2024年实测：900Mbps网速的隐藏玩法与优化指南

昨天，Codex又悄悄做了一件“好事”——它重置了所有账户的使用额度。不少用户发现，自己的配额从快见底的状态，一下子又回到了接近满格的水平。

Codex的负责人Tibo在X上发文解释了原因：原来，之前一个旨在优化长时间会话的压缩措施，意外影响了缓存命中率，导致用户额度消耗异常加速。问题发现后，团队迅速回滚了该优化，并重置了所有账户的限制作为补偿。用他的话说：“祝您周末愉快。”

额度回来了，自然就想着再折腾点啥。刚好，X上刷到一条挺有意思的推文：“我用Codex提升了我的电脑网速，从400Mbps到900Mbps。”

这标题确实抓人眼球。用AI助手优化本地网络？网速难道不是由路由器或者网络服务提供商（ISP）决定的吗？评论区里也充满了类似的质疑：“所以Codex到底改了电脑上的什么设置？”、“以现在的AI技术，我实在分不清这是干货还是诱饵。”

发帖的博主随后给出了解释：Codex帮他把电脑上的“auto tuning level”从关闭状态调回了“normal”（正常）。这个参数的作用，是让系统根据网络延迟、带宽和拥塞情况，动态调整单次接收的数据量，从而可能提升网络吞吐效率。

他还大方地分享了自己使用的提示词。这套指令非常详细，先是虚构了一个场景（朋友网速提升、自家带宽远高于实际速度），然后要求Codex进行系统化诊断：运行测速、检查DNS解析时间、MTU、丢包率、Wi-Fi信号等，并列出可能的问题，如删除过时的网络配置、限制高带宽进程、优化mDNS等，最后进行前后对比测试。

嘿，我朋友说他的网速提高了，情况是这样的。你能帮我看看我们家的网络有什么可以改进的地方吗？我的网络供应商说他们提供的带宽是 1.2k Gbps，而我实际的网速是硬件问题。我现在只有 55Mbps，请帮我解决这个问题，别出错了。

我的目标很简单，就是让我的互联网速度更快。

问题已诊断：首先运行了 speedtest-cli。

检查了 DNS 解析时间，

检查了 MTU、丢包率、Wi-Fi 信号/干扰情况。

发现 3 个问题。

已删除过时的网络位置/配置文件。

终止或限制占用大量带宽的后台进程。

优化 mDNS。

进行了测试前后的速度测试和延迟检查。

这套方法论并非空xue来风。它源自另一位X博主@cjzafir的实践分享。他声称在使用Codex配合特定提示词后，不仅网速有提升，本地运行的6B小模型速度更快了，甚至老款MacBook Pro都“运行如新”。

真有这么神奇？我们也决定动手试一试。在请Codex出手前，先用中国科学技术大学的测速网站（https://test.ustc.edu.cn/）打了个底，当时的下载速度大约在100Mbps，上传在200Mbps左右。

将提示词喂给Codex后，它果然开始了长达五分钟的系统诊断和修复流程，从DNS、数据包到网络配置，逐一排查。

最终，Codex给出了结论：“我检查并做了能安全完成的修复。”它识别出三个主要问题：DNS/缓存异常、较高的负载延迟，以及有线千兆网卡未启用（意味着测速基于Wi-Fi，无法达到千兆标准）。

然而，再次测速的结果，却并没有显示出显著的提升。

效果为何因人而异？有网友在原推下询问博主是否用的Mac，得到的回答是Windows。随即有人科普：Mac的网络配置相对固定，Codex通常难以插手；而Windows和Linux系统的网络设置更为灵活，可调整空间更大。

所以，这次或许是Windows和Linux用户的专属福利？有评论调侃道：“还以为是用Codex黑进了ISP后台提升了带宽上限，结果只是清了清DNS缓存。”话虽如此，确实也有其他网友反馈，按照这个方法成功复现了网速提升。

如果你也感兴趣，不妨一试。但必须提醒的是，让AI修改系统配置存在一定风险。评论区已有“翻车”案例：Codex删除了用户原有的网络配置，并告知“删除它们是为了让网速更快”。

