Codex CLI：轻量级本地AI编码协作者，支持OpenAI/DeepSeek多模型

1. 项目概述：这不是另一个“AI编程工具”，而是一套可嵌入你工作流的本地化编码协作者

Codex CLI 不是 ChatGPT 的命令行马甲，也不是 VS Code 插件的简化版。它是一个真正意义上“跑在你电脑终端里”的轻量级编码智能体——整个核心逻辑由 Rust 编写，二进制体积控制在 20MB 左右，启动时间低于 300ms，不依赖 Docker、不强制联网、不偷偷上传代码片段。我第一次在 Ubuntu 20.04 的老旧笔记本上运行codex --help，看到响应速度比ls -la还快时，就意识到这和市面上那些动辄要开 8GB 内存、等半分钟才吐出一行建议的“本地大模型”有本质区别。

它的定位非常清晰：把 OpenAI 级别的代码理解与生成能力，封装成一个像git或curl那样可被脚本调用、可被 IDE 集成、可被 CI 流水线直接消费的 Unix 工具。关键词Codex、Codex CLI、CLI、npx在热搜中高频共现，恰恰说明用户不是在找“怎么用 AI 写代码”，而是在问“怎么让 AI 成为我日常开发流程里那个沉默但可靠的搭档”。比如你写完一段 Python 脚本，想立刻检查是否符合 PEP8、是否漏了异常处理、是否能自动补全单元测试——不需要切到网页、不用打开新窗口、不打断当前终端上下文，只要敲codex review .，它就在当前目录下生成带注释的改进建议。这才是npx codex背后真正的价值：把 AI 从“应用”降维成“命令”。

这个指南之所以强调“30 分钟”，是因为实测下来，从零开始完成安装、身份验证、基础命令演练、环境适配（尤其是中文支持与 DeepSeek 接入），全程可控在 28 分钟以内。其中最耗时的环节不是下载或编译，而是 OpenAI 账户登录时的邮箱验证码等待（平均 90 秒）。所有操作均基于官方 GitHub 仓库openai/codex主分支最新稳定版（v0.139.0）验证，覆盖 Windows 10/11、macOS Monterey 及以上、Ubuntu 20.04/22.04 三大主力平台。如果你正被“API Key 怎么填”“离线包在哪下”“中文设置不生效”这类问题卡住，这篇就是为你写的——它不讲原理，只给路径；不堆概念，只列命令；不画大饼，只保你 30 分钟后能在终端里打出第一行codex explain并看到真实反馈。

2. 核心设计逻辑：为什么 Codex CLI 必须是 CLI？为什么 npx 是最佳入口？

2.1 CLI 不是妥协，而是工程决策的必然结果

很多人看到 “Codex CLI” 第一反应是：“哦，就是个命令行版本，功能肯定不如网页版”。这是对底层架构的严重误判。Codex CLI 的核心设计哲学是“最小可行智能体”（Minimum Viable Agent），其技术栈完全绕开了传统 Web 应用的渲染层、状态管理、网络请求抽象等冗余模块。整个二进制由 Rust 编译而来，直接调用系统原生 API（Linux 下用 epoll，macOS 用 kqueue，Windows 用 IOCP），所有代码分析、上下文构建、提示词工程都在内存中完成，没有中间 JSON 序列化/反序列化损耗。我在一台 4 核 8GB 的旧 Mac mini 上对比过：用网页版 Codex 分析一个 500 行的 TypeScript 文件，平均耗时 4.2 秒（含网络延迟 1.8 秒）；用 Codex CLI 同样操作，耗时 1.7 秒，且 CPU 占用峰值仅 32%，而网页版 Chrome 进程常驻 1.2GB 内存。

这种差异直接决定了它的适用场景：

• 当你需要在 Git Hooks 里自动检查提交代码质量（pre-commit钩子调用codex lint）；
• 当你在 CI 流水线中要求 PR 描述必须包含函数变更说明（codex describe src/utils.ts输出 Markdown）；
• 当你深夜调试一个崩溃的 Node.js 进程，想快速生成core dump分析报告（codex analyze core.12345）；
  这些场景下，一个需要启动浏览器、等待 WebSocket 连接、再加载前端框架的“网页版”，根本无法嵌入。CLI 是唯一能实现毫秒级响应、零状态残留、完美管道（pipe）兼容的形态。这也是为什么官方文档开篇就强调：“If you want Codex in your code editor, install in your IDE. If you want the desktop app experience, run codex app. If you are looking for the cloud-based agent, go to chatgpt.com/codex.” —— 它把不同形态严格解耦，CLI 就是为“自动化”而生。

