入门指南Codex发布于 2026/06/18更新于 2026/10/18作者 koala已复核更新12 分钟

Codex 如何接入第三方模型:DeepSeek、Kimi、Qwen、GLM 配置与排错

Codex 接入 DeepSeek、Kimi、Qwen、GLM 前,需要检查 Responses API 兼容性。本文给出 Ollama、LM Studio、OpenRouter 配置示例、profile 版本说明,以及 401、404、流式和工具调用排错方法。

Codex 可以通过自定义模型供应商接入第三方模型,但能否完成编程任务,取决于服务接口、流式事件和工具调用是否兼容。 想接 DeepSeek、Kimi、Qwen、GLM,先检查实际服务端是否提供 Responses API;只有 Chat Completions 入口时,需要兼容网关,不能只替换 base_url。

本文面向使用 Codex CLI 的开发者,提供本地模型与云端供应商的配置路径。更新核查日期为 2026-10-18:示例依据供应商文档整理,未逐一完成各模型的端到端实测;App、SDK 或其他宿主的支持范围需要分别确认。模型名称、费用和服务能力以你实际使用的供应商为准。

Codex 模型无关工作台

这件事真正有价值的地方,不是“OpenAI 变开放了”这个口号,而是一个更实际的变化:

编程 Agent 的工具层和模型层,正在被拆开。

以前你用某个 AI 编程工具,往往就默认绑定某家的模型。现在 Codex 更像一个可配置的工作台:壳是 Codex,核可以是 GPT,也可以是 Ollama 本地模型、LM Studio、本地开源模型,或者通过 OpenRouter、CC Switch、LiteLLM 这类中间层接 DeepSeek、Qwen、Kimi、GLM 等模型。

但这里有个坑,一定要先说清楚:

Codex 能接第三方模型是真的;所有模型填个 base_url 就能用,是假的。

这篇文章就不讲虚的,我们按真正上手的顺序来:先讲 Codex 到底开放了什么,再讲 DeepSeek、Kimi、Qwen、GLM 这类模型为什么不能只看 base_url,最后给你三条最实用的接入路线和几份可以直接改的 config.toml。

先说明一下本文的核查口径。下面涉及 Codex 配置的地方,我以 OpenAI Codex 官方文档为准;涉及 Ollama、LM Studio、OpenRouter、DeepSeek、Kimi 的地方,我只用对应平台的官方文档做依据。配置核查不等于对所有模型的运行验收。

先把概念讲对:Open 的是工具层,不是模型权重

很多人容易把 Codex 和 OpenAI 模型混在一起。

其实你可以这样理解:

你看到的东西它真正代表什么
Codex App桌面端编程 Agent 工作台
Codex CLI终端里的 Codex 入口
Codex SDK可以嵌进自己程序里的 Codex 能力
OpenAI 模型默认后端模型之一
第三方模型你可以自己配置进去的后端

所以这次讨论的重点不是 OpenAI 把 GPT 权重放出来了,而是 Codex 的后端模型供应商可以被替换。

这个差别很关键。

如果 OpenAI 开源模型权重,那是模型层开放;如果 Codex 允许你换模型,那是工具层开放。后者对开发者依然很有用,因为你终于可以把“顺手的 Agent 外壳”和“适合自己的模型”拆开选择。

比如:

你的需求可以考虑的模型路线
想沿用默认供应商OpenAI 官方模型
想要本地隐私Ollama / LM Studio
想要便宜跑日常任务开源 coding 模型
想接 DeepSeek 等国产模型OpenRouter / CC Switch / LiteLLM
想做团队统一入口自建协议网关

这就是这波讨论真正值得写的原因。

最大的坑:Responses API 和 Chat Completions 不是一回事

很多教程会告诉你:在 ~/.codex/config.toml 里加一个 model_providers,把 base_url 改成第三方模型地址就行。

这句话只说对了一半。

本文使用 Codex 官方自定义供应商配置,将 wire_api 明确设置为 responses。服务端需要支持相应协议,不能把“OpenAI 兼容”四个字当作所有接口都兼容。

而很多第三方模型服务,尤其是 DeepSeek、Kimi 这类平台,官方文档里常见入口仍然是 Chat Completions 风格,也就是大家熟悉的 /chat/completions。