这其实暴露了所有具备“计算机使用”（Computer Use）能力AI工具的共性问题。除了在授权每一步操作前务必看清指令，更稳妥的做法是在提出任务时，就要求AI解释清楚它计划执行的每一个步骤及其原因。即便不进行实际修改，仅让Codex诊断潜在的网络配置问题，其深度和主动性也远超Windows系统那个常常卡在进度条里的自带网络故障排查工具。

开始了，Codexmaxxing

当大家还在争论网速提升的真伪时，已经有眼尖的网友指出了更深层的价值：这本质上是一种“案例驱动”的启发。

它的核心逻辑是，为AI提供一个已被验证的成功案例（提示词模板），让它基于此进行学习，再针对用户的具体情况做精准诊断和优化。这种思路在各类智能体（Agent）产品上将极具威力。

这很容易让人联想到Codex内置的 `/goal` 命令。你给它一个目标，这个目标可以是自定义的，也可以是他人成功的案例，Codex便会自行探索达成目标的路径。社交媒体上，分享各种目标模板已成风尚，OpenAI的工程师甚至专门撰文阐述如何设定目标以最大化Codex的价值。

/goal <期望的最终状态>，通过 <具体证据> 验证，同时保留 <约束条件>。使用 <允许的输入、工具或边界>。在各次迭代之间，如果受阻或没有剩余有效路径。

当然，也有观点认为，这恰恰是Codex尚处早期阶段的体现，所以我们才需要钻研这些“提示词工程”。无论是案例驱动还是 `/goal` 命令，本质都是为了让AI更好地理解人类模糊的意图。这很像Midjourney、Nano Banana等AI绘画工具刚兴起时的景象，用户热衷于收集各种“咒语”。而如今，使用GPT Image 2在多数场景下，无需复杂提示词也能获得不错的结果。

可以预见，随着Codex能力进化，我们或许不再需要这些模板。但反过来看，正是通过现阶段这种“模仿使用”的过程，我们才得以更深刻地理解AI将如何重塑效率。除了优化网络，社区里已经涌现出更多有趣的玩法。

例如，用Codex设置定时任务，让它每天早晨自动生成一份行业日报；让Codex实现“自我进化”，从历史对话中提取可复用的技能；甚至直接构建一个macOS应用，或者将DeepSeek等模型接入Codex客户端。

我们也尝试了那套让Codex“自进化”的提示词。经过7分钟的分析，它成功为我们创建了3个新技能。

这套提示词的思路颇具通用性。其核心是引导AI复盘历史工作，识别重复、耗时、易错或可标准化的流程，并将其打包成可复用的技能（Skill）、子智能体或自动化任务。它设定了一系列严谨的筛选条件：流程至少出现两次、输入输出明确、能显著提升效率或质量，且尚未被现有方案覆盖。最终，AI会输出一份评估清单，并只创建高置信度、高价值的资产。

我们还测试了Tibo分享的另一个场景：用Codex管理订阅。输入指令“请查看我的电子邮件，列出我付费订阅的所有服务，以及订阅了哪些邮件通知，并和我确认哪些需要取消订阅。” Codex迅速调用浏览器工具登录Gmail，扫描后给出了清晰的列表，虽然付费订阅不多，但成功筛选出了一批“可退订的邮件通知”。

新加入OpenAI的员工Jason Liu也分享了他的“榨干Codex”心法：偏爱使用语音输入、让对话线程跨会话保留上下文，以及利用Obsidian笔记库作为Codex的持久记忆层。

这波围绕Codex的探索热潮，恰好印证了一个更大的行业趋势。此前就有分析指出，几乎所有模型公司都在布局自己的智能体产品，模型公司与产品公司的界限正日益模糊。OpenAI的CEO Greg也在X上直言，他认为“仅凭模型本身已经不再是产品”。Google AI Studio负责人Logan对此表示赞同，认为模型、工具与产品间的共生关系已成主流。

就目前而言，Codex很可能成为OpenAI展示其模型综合能力的最有力产品。其官网主页也已重新设计，定位从“开发者代码助手”转向了“为所有人服务的AI工作伙伴”。

Codex负责人Tibo概述了他们的规划：发布更强大、高效的模型，每周迭代更好的产品，并持续增加计算能力。在已有Lobster、Claude Code等产品占据先发优势的市场中，Codex的快速进展确实令人期待。不过，Tibo最后也不忘贴心地提醒用户：工具虽好，也别沉迷，记得多出去走走，毕竟Codex无法替代我们体验真实的生活。