2.2 npx：不是偷懒，而是规避全局污染与版本碎片化的最优解

搜索热词里npx高频出现，但很多人并不理解为什么官方推荐npx @openai/codex而非npm install -g @openai/codex。这里涉及两个关键工程痛点：
第一，Node.js 全局安装的权限地狱。在企业内网或 macOS SIP 保护下，npm install -g常因权限不足失败，用户被迫sudo npm install -g，进而导致后续所有 npm 包安装都需 sudo，形成恶性循环。而npx默认在用户目录（~/.npm/_npx）创建沙盒环境，无需 root 权限，安装失败时也不会污染全局 node_modules。
第二，多项目版本冲突。假设你同时维护一个用 Codex v0.135.0 的旧项目（依赖特定 prompt 模板）和一个用 v0.139.0 的新项目（新增了--json-output参数），全局安装只能保留一个版本。而npx @openai/codex@0.135.0和npx @openai/codex@0.139.0可并存，npx会自动缓存不同版本到独立目录，并在执行时精准调用对应二进制。

实测数据佐证：在 Ubuntu 20.04 上，npx @openai/codex首次执行耗时 12.3 秒（含下载、解压、校验），后续执行平均 0.4 秒（直接复用缓存）；而npm install -g @openai/codex首次耗时 8.7 秒，但一旦全局安装，codex --version响应时间稳定在 0.2 秒。表面看后者更快，但当你执行codex --help发现输出的是旧版帮助文档（因为全局安装未更新），再去npm update -g又可能破坏其他依赖——这种隐性成本远高于npx多花的那几秒。所以我的建议很明确：日常开发用npx，CI 流水线用npm install --no-save @openai/codex（避免缓存失效风险），仅当你要写大量自定义 Shell 脚本且追求极致启动速度时，才考虑全局安装。

2.3 架构分层：为什么 Codex CLI 能无缝接入 DeepSeek、Claude 等第三方服务？

Codex CLI 的核心抽象是OpenAI 兼容协议适配器（OpenAI-Compatible Adapter）。它不硬编码任何模型厂商的 API 地址或认证方式，而是将所有外部服务统一视为“符合 OpenAI REST API 规范的端点”。这意味着只要你有一个服务端点（Endpoint）返回标准的chat/completionsJSON 响应（含choices[0].message.content字段），Codex CLI 就能驱动它。官方默认指向https://api.openai.com/v1/chat/completions，但通过CODEX_API_BASE_URL环境变量或--api-base-url参数，可瞬间切换。

这个设计直接解释了热搜词中大量出现的codex接入deepseek、codex配置deepseek、填写兼容 openai response 格式的服务端点地址。以 DeepSeek-Coder 为例，假设你已部署好 vLLM 服务，其 OpenAI 兼容接口地址为http://localhost:8000/v1，那么只需：

# 方式一：临时指定（单次有效） npx @openai/codex --api-base-url http://localhost:8000/v1 --api-key "EMPTY" explain src/main.py # 方式二：永久配置（写入 ~/.codex/config.json） echo '{"api_base_url": "http://localhost:8000/v1", "api_key": "EMPTY"}' > ~/.codex/config.json

注意api_key设为"EMPTY"是因为 vLLM 默认禁用密钥验证，而 Codex CLI 强制要求api_key字段存在（否则报错error: missing api key）。这种“协议即接口”的设计，让 Codex CLI 成为事实上的本地 AI 服务路由器——你可以用同一个命令，今天连 OpenAI，明天切 DeepSeek，后天换 Claude，只需改一行配置，无需重装、无需改代码。这也是它区别于claude cli或playwright cli的本质：后两者是厂商专属工具，而 Codex CLI 是开放协议的通用载体。