问题就出在这里。

Responses API 和 Chat Completions 的请求体、流式返回、工具调用结构都不一样。你把一个只支持 Chat Completions 的服务地址直接塞给 Codex,可能会遇到这些问题:

现象常见原因
模型列表拿不到服务端接口格式不匹配
直接 400 / 404路径或请求体不是对方支持的格式
流式输出卡住返回事件不是 Codex 期待的格式
工具调用异常function calling / tool call 字段不兼容

所以我们要把第三方模型分成两类看:

类型接入难度
原生或兼容 Responses API可以直接配
只支持 Chat Completions需要中间层转换

后面所有方案,都是围绕这个判断展开。

Codex 第三方模型接入路线图

路线一:用 Ollama 本地跑开源模型

如果你最关心隐私、离线、本地可控,优先看 Ollama。

Ollama 的好处是简单:本地起一个模型服务,Codex 通过本地 HTTP 地址调用它。使用本地推理时,请求发往本地模型服务;但 MCP、联网工具或其他集成仍可能向外部发送数据,不能仅凭本地模型就认定整个任务离线。

适合谁:

场景是否适合
想在本地跑 Qwen Coder、DeepSeek Coder 等模型适合
电脑显存或内存比较够适合
想完全离线做代码解释、重构、小任务适合
想跑非常复杂的大型项目规划不一定适合

Ollama 官方文档已经写明支持 OpenAI 的 /v1/responses,但要求版本够新。官方文档里标注 /v1/responses 是在 Ollama v0.13.3 加入的,所以你先确认版本:

ollama --version

然后拉一个 coding 模型。比如:

ollama pull qwen2.5-coder:32b

确认 Ollama 服务正在运行:

ollama serve

如果你想走 Codex 的 custom provider,编辑 ~/.codex/config.toml:

model = "qwen2.5-coder:32b"
model_provider = "local_ollama"

[model_providers.local_ollama]
name = "Ollama"
base_url = "http://localhost:11434/v1"
wire_api = "responses"

本地服务通常不需要 env_key,因为没有鉴权。

如果你只是想快速用 Codex 的 OSS 模式,也可以只配置默认本地 provider:

oss_provider = "ollama"

然后启动:

codex --oss -m qwen2.5-coder:32b

如果你不想先写 oss_provider,也可以临时指定本地 provider:

codex --oss --local-provider ollama -m qwen2.5-coder:32b

这里要提醒一句:本地模型能不能好用,不只看 Codex 配置,还看模型本身能力、上下文长度、机器性能和你的任务复杂度。让本地模型写小工具、解释代码、改局部逻辑,体验通常还不错;让它接管一个大型系统的复杂重构,就要对结果多做验证。

路线二:用 LM Studio 管理本地模型

如果你不想在命令行里管理模型,LM Studio 更适合你。

它的优势是图形界面友好:下载模型、启动本地服务、切换模型都更直观。对很多不想折腾 Ollama 命令的同学来说,LM Studio 会轻松不少。LM Studio 官方文档写明它提供 OpenAI-compatible endpoint,包括 /v1/models、/v1/responses、/v1/chat/completions 等接口。

如果走 Codex 的 OSS 模式,可以把默认本地 provider 设成 lmstudio:

oss_provider = "lmstudio"

然后启动:

codex --oss -m 你在 LM Studio 里加载的模型 ID

也可以临时指定:

codex --oss --local-provider lmstudio -m 你在 LM Studio 里加载的模型 ID

如果你想按普通 custom provider 直连 LM Studio 本地服务,也可以用一个不和内置 ID 冲突的名字,比如 local_lmstudio:

model = "你在 LM Studio 里加载的模型 ID"
model_provider = "local_lmstudio"

[model_providers.local_lmstudio]
name = "LM Studio"
base_url = "http://localhost:1234/v1"
wire_api = "responses"

你需要在 LM Studio 里先启动本地 OpenAI 兼容服务,再让 Codex 去连。这里的关键不是“LM Studio 这个软件能打开”,而是它的本地服务要真的跑起来。

LM Studio 更适合这类用户:

