高强度使用 Codex 的心得(如何让它成为一个乖宝宝)
1- 💡 Codex 记录贴：从基础配置到高阶调教的心得 [!note] 缘起 本文由前文 几家 Claude Code API 中转站使用体验 延伸而来。鉴于 Claude Code (cc) 的官方 API 使用成本偏高，本文作者已转向性价比极佳的 Codex。以下是作者在高强度使用 Code
研究一下codex
💡 提示：在抓包分析完成之后，我才发现 OpenAI 官方已经揭示了其中诸多的设计细节，详见 OpenAI 官方博文。 目前的 AI Agent 在技术实现上还是比较统一的，通常都通过 Agent Loops（智能体循环）的方式来做出响应（Response）： 对于用户的输入（即被结构化为 Pro
应该是目前最强的PPT Agent，附上完整思路分享
[!summary] 💡 核心导读 本文分享了目前最强的 PPT Agent 开发思路，彻底颠覆了市面上“一键生成套模板”的粗糙模式。 核心逻辑：回归“人类专家的工作流”——需求调研 ➔ 资料搜集 ➔ 大纲策划 ➔ 生成策划稿 ➔ 最终设计稿。 本文开源了项目在用的 大纲 Prompt、策划与卡片
深度解析 AI API 里的 `v1/messages`、`v1/chat/completions`、`v1/responses`：这些后缀到底是什么，为什么要这样设计？
我们经常看到下面这种样子的 URL 后缀： /v1/chat/completions
/v1/responses
/v1/messages
/v1/embeddings
/v1/models
/v1beta/models/{model}:generateContent
/openai/v1/chat
编程Agent的工程实践：来自OpenAI与Anthropic的实战经验
1- OpenAI 的实战经验 OpenAI 团队在尝试的一项实验是：构建并发布一个内部测试版的软件产品，该产品没有使用任何手动编写的代码。 需要完成这项任务，团队要为 Codex 构建出来一个可以长期可靠运行的 Agent Harness。也就是说软件工程团队主要工作不再是编写代码，而是设计环境，
深度好文——一篇文章说明白OPENAI的风控黑盒机制
1. 前言 本人使用 GPT 两年以上，订阅过 Plus、Business、Pro 5x、Pro 20x。试过至少 6 个不同的 IP，折腾过无数次，被风控的经验丰富。希望本文可以为大家提供一些关于 OpenAI 风控 的思考，减少重复与杂乱的数据，避免大家眼花缭乱、信息过载，甚至增加无谓的噪声。
工程技术：在智能体优先的世界中利用 Codex
[!meta] 作者: Ryan Lopopolo (特别感谢 Victor Zhu 和 Zach Brock) 发表时间: 2026-02-11 原文出处: OpenAI Engineering 在过去五个月里，我们的团队一直在进行一项实验：构建并交付一款软件产品的内部 Beta 版，==其中没有