3. 实操全流程：从零开始的 30 分钟落地手册（含所有平台避坑细节）

3.1 安装阶段：四条路径，选哪条取决于你的环境约束

Codex CLI 提供四种安装方式，但并非等价。根据你当前环境的限制（网络、权限、稳定性需求），选择最优路径：

路径一：npx（推荐新手首选，无权限要求）

# 执行前确保 Node.js >= 18.0（检查：node -v） npx @openai/codex@latest --version

✅ 优势：零配置、免权限、自动版本管理、适合临时使用
❌ 劣势：首次执行较慢（需下载）、离线不可用
⚠️ 注意：若提示command not found: npx，说明 Node.js 未安装或 PATH 未配置。Ubuntu 用户执行sudo apt update && sudo apt install -y nodejs npm；macOS 用户用 Homebrewbrew install node；Windows 用户去官网下载 Node.js LTS 安装包（勾选“Add to PATH”）。

路径二：Shell 脚本安装（Linux/macOS 最稳方案）

# Linux/macOS 一键安装（自动检测架构、下载、校验、安装到 /usr/local/bin） curl -fsSL https://chatgpt.com/codex/install.sh | sh # 验证 codex --version

✅ 优势：安装后永久可用、启动最快、离线可运行
❌ 劣势：需sudo权限（脚本会写入/usr/local/bin）、Windows 不支持
⚠️ 注意：该脚本实际行为是：1）检测系统架构（uname -m）；2）从 GitHub Releases 下载对应.tar.gz；3）解压并chmod +x；4）sudo mv到系统路径。若公司防火墙拦截curl，可手动下载：访问 https://github.com/openai/codex/releases，找到最新版（如v0.139.0），下载codex-x86_64-unknown-linux-musl.tar.gz（Linux）或codex-aarch64-apple-darwin.tar.gz（Mac M1/M2），解压后执行sudo mv codex-x86_64-unknown-linux-musl /usr/local/bin/codex。

路径三：Homebrew（macOS 用户优雅之选）

# 确保已安装 Homebrew（检查：brew --version） brew tap homebrew/cask-versions brew install --cask codex

✅ 优势：与 macOS 生态深度集成、自动更新、卸载干净
❌ 劣势：仅限 macOS、Cask 安装包偶尔滞后于 GitHub 最新版
⚠️ 注意：若brew install --cask codex报错No available formula or cask with the name "codex"，说明 Homebrew Cask 仓库未同步最新。执行brew update && brew cleanup后重试。也可直接brew install codex（非 cask 版，走源码编译，耗时约 8 分钟）。

路径四：Windows PowerShell（企业环境安全策略适配）

# 以管理员身份运行 PowerShell Set-ExecutionPolicy RemoteSigned -Scope CurrentUser irm https://chatgpt.com/codex/install.ps1 | iex

✅ 优势：绕过 Windows Defender 拦截（RemoteSigned策略允许本地脚本）、企业内网友好
❌ 劣势：需管理员权限、PowerShell 必须启用
⚠️ 注意：若公司策略禁止irm（Invoke-RestMethod），可手动下载：访问 GitHub Releases，下载codex-x86_64-pc-windows-msvc.zip，解压后将codex.exe复制到C:\Windows\System32或添加到系统 PATH。此时命令为codex.exe --version，而非codex。

提示：无论哪种路径，安装后务必执行codex --help。若输出帮助文档，说明二进制正常；若报错command not found，请检查 PATH 是否包含安装目录（Linux/macOS 查echo $PATH，Windows 查echo %PATH%）。

3.2 身份认证：ChatGPT 登录 vs API Key，哪种更适合你？

Codex CLI 支持两种身份认证方式，选择依据是你的使用场景和安全要求：

方式一：ChatGPT 账户登录（推荐个人开发者）

codex login # 终端会输出一个 URL，用浏览器打开，登录你的 ChatGPT 账户（Plus/Pro/Edu 均可） # 登录成功后，页面会显示 "Authentication successful"，终端自动获取 token codex whoami # 验证登录状态

✅ 优势：无需管理 API Key、自动继承 ChatGPT 订阅权益（如 GPT-4 访问）、Token 自动刷新
❌ 劣势：需网络访问chatgpt.com、企业内网可能被代理拦截
⚠️ 注意：若浏览器打不开登录页，可复制 URL 到公司允许的浏览器中登录；登录后 token 存储在~/.codex/auth.json，内容为加密字符串，无需担心泄露。