你是什么情况建议
不想记模型启动命令选 LM Studio
经常换不同本地模型测试选 LM Studio
想用图形界面看模型、上下文、服务状态选 LM Studio
想自动化脚本管理模型服务Ollama 可能更顺手

我个人的建议是:如果你是开发者,Ollama 更像底层服务;如果你是内容创作者、产品同学、非重度命令行用户,LM Studio 更像本地模型控制台。

路线三:通过 OpenRouter 接 DeepSeek、Claude、Gemini 等模型

如果目标模型在 OpenRouter 可用,可以评估其 Responses API 接入路线。是否适合你的任务,需要同时核对模型可用性、费用和工具调用支持。

原因很简单:OpenRouter 本身提供 OpenAI 兼容接口,也已经在官方文档里提供 Responses API。它的 Responses API 文档写明 endpoint 是 https://openrouter.ai/api/v1/responses,所以在 Codex 里配置 provider base URL 时,用 https://openrouter.ai/api/v1 作为 API base。

先去 OpenRouter 创建 API key,然后在本机设置环境变量:

export OPENROUTER_API_KEY="sk-or-你的key"

再写 ~/.codex/config.toml:

model = "这里换成 OpenRouter 控制台里的模型 ID"
model_provider = "openrouter"

[model_providers.openrouter]
name = "OpenRouter"
base_url = "https://openrouter.ai/api/v1"
wire_api = "responses"
env_key = "OPENROUTER_API_KEY"

这里的 model 字段要以 OpenRouter 控制台实际展示的模型 ID 为准。不同时间模型名可能会调整,不要死记某一个示例。

如果你想临时切模型,可以在启动时覆盖:

codex --model "供应商当前支持的模型ID"

或者建立不同 profile,把规划、执行、便宜任务分开。根据 官方 profile 迁移说明,Codex 0.134.0 及以后使用 $CODEX_HOME/plan.config.toml 这样的独立文件,并通过 --profile plan 选择。旧版教程的 [profiles.plan] 写法不能跨版本照搬,先运行 codex --version。

比如你的基础配置 ~/.codex/config.toml 可以只放 provider:

[model_providers.openrouter]
name = "OpenRouter"
base_url = "https://openrouter.ai/api/v1"
wire_api = "responses"
env_key = "OPENROUTER_API_KEY"

然后新建 ~/.codex/fast.config.toml:

model = "这里换成 OpenRouter 控制台里的模型 ID"
model_provider = "openrouter"

使用时:

codex --profile fast

这套玩法的价值很大。

你可以让复杂规划走更强模型,让局部改代码、解释报错、生成脚本走更便宜的模型。Codex 负责统一工作流,模型按任务分层。

DeepSeek、Kimi、Qwen、GLM 怎么接?

这里要分情况。

如果模型服务已经支持 Responses API,那你基本可以按普通 provider 写:

model = "你的模型名"
model_provider = "your_provider"

[model_providers.your_provider]
name = "Your Provider"
base_url = "https://你的服务地址/v1"
wire_api = "responses"
env_key = "YOUR_API_KEY"

然后设置环境变量:

export YOUR_API_KEY="你的key"

但如果它只支持 Chat Completions,就不要指望只改 base_url 一次成功。

这时有三条路:

方案适合谁优点注意点
OpenRouter想少折腾的用户配置简单,模型多成本、路由和隐私要看平台规则
CC Switch想图形化管理多工具的人可以统一管理 Codex、Claude Code、Gemini CLI 等配置图形工具可能会改动本地配置,使用前最好备份
LiteLLM / 自建 bridge团队或高级用户协议、日志、密钥和路由都可控需要自己维护服务

选择社区配置工具时,要区分“修改配置”与“转换协议”。配置管理器并不天然包含完整的 Responses 转换能力;只有你使用的具体版本明确支持相应代理模式,并通过工具调用验证,才可以承担这层转换。

不过这类工具不属于 OpenAI 官方文档范围,所以我建议把它当成“社区方案”看待:能解决问题,但使用前要备份 ~/.codex/config.toml,并确认它到底改了哪些配置。

配置大概会变成这种思路:

model = "deepseek-chat"
model_provider = "deepseek_local"

[model_providers.deepseek_local]
name = "DeepSeek Local Route"
base_url = "http://127.0.0.1:15721/v1"
wire_api = "responses"

注意,这里的 127.0.0.1:15721 只是本地路由地址示例,具体端口以你的工具实际配置为准。

如果你是团队用户,我更建议认真看 LiteLLM 或自己写 bridge。原因不是它更酷,而是团队场景里你通常需要统一管理 API key、日志、成本、模型路由、失败重试和敏感代码策略。把这些都交给一个黑盒图形工具,后面排查问题会比较麻烦。

普通用户怎么选?

