建自己的程序。在 STRUST 事务中，您维护了一个 PSE 并导入了您要发送的文件的最终收件人的证书。

matinal 當冬夜漸暖 。公众号：matinal 1333

Chapter 4 Ripple-Based Control Technique Part I

本文介绍了DC-DC转换器的纹波控制技术，重点分析了迟滞控制、恒定开通时间控制、恒定关断时间控制等方案的工作原理及优缺点。纹波控制无需补偿网络，具有快速瞬态响应和结构简单的优势，特别适合电池供电应用。其中，恒定开通时间控制在轻载时能自动延长关断时间，实现伪定频工作；而恒定关断时间控制轻载效率较低。文章还讨论了纹波注入技术解决Boost转换器右半平面零点问题，并比较了不同控制方案在负载瞬态下的性能表现。最后指出基于纹波的控制技术在提高调节精度和降低EMI方面的改进方向。

2304_76736886的博客 1302

Codex 安装 + 配置 + 卸载的全面指南

本文提供OpenAI Codex AI编程助手的完整安装、配置和卸载指南。Codex作为专为开发者打造的AI编程代理，能够自动执行代码生成、测试修复、架构理解等复杂任务，是ChatGPT和GitHub Copilot的强力竞争者。本文涵盖桌面版安装、IDE集成、网络配置、账号管理等全方位内容。

独坐一隅，凝神遐想，是种幸福！ —— 独隅 9万+

antiSMASH安装与使用

antiSMASH本地安装 简要： antiSMASH的本地安装需要安装很多的依赖包，本文章使用conda辅助安装 参考： 官方：https://docs.antismash.secondarymetabolites.org/install/ 文章：http://blog.sciencenet.cn/blog-3416913-1240614.html 依赖包下载 conda install -y diamond=0.8.36 conda install -y fasttree=2.1.9 conda ins

Curry_chenhu的博客 7225

Codex+AI基础教程（Windows桌面版IDE）

讲解Codex开发工具如何下载，如何安装。Codex开发工具如何使用，如何设置。Codex开发工具中如何创建自己的AGENTS.md和rules规则，如何使用规则。Codex中如何创建用于生成母婴用品公司网页的AGENTS文档Codex中使用AGENTS生成母婴用品公司网页Codex中AGENTS转换成技能Skills技能skills的基础语法，如何创建技能skillsCodex中安装使用ui-ux-pro-max技能和生成网页Codex中使用自定义skills技能生成公司网页

CoppeliaSim和Python进行无人机联合仿真

CopeeliaSim和Python进行无人机轨迹跟踪联合仿真。首先建立起CoppeliaSim和Python的连接，其次在Python中生成轨迹，CoppeliaSim仿真环境中的无人机进行跟踪，并绘制出轨迹曲线，有每一步详细的教学。

加斯顿工程师的博客 987

超十万字解读Spring AI实战：开篇

大模型技术正以惊人的速度改变世界，2025年的人工智能已不再是科幻，而是现实。大模型如ChatGPT等，正在重塑各行各业，降低技术门槛，使专业能力普及化。SpringAI的出现为Java开发者提供了桥梁，使其能在企业级系统中稳定运行AI，同时保持工程化思维。尽管SpringAI在生态、学习成本和性能上存在不足，但其企业级基因和国产化适配能力使其成为Java开发者的重要工具。本系列文章旨在介绍SpringAI的功能与特性，鼓励更多Java开发者参与AI实践，共同探索AI时代的无限可能。

liaokailin的专栏 1577

OpenAI Codex Desktop App 保姆级安装教程（Windows / Mac）

第一步下载安装客户端。第二步配置 API Key。第三步设置中文界面。AI 编程助手。它可以帮助你：写代码查 bug学技术写文档自动完成开发任务对于开发者来说，效率提升还是非常明显的。

8万+

第二天 原来Labview语言结构也挺自然（2.1 顺序结构）

新建项目文件StructureTest.lvproj，新建四个子VI（FlatSequence.vi、CaseStructure.vi、LoopStructure.vi、EventStructure.vi），具体新建流程可以参考1.2节。

weixin_38637405的博客 1004

2026年最新Codex 接入 GPT-5.6 Sol 模型完整图文教程：通过 CC Switch 配置 API

整个配置过程并不复杂，核心就是利用完成 API 配置转发。注册 AI1API↓创建 API Key↓选择 openai-GPT 分组↓API Key 列表点击 ...↓导入 CCS↓选择 Codex↓允许打开 CC Switch↓CC Switch 点击导入↓打开 Codex / ChatGPT↓开始使用对于经常使用 AI 编程工具的开发者来说，这种方式的优势是配置过程比较直观，不需要手动编辑复杂的配置文件。

heikejiruanjian的博客 3452

【错误解决】本地计算机上的mysql服务启动停止后,某些服务在未由其他服务或程序使用时将自动停止

转载请注明出处：http://blog.youkuaiyun.com/qq_26525215 本文源自【大学之旅_谙忆的博客】 在启动mysql服务时出现该错误: 本地计算机上的mysql服务启动停止后,某些服务在未由其他服务或程序使用时将自动停止。mysql 版本 5.7.14 系统 win 7后来经过一系列的百度，谷歌，总算是解决了。首先，你需要把原来的服务删除：mysqld --remove mysq