方式二：OpenAI API Key（推荐企业/自动化场景）

# 获取 API Key：登录 https://platform.openai.com/api-keys，点击 "Create new secret key" # 设置环境变量（Linux/macOS） export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" # 或写入配置文件（永久生效） echo '{"api_key": "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"}' > ~/.codex/config.json codex whoami # 应显示 "Authenticated as OpenAI API key"

✅ 优势：完全可控、可审计、支持细粒度配额管理、CI 流水线友好
❌ 劣势：需自行保管 Key、Key 泄露风险高、免费额度有限（$5）
⚠️ 注意：API Key 必须是sk-开头的字符串，且需赋予chat.completions权限。若用错 Key（如 Dashboard Key），会报错error: invalid api key。强烈建议在.zshrc或.bashrc中设置export OPENAI_API_KEY，而非直接写入命令行（防止历史记录泄露）。

实操心得：我自己的工作流是双轨制——日常开发用codex login（省心），CI 流水线用OPENAI_API_KEY环境变量（可审计）。曾因在 GitHub Actions 中硬编码 Key 导致仓库泄露，被安全扫描工具抓出，教训深刻。现在所有 Key 都存放在 GitHub Secrets，通过${{ secrets.OPENAI_API_KEY }}注入。

3.3 中文支持实战：为什么codex set language zh不生效？终极解决方案

热搜词中codex设置中文不生效高频出现，根源在于 Codex CLI 的语言设置是上下文感知型（Context-Aware），而非全局开关。codex set language zh命令只是修改了配置文件中的language字段，但实际输出语言由三个因素动态决定：

1. 当前命令的输入内容语言（如你codex explain一个中文注释的 Python 文件，它默认用中文回复）；
2. 系统 locale 设置（LANG=zh_CN.UTF-8时优先中文）；
3. 显式--language参数（最高优先级）。

因此，正确开启中文的步骤是：

第一步：确认系统 locale（Linux/macOS）

# 查看当前 locale locale # 若输出中 LANG 不是 zh_CN.UTF-8，临时设置： export LANG=zh_CN.UTF-8 # 永久设置（写入 ~/.zshrc）： echo 'export LANG=zh_CN.UTF-8' >> ~/.zshrc source ~/.zshrc

第二步：对单次命令强制指定语言

# 解释一个 Python 文件，强制中文输出 codex explain --language zh src/utils.py # 生成单元测试，用中文描述 codex test --language zh src/calculator.py

第三步：配置文件全局兜底（非必需，但推荐）

# 创建配置目录 mkdir -p ~/.codex # 写入中文配置（注意：config.json 必须是 valid JSON） cat > ~/.codex/config.json << 'EOF' { "language": "zh", "model": "gpt-4-turbo", "temperature": 0.3 } EOF

为什么codex set language zh不生效？因为该命令实际执行的是codex config set language zh，而 Codex CLI 的 config 子命令在 v0.139.0 中存在一个 bug：它生成的config.json缺少外层大括号{}，导致解析失败。手动编辑配置文件是唯一可靠方式。另外，Windows 用户需用chcp 65001切换控制台编码为 UTF-8，否则中文会显示为乱码。

3.4 DeepSeek 接入实录：5 分钟完成本地大模型驱动

接入 DeepSeek-Coder 的核心是提供一个 OpenAI 兼容的 vLLM 服务端点。以下是完整实操（以 Ubuntu 20.04 为例）：

Step 1：部署 vLLM（假设已安装 CUDA 11.8）

# 创建虚拟环境 python3 -m venv vllm-env source vllm-env/bin/activate # 安装 vLLM（指定 CUDA 版本） pip install vllm --extra-index-url https://download.pytorch.org/whl/cu118 # 启动服务（DeepSeek-Coder-33B 模型需约 40GB 显存，此处用 1.3B 轻量版） python -m vllm.entrypoints.api_server \ --model deepseek-ai/deepseek-coder-1.3b-instruct \ --host 0.0.0.0 \ --port 8000 \ --tensor-parallel-size 1 \ --dtype half

服务启动后，访问http://localhost:8000/docs可看到 Swagger UI，证明 OpenAI 兼容 API 已就绪。

Step 2：配置 Codex CLI 指向该端点

# 方法一：环境变量（推荐，不影响其他项目） export CODEX_API_BASE_URL="http://localhost:8000/v1" export CODEX_API_KEY="EMPTY" # vLLM 默认无密钥 # 方法二：配置文件（永久） echo '{"api_base_url": "http://localhost:8000/v1", "api_key": "EMPTY"}' > ~/.codex/config.json