你可以直接按这个表选。

你的目标推荐路线
我想通过聚合平台评估第三方模型检查 OpenRouter 的模型和协议支持
我想在本地跑,不想代码出机器Ollama
我想用图形界面管理本地模型LM Studio
我想接 DeepSeek,但不想写网关选择明确支持目标模型与 Responses 协议的现成服务
我想统一管理一堆 AI 编程工具CC Switch
我是团队,要可控、可审计、可维护LiteLLM / 自建 bridge
我只是想稳定写代码继续用 OpenAI 官方模型也没问题

不要为了“开源”而开源,也不要为了“便宜”牺牲验证。

写代码这件事,模型只是其中一层。真正影响体验的还有上下文、工具调用、补丁质量、测试执行、错误恢复、长任务稳定性。第三方模型能接进 Codex,是多了选择权,不是自动获得银弹。

给你一份最小可用配置

最后放几份可以直接改的配置。

1. Ollama 本地模型

model = "qwen2.5-coder:32b"
model_provider = "local_ollama"

[model_providers.local_ollama]
name = "Ollama"
base_url = "http://localhost:11434/v1"
wire_api = "responses"

启动:

codex

如果你想走 --oss,可以改成:

oss_provider = "ollama"

再启动:

codex --oss -m qwen2.5-coder:32b

或者不写 oss_provider,启动时临时指定:

codex --oss --local-provider ollama -m qwen2.5-coder:32b

2. LM Studio

oss_provider = "lmstudio"

启动:

codex --oss -m 你在 LM Studio 里加载的模型 ID

也可以用:

codex --oss --local-provider lmstudio -m 你在 LM Studio 里加载的模型 ID

3. OpenRouter

model = "这里换成 OpenRouter 控制台里的模型 ID"
model_provider = "openrouter"

[model_providers.openrouter]
name = "OpenRouter"
base_url = "https://openrouter.ai/api/v1"
wire_api = "responses"
env_key = "OPENROUTER_API_KEY"

环境变量:

export OPENROUTER_API_KEY="sk-or-你的key"

4. 多 profile 分层使用

基础配置 ~/.codex/config.toml:

[model_providers.openrouter]
name = "OpenRouter"
base_url = "https://openrouter.ai/api/v1"
wire_api = "responses"
env_key = "OPENROUTER_API_KEY"

[model_providers.local_ollama]
name = "Ollama"
base_url = "http://localhost:11434/v1"
wire_api = "responses"

规划用的 ~/.codex/plan.config.toml:

model = "这里换成你的强模型 ID"
model_provider = "openrouter"

执行用的 ~/.codex/fast.config.toml:

model = "这里换成你的便宜或快速模型 ID"
model_provider = "openrouter"

本地用的 ~/.codex/local.config.toml:

model = "qwen2.5-coder:32b"
model_provider = "local_ollama"

使用时:

codex --profile plan
codex --profile fast
codex --profile local

这个配置思路比单纯“换一个模型”更实用。

你可以把任务分成三类:

任务类型推荐模型
架构规划、复杂排错、关键重构强模型
局部改代码、写脚本、补测试快模型 / 便宜模型
涉及隐私代码的解释和搜索本地模型

这才是 Codex 支持第三方模型后最值得玩的地方。

上手前检查这 5 件事

如果你配置完跑不起来,先按这个顺序查:

检查项怎么看
API key 环境变量是否存在检查变量是否设置,不打印密钥;存在不等于鉴权成功
base_url 是否写到 /v1很多服务需要完整 v1 路径
模型名是否是服务端真实模型名去供应商控制台或模型列表确认
对方是否支持 Responses API不支持就需要中间层
Codex 是否读到了配置重启 Codex,或用 /model 查看当前模型

尤其是第四条。

如果一个服务只支持 Chat Completions,你就算 key 是对的、模型名是对的、网络也是通的,也可能还是跑不起来。这个时候不要怀疑人生,先加一层转换。

Codex 第三方模型常见问题

DeepSeek、Kimi、Qwen、GLM 可以直接填官方 API 地址吗?