谙忆-陈浩翔 12万+

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")

macOS安装CC-Switch并配置Codex 教程【最新2026.6】

选择Codex 供应商点击自定义配置。

weixin_49263546的博客 3352

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

2026 实测：Codex 与 Claude 安装、cc-switch 配置及 API 管理全流程指南

因为 IDE 内置终端、插件环境、外部 shell 的变量继承并不总是一致。先证明 CLI 稳定，再扩展到 IDE，排障成本最低。很多人装好 Codex 和 Claude 之后，第一反应是“终于能用了”。但从工程角度看，“能用”只是开始，真正重要的是下面这三件事：能不能稳定切换能不能知道当前到底在用哪套 API出问题时能不能快速定位是客户端、网关、模型还是配置本身如果你只装工具，不做配置治理，那么越往后用，越容易混乱。如果你把cc-switch。

2303_80676760的博客 1万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

CC Switch下载、安装和使用保姆级教程【2026最新】（附安装包+图文步骤）

摘要（148字）： CCSwitch是一款开源免费的AI编程工具API管理软件，支持ClaudeCode、OpenAICodex等5款主流工具。它通过图形界面实现多API提供商（官方/镜像/代理）的一键切换，解决手动修改配置的痛点。支持Windows/macOS/Linux系统，提供Provider健康检查、用量统计及备份功能。安装简便，Windows推荐.msi自动更新版，macOS需在隐私设置中授权运行。核心功能包括多应用独立配置、自定义API参数及网络连通性测试，适合需要频繁切换API的重度开发者，显

lxttzlove的博客 7万+

2026最新指南｜Codex 接入 MiniMax 模型全攻略：利用 CC Switch 本地路由零基础配置

如果您正在寻找关于的最新解决方案，那么这篇指南将为您提供完整的操作指引。本文将详细讲解如何通过 CC Switch 的本地路由（Local Routing）功能，将 MiniMax 大语言模型无缝接入 Codex CLI 工具。无论您是需要解决接口格式转换，还是希望统一管理 API Key，这套基于 CC Switch 的本地路由攻略都能帮您快速完成配置。

qq_68006585的博客 5741

Codex 桌面端接入国产模型完整教程：CC Switch 配置 DeepSeek、Kimi、GLM、MiniMax

Codex桌面端接入国产模型的关键技巧 Codex桌面端接入国产模型（如DeepSeek、Kimi、GLM、MiniMax）需解决两个核心问题： 模型门控机制：未检测到官方登录态时，Codex会隐藏自定义模型。通过CC Switch的应用增强开关保留官方auth.json登录态，同时将第三方配置写入config.toml，绕过限制。 协议不兼容：Codex使用Responses API，而国产模型多为Chat Completions协议。CC Switch的本地路由（127.0.0.1:15721）实时转换

aidoudoulong的博客 1641

Codex windows桌面版 从安装到使用详细教程（2026最新版）可绑定国内模型DeepSeek或智谱GLM

摘要 Claude Codex是一款直接集成在电脑本地的AI编程助手，与普通AI编程工具不同，它无需复制粘贴代码，可直接与项目环境交互。国内用户可通过国产大模型（如GLM、DeepSeek）合法使用，无需境外网络。安装步骤包括下载安装包、配置模型API密钥（通过CC Switch工具管理）、设置主模型及测试启用。配置完成后重启Codex即可开始使用DeepSeek等国产大模型进行编程辅助。

weixin_42562567的博客 3106

CC-Switch 2026最新完整版 下载+安装+全功能配置教程

供应商名称：自定义备注（如XX中转）Base URL：平台提供地址（结尾带/v1）API Key：中转平台密钥模型名称：填写平台支持代码模型名勾选「适配Claude协议路由」，保存启用。

pangzi62732的博客 1808

2026最新CC-Switch配置DeepSeek安装包下载安装教程，完美适配Codex本地调用

下载安装Codex客户端 → 安装最新版CC-Switch → 官网获取有效DeepSeek API Key → CC-Switch新增DeepSeek供应商渠道 → 填写并保存API Key → 进入设置开启本地路由总开关+Codex开关 → 主界面激活DeepSeek渠道 → 重启Codex客户端 → 完成部署，正常调用模型整套配置流程简单、兼容性强，适配所有主流电脑系统，全程仅需几分钟。

2501_93482674的博客 2568

Windows安装Codex并接入DeepSeek

本文详细介绍了在Windows系统上安装Codex并接入DeepSeek模型的完整流程。主要内容包括：1. 从Microsoft Store安装Codex基础应用；2. 安装Codex++增强工具，通过其管理界面配置DeepSeek API（需获取API Key）；3. 安装CC-Switch工具解决插件显示问题，配置本地路由实现完整功能；4. 最终实现Codex支持中文界面、完整插件市场及DeepSeek模型切换（v4-flash/v4-pro）。文中还对比了Codex与WorkBuddy在中文办公、数据

晨之清风 1599
上一篇： 哪些中转站可以接入 Codex？国内外五类平台完整对比
下一篇： Codex Windows 避坑指南：从安装到沙箱报错的完整排查手册
点赞 6
评论 0
书签 书签 14
vibecoding77
vibecoding77
博客等级 码龄134天 12粉丝 78原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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