Step 3：验证连接

# 测试是否能调用（注意：DeepSeek 模型不支持 streaming，需加 --no-stream） codex --no-stream explain --language zh src/hello.py

若输出中文解释，说明接入成功。此时所有codex命令都将走本地 GPU，不再消耗 OpenAI 配额。

注意事项：vLLM 启动时若报错CUDA out of memory，请降低--tensor-parallel-size或换用更小模型（如deepseek-ai/deepseek-coder-33b-base需双 A100）。DeepSeek 官方模型权重需从 HuggingFace 下载，国内用户可直连，无需镜像。

4. 核心命令详解：从入门到进阶的 12 个高频场景

Codex CLI 的命令设计遵循 Unix 哲学：每个命令做一件事，并做好。以下按使用频率排序，覆盖 95% 的日常开发场景。

4.1codex explain：代码理解的黄金命令（使用率 38%）

作用：对指定文件或代码块生成自然语言解释，支持多语言、多粒度。
典型用法：

# 解释整个文件（自动检测语言） codex explain src/main.py # 解释选中的代码块（VS Code 中选中后按 Ctrl+Shift+P → "Codex: Explain Selection"） codex explain - << 'EOF' def fibonacci(n): if n <= 1: return n return fibonacci(n-1) + fibonacci(n-2) EOF # 强制中文，精简输出（去掉冗余描述） codex explain --language zh --format markdown src/utils.ts

原理拆解：explain命令会：1）读取文件内容；2）提取 AST 结构（Python 用 astroid，JS/TS 用 SWC）；3）构建上下文提示词（包含函数签名、注释、调用关系）；4）发送至 LLM；5）解析响应并格式化输出。--format markdown会启用语法高亮，--no-color可禁用颜色（适配 CI 日志）。

避坑指南：

• 若解释结果过于笼统，加--detail high提升细节密度；
• 对大型文件（>2000 行），先用--lines 1-100指定范围，避免上下文溢出；
• 中文解释时，若出现术语翻译错误（如 “closure” 译成“封闭”而非“闭包”），在提示词中加请使用专业编程术语的中文标准译名。

4.2codex test：自动生成单元测试（使用率 25%）

作用：为函数或模块生成覆盖边界条件的单元测试，支持 pytest、jest、go test 等主流框架。
典型用法：

# 为 Python 函数生成 pytest codex test src/calculator.py --framework pytest # 为 JavaScript 类生成 Jest codex test src/validator.js --framework jest # 指定测试覆盖率目标（影响生成数量） codex test src/math.js --coverage 90

原理拆解：test命令会：1）静态分析函数签名与类型注解；2）推断输入参数类型与合理值域（如int推出-100到100）；3）识别if/else、try/catch等分支；4）为每个分支生成测试用例；5）注入断言（assert或expect）。--framework参数决定模板语法，--coverage控制用例数量（数值越高，生成越慢）。

避坑指南：

• 若函数无类型注解，test命令准确率下降 40%，务必先加# type: (int, str) -> bool；
• 对异步函数（async def），需显式加--async true，否则生成同步测试；
• 生成的测试默认不包含 mock，如需模拟数据库，加--mock db。

4.3codex review：代码审查助手（使用率 18%）

作用：扫描代码中的安全漏洞、性能反模式、可维护性问题，输出带修复建议的报告。
典型用法：

# 扫描当前目录（递归） codex review . # 扫描 Git 差异（仅审查本次 commit 修改的文件） git diff --name-only HEAD~1 | xargs codex review # 仅检查安全问题（CWE 标准） codex review --category security src/

原理拆解：review命令内置规则引擎，包含：

• 安全规则库：SQL 注入、XSS、硬编码密钥（匹配password = "xxx"模式）；
• 性能规则库：N+1 查询、未关闭的文件句柄、低效正则（.*开头）；
• 风格规则库：PEP8、ESLint 推荐项、Go 代码规范。
  每条规则触发时，会定位到具体行号，并生成修复后的代码块。

避坑指南：

• 默认规则较激进，首次使用建议加--severity medium（过滤低危警告）；
• 对自定义框架（如 Django 模板），需通过--ruleset django.json加载扩展规则；
• 报告输出为 JSON 时（--format json），可直接被 SonarQube 解析。

4.4codex refactor：安全重构（使用率 12%）

作用：执行语义保持的代码重构，如重命名、提取函数、内联变量。
典型用法：

# 重命名函数（自动更新所有调用处） codex refactor --rename old_function_name:new_function_name src/main.py # 提取选中代码为新函数 codex refactor --extract-function calculate_total src/billing.py # 将重复代码块转换为循环 codex refactor --to-loop src/parser.py

原理拆解：refactor命令基于 AST 进行符号解析，确保重构不改变程序行为。--rename会追踪所有引用（包括字符串中的函数名，需谨慎）；--extract-function会分析选中代码的输入/输出变量，生成带参数和返回值的新函数；--to-loop会识别相似代码块的模式，生成for或while循环。

避坑指南：

• 重构前务必git commit，refactor不做备份；
• --rename对动态调用（getattr(obj, func_name)）无效，会漏改；
• 提取函数时，若变量作用域复杂，加--scope global强制提升作用域。

4.5codex describe：PR/Commit 描述生成（使用率 7%）

作用：根据代码变更自动生成符合 Conventional Commits 规范的描述。
典型用法：

# 生成本次 commit 的描述（需在 git repo 内） codex describe --commit HEAD # 生成 PR 描述（基于当前分支与 main 的差异） codex describe --pr --base main # 指定输出格式（Markdown 适配 GitHub PR 模板） codex describe --format markdown --template pr

原理拆解：describe命令会：1）调用git diff获取变更；2）解析增删行，识别新增函数、删除类、修改配置等语义；3）映射到 Conventional Commits 类型（feat、fix、chore）；4）生成标题与正文（含变更列表、影响范围）。

避坑指南：

• 若变更过大（>50 文件），加--max-files 20限制分析范围；
• 对文档变更（.md文件），加--type docs强制归类为docs；
• 生成的描述需人工审核，尤其涉及 breaking change 时。

5. 常见问题排查：从报错信息到根因解决的速查表

Codex CLI 的报错信息设计简洁，但部分错误需结合上下文才能定位。以下是高频问题的排查路径，按发生概率排序。

5.1 网络问题专项：为什么codex login打不开浏览器？

此问题在企业内网、学校网络、Docker 容器中高频出现。根本原因是 Codex CLI 的login命令依赖系统默认浏览器打开授权页，但内网常禁用xdg-open（Linux）或open（macOS）命令。

排查步骤：

1. 运行codex login，观察终端输出的 URL（形如https://chatgpt.com/auth?code=xxx）；
2. 复制该 URL，粘贴到公司允许的浏览器（如 Chrome）中访问；
3. 若仍跳转失败，检查浏览器是否启用弹窗拦截（禁用即可）。

终极方案（无浏览器环境）：

# 生成授权 URL 并输出到终端（不自动打开） codex login --no-browser # 复制输出的 URL，在外部浏览器登录后，页面会显示一个 6 位验证码 # 在终端输入验证码 Enter the 6-digit code from the browser: 123456

此模式下，Codex CLI 会轮询授权服务器，直到收到有效 token。全程无需图形界面，完美适配 SSH 远程服务器、CI runner 等场景。

5.2 中文乱码终极修复：从终端到字体的全链路诊断

中文显示为????或方块，是跨平台最顽固的问题。需逐层排查：

Layer 1：终端编码（首要检查）

• Linux：locale输出LANG=en_US.UTF-8？若为C或POSIX，执行export LANG=en_US.UTF-8；
• macOS：defaults read -g AppleLocale应为en_US，若为zh_CN，终端可能不兼容，改回en_US；
• Windows：chcp应输出65001（UTF-8），若为437（OEM），执行chcp 65001。

Layer 2：字体支持（关键）

• Linux：安装 Noto Sans CJK 字体sudo apt install fonts-noto-cjk；
• macOS：系统自带 PingFang，无需额外安装；
• Windows：确保C:\Windows\Fonts下有simhei.ttf（黑体）或msyh.ttc（微软雅黑）。

Layer 3：Codex 配置（最后一步）

# 强制指定中文输出（覆盖所有层级） echo '{"language": "zh", "