需要看具体服务端提供的接口。模型品牌不决定协议:同一模型通过官方服务、聚合平台或本地部署访问,接口可能不同。先确认 Responses 路径和工具调用支持;只有 Chat Completions 时,选择经过验证的兼容网关。不要把某家 API key 填到另一家供应商配置中。

出现 401、404 或一直等待输出,应该先查什么?

401 优先检查实际启动进程是否拿到正确凭证,以及凭证是否属于当前供应商;404 优先核对路径和模型是否存在;流式卡住则检查服务端事件与网关日志。状态码只是排查线索,不能单凭它确定原因。下面的命令只检查环境变量是否存在,不输出密钥,也不验证它是否有效:

if [ -n "${OPENROUTER_API_KEY:-}" ]; then
  printf 'OPENROUTER_API_KEY is set\n'
else
  printf 'OPENROUTER_API_KEY is missing\n'
fi

已经能聊天,为什么还不能正常修改代码?

文本回答成功只证明一部分链路可用。编程任务还涉及工具参数、工具结果回传、流式事件和多轮上下文。建议先在测试项目中验证读取文件,再让它完成一个小改动并运行相关测试;分别记录文本、工具、改动和验证结果,避免把一次聊天成功当成完整接入成功。

配置应该写到项目目录,还是用户目录?

本文的供应商配置写入用户级 ~/.codex/config.toml。当前官方文档说明,项目级配置不能覆盖供应商和供应商鉴权等设置;profile 文件也应按对应版本放置。桌面应用与终端的环境变量来源可能不同,CLI 成功后仍需单独验证应用入口。

使用本地模型就能完全离线吗?

不一定。本地推理只说明模型请求留在本机;搜索、MCP 和其他工具仍可能联网。若任务要求离线,应同时核查工具、网络权限和模型加载方式。关于操作权限边界,可继续阅读 Agent 安全门禁。

结尾:真正的变化,是选择权回来了

这波 Codex 接第三方模型的讨论,最有意思的地方不是谁打脸谁,也不是哪家模型赢了。

真正的变化是:编程 Agent 正在从“一体机”,变成“可组装工作台”。

你可以用 Codex 的项目理解、补丁编辑、终端执行和工作流;也可以按任务把模型换成 OpenAI、DeepSeek、Qwen、Gemini、本地 Ollama,甚至团队自己的私有模型。

这意味着开发者以后要学的不只是“哪个模型最强”,还包括:

新问题为什么重要
哪些任务值得用强模型控制成本和质量
哪些任务可以交给本地模型控制隐私和速度
哪些供应商支持 Responses API决定能不能直连
是否需要中间层决定稳定性和可维护性
怎么验证模型改代码的结果决定能不能放心交付

所以,Codex 这次真正打开的不是 OpenAI 的模型,而是开发者自己的组合空间。

壳可以是 Codex,核可以自己选。

这句话,可能才是这波更新最值得记住的地方。

参考资料

参考资料

  1. https://developers.openai.com/codex/config-advanced
  2. https://developers.openai.com/codex/config-reference
  3. https://developers.openai.com/codex/config-sample
  4. https://docs.ollama.com/api/openai-compatibility
  5. https://ollama.com/blog/codex
  6. https://lmstudio.ai/docs/integrations/codex
  7. https://lmstudio.ai/docs/developer/openai-compat
  8. https://openrouter.ai/docs/api/reference/responses/overview
  9. https://openrouter.ai/docs/api/reference/authentication
  10. https://api-docs.deepseek.com/api/create-chat-completion
  11. https://platform.kimi.ai/docs/api/chat
Codex 今天重置了吗?查看最新额度重置动态、最近一次重置时间和公开证据查看动态

Continue Reading

相关推荐

继续阅读同一工具与主题下的实战内容。