Wie greifen Sie zu und verwenden Sie OpenAI Codex?

“Software program Engineering ändert sich und bis Ende 2025 wird es grundlegend anders aussehen.Greg Brockmans Eröffnungszeile bei OpenAIs Startveranstaltung gab den Ton für die folgenden.

Codex ist kein einziges Produkt, sondern eine Familie von Agenten, die von Codex -1, dem neuesten Codierungsmodell von OpenA, betrieben werden. Codex CLI ist vor einigen Wochen als leichter Begleiter angekommen, der in Ihrem Terminal läuft. Heute verlagert sich das Rampenlicht auf seine größere, größere, Fernbedienung Agent, der ganz auf Avialble ist Chatgpt. Sie können Tausende von parallelen „Mini -Computern“ aufdrehen und mehrere Aufgaben in Angriff nehmen, während Sie sich nicht mit Kaffee schnappen. Dieser Artikel wird ein Überblick über Codex auf ChatGPT sein, und wir werden bald einige projektbasierte Artikel zu diesem Thema veröffentlichen.

Von der autonomen Vibe -Codierung von Vehicle zur autonomen Stimmung

OpenAIs Reise in Richtung agentenähnlicher Codierung begann 2021 mit dem ursprünglichen Codex-Modell, das Github Copilot angetrieben hat. Zu dieser Zeit funktionierte es wie eine intelligente Autocomplete und hilft Ihnen, Codezeilen zu beenden. Seitdem mit Jahren des Fortschritts in VerstärkungslernenCodex ist fähiger geworden.

Heute in Zeiten von Vibe -CodierungSie beschreiben einfach, was Sie in einfacher Sprache wollen, und Codex findet heraus, wie man es baut. Das neueste Modell, Codex -1, basiert auf Openai’s O3 Architektur und fein abgestimmt auf echte Pull-Anfragen. Es ist geschult, um Code zu generieren, Finest Practices wie Lining, Testen und konsistentem Stil zu befolgen, wodurch er für die Entwicklung der realen Welt hilfreich ist.

Lesen Sie auch: Ein Leitfaden zur Beherrschung der Kunst der Vibe -Codierung

Wie greifen Sie in der Chatgpt -Schnittstelle auf Codex zu?

• Öffnen Sie Chatgpt und gehen „Codex (Beta)“ Image. Klicken Sie darauf, um das Agent -Dashboard anzuzeigen.

• GitHub verbinden (nur zuerst): Ein einzelner OAuth -Klick autorisiert den Codex, um auf Ihren Repos zu lesen/zu schreiben. Sie können es auf bestimmte Organisationen oder persönliche Projekte beschränken.

• Wählen Sie ein Repository & Zweig aus: Wählen Sie das Projekt aus, an dem Codex arbeiten soll (z. B., z. fundamental oder function/ui‑overhaul). Der Agent kloniert diesen Zweig in seine eigene Sandkiste.
• Konfigurieren Sie die Umgebung (non-compulsory): Fügen Sