Codex大降价指南：官方教你高效利用额度
最近，社区对Codex的讨论热度明显升温。不少用户发现了一个实用小技巧：通过邀请好友注册，就能重置自己的使用速率限制。有意思的是，被邀请者甚至不需要是付费用户，只要通过你的链接访问Codex并发几条消息，邀请者就能获得一次重置机会。
除了这类拉新活动，更值得关注的是其定价策略的潜在变动。据外媒援引内部消息，OpenAI正在积极考虑大幅下调Codex的API调用费用，目标直指其强劲对手Anthropic的用户群。虽然具体方案仍在探讨，但Token单价有望迎来显著下降，这对开发者和企业用户无疑是个好消息。
实际上，Codex早已被OpenAI视为下一阶段增长的核心。官方数据显示，ChatGPT的全球用户数已突破10亿，而Codex的周活跃用户却只有500万。换算下来，平均每200个ChatGPT用户里，只有1个人尝试过侧边栏里的Codex功能。
除了部分场景“用不上”，更普遍的情况或许是：很多人并不清楚Codex的能力边界究竟在哪里，也不了解哪些任务交给Codex处理会比ChatGPT高效得多。
OpenAI显然也意识到了这个认知瓶颈。一方面，他们宣布未来会将Codex深度整合进新版ChatGPT应用，让用户在界面里就能无缝切换两种模式。另一方面，官网最近集中上线了十几个涵盖真实工作流的详细案例，从网页部署、iOS开发，到大型项目管理和持续上百小时的科研实验，每个案例都配有清晰的操作指引。这些教程堪称是快速上手Codex的最佳路径，直接回答了“它能干什么”以及“怎么用它”这两个核心问题。
Computer Use：赋予 Codex 操作电脑的能力
想象一下，你对Siri说：“帮我给妈妈发条微信，内容是XXXX”。Siri很可能会回答：“请先解锁iPhone”。目前，Codex同样还不能直接操控微信这类应用。
它的“Computer Use”功能，本质是让AI模拟人类去操作电脑界面——识别窗口、点击按钮、读取文字、输入信息。这个功能特别适合那些需要跨多个应用协作的重复性任务，比如整理散落在各处的笔记、同步数据、跨平台复制信息，或者批量回复消息。
官方给的例子既有简单的，也有复杂的：
@Computer 放点轻音乐，助我专注工作。
@Computer 请将记事本里的面试要点，同步到飞书文档里。
@Computer 查一下我企业微信上的待办，然后设置提醒。
操作流程很直观：先在Codex App里确认开启Computer Use功能；在对话框里，给指令加上@Computer前缀，或者直接@目标应用（比如@Slack）；选定插件后，清晰描述你想要什么结果；当Codex请求系统权限时，及时授权，接下来就可以看着它自动执行了。
使用时注意几点：确保Mac在执行任务期间不会自动锁屏，或者开启Codex自带的“锁屏操作”选项；提前在设置里指定好默认浏览器；避免同时用两个Computer Use线程去控制同一个应用。每次任务完成后，可以让Codex总结一下执行过程，甚至把成功的流程固化成可复用的模板。
为 Codex 设定可持续执行的长期目标
平常让AI干活，经常得一步一指令地盯着，效率很低。/goal指令就是为了解决这个问题：你只需要交代一个宏观目标，Codex就能自己制定计划、持续推进、不断迭代，直到完成任务闭环。
根据官方指南，最适合用/goal的任务有三个特征：规模介于单一指令和一长串待办清单之间；目标明确且结果可验证；完成标准清晰、可量化。
项目迁移类：无论是把游戏移植到新引擎、让移动应用适配新平台，还是给整个代码库换框架，都可以让Codex用/goal模式全程驱动。
原型开发类：从零开始构建新应用、新游戏或新功能时，可以先写好一份PLAN.md文档，详细描述产品形态和技术路径，然后交给Codex去生成和打磨初版。
提示词调优类：如果你手头有测试集，可以用/goal让Codex自动分析失败案例、修改提示词、重新跑评测，并持续循环这个过程，直到指标达标或满足你设定的终止条件。
要写出高质量的/goal指令，建议遵循这个结构：先定义清楚目标和验收标准；接着指明需要参考的关键文件（比如文档、Issue、日志）；然后明确怎么验证进度（例如执行某个命令、产出某个文件）；要求它分阶段执行并同步简明的进度日志；过程中可以随时用/goal查询状态；任务完成后、卡住了或者需要转向时，也可以灵活地暂停、继续或清空重来。
借助 GPT Image 2 快速制作专业 PPT
做PPT最耗时的，往往是排版和保持视觉统一。Codex在这方面有两项核心能力：$$slides可以直接读写.pptx文件；$$imagegen则能按需生成高质量的配图。
OpenAI官方推荐的提示词范例如下：
请结合 $$slides 和 $$imagegen 技能，按如下要求编辑本演示文稿：
- 若存在 logo.png 文件，请将其置于每页幻灯片右下角；
- 在第 X、Y、Z 页幻灯片上，将文字左移，并在右侧生成对应插图（风格：抽象数字艺术）；
- 尽量保留原文本格式，简单图表优先采用 PowerPoint 原生图表；
- 新增幻灯片：[在此处描述新增页内容]；
- 新增内容须严格沿用现有品牌规范（主色、字体、版式逻辑）；
- 渲染更新后的幻灯片为图像，校验输出效果，交付前修复所有布局异常；
- 交付前执行溢出检测与字体替换检查，尤其关注密集型幻灯片；
- 批量生成图像时，请保存可复用的提示词或生成说明。
除了从零创建，你还可以把Logo、参考图等素材上传到同一个文件夹，方便Codex自动调用。对于周报、月报这类周期性文档，可以先写一份guidelines.md来明确内容模块、结构和更新机制，再结合其他插件自动抓取最新数据。比如一份面向股东的季度汇报，可能只需要替换关键数据和洞察结论就行了。
如果是对已有PPT进行微调，也可以在对话框里直接下指令，比如调整行距、修复错位的文本框等。
依据截图精准还原网页界面
你只需要提供几张设计截图、一段简短的说明，或者一些灵感参考图，Codex就能生成响应式的前端代码，并且严格遵循你项目现有的技术栈和代码风格，不会另搞一套。
配合$playwright插件，Codex可以在真实的浏览器环境里加载页面，按照不同设备的尺寸逐一比对截图，反复调试，直到视觉和交互效果都高度还原。
参考提示词如下：
请依据我提供的屏幕截图及注释，在当前项目中实现该用户界面。
要求：
- 复用现有设计系统组件与 HTML 结构；
- 将截图转化为本仓库已有的工具链与组件模式，而非新建平行体系；
- 精准匹配间距、布局、层级关系及响应式行为；
- 遵循仓库既定的路由规则、状态管理逻辑与数据获取方式；
- 确保页面在桌面与移动端均表现良好；
- 若截图细节存疑，选择最简可行方案并注明假设前提。
验证：
- 将最终 UI 与原始截图进行外观与行为双重比对；
- 使用 $playwright-interactive 工具逐帧校验匹配度，并持续迭代优化。
零基础开发浏览器端小游戏
游戏开发是展示Codex不仅懂代码、更懂产品设计的绝佳场景。一款完整的游戏涉及玩法设计、渲染、前后端架构、美术资源，还需要反复调试手感和画面。
开始之前，先让Codex输出一份PLAN.md，把游戏拆解成多个模块：核心玩法、循环机制、操作方式、胜负判定、难度曲线、美术风格、技术选型、部署方案，以及各个里程碑的优先级。
接着编写一份AGENTS.md，可以参考这个范式：
游戏名称
技术栈：
- 前端：NextJS（部署在Vercel）
- 渲染：XXX
- 后端：Fastify + WebSocket（部署在XXX）
- 数据库：Postgres；缓存与消息队列：Redis
- AI 能力：OpenAI API
开发约定：
- 每完成一个功能模块，立即执行 build / test 验证；
- 新功能开发严格遵循 PLAN.md 规划；
- 所有设计决策与思考记录于 .logs 目录，便于回溯；
- 使用 playwright 测试画面表现，偏差即调；
- 图像资源通过 imagegen 生成，每批 prompt 存入 .prompts 以利复用；
- 通过 Context7 MCP 加载渲染框架文档。
然后为Codex配备好所需插件：用$$imagegen生成美术资源，用$$playwright进行真机环境测试，用$openai-docs同步最新API文档，必要时接入Context7 MCP获取框架资料。
之后，Codex就会依据PLAN.md推进初版开发。如果需要生成大量图像，初版构建可能会持续数小时，Token消耗也会比较显著。但得益于Playwright的能力，Codex可以自己在浏览器里试玩、验证效果，整个过程几乎无需人工干预。计划定得越细，初版的完成度就越高。
社区里就有过这样的尝试：让Codex自动生成一份游戏Plan.md，并据此做出了一款几乎可以直接上线的网页小游戏。
Use $playwright-interactive, $imagegen, and $openai-docs to plan and build a browser game in this repo.Implement PLAN.md, and log your work under .logs/.
除了网页游戏，借助Codex的iOS App构建插件，只需一句指令，就能在Codex内实时预览和测试iOS应用。
让 AI 深度参与科研全流程
Codex的能力远不止于编程，它还能扮演一个长期的科研助理角色，承担从实验设计、数据采集到结果分析、迭代优化的全流程任务。研究者负责把控方向和制定评判标准，AI则负责执行、验证、打分和自我修正。
一个典型案例是模型架构的改良。比如你提出了一个关于蛋白质折叠的新假设：“如果让模型显式地学习高阶几何结构，能不能提升预测精度？”这类探索往往需要大量试错。
开启Codex的Goal Mode后，你只需要提供三样东西：一个界定好的科学问题、一个可运行的基线模型、一套自动化的评估基准。AI就能自主开展实验、测试、记录、诊断和再优化，持续朝着目标逼近。
在官方示例中，Codex连续运行了超过150个小时，最终产出了一个名为SimplexFold的创新性架构。
另一个典型场景是药物靶点的筛选排序。这类任务的难点在于，相关证据分散在十几个不同的数据库中，涵盖了遗传学、临床试验、文献、基因表达等多个维度的数据。
借助Life Science Research插件，Codex可以并行访问各个数据库提取证据，对每一条线索进行独立评分（1–5分），最后汇总生成评分矩阵、靶点排名以及热力图等可视化报告。
OpenAI官网已经公开了大量实践案例，本文只是选取了其中几个高频应用场景。如果你对更多具体用例感兴趣，可以前往OpenAI开发者官网的 developers.openai.com/codex/use-cases 页面亲自探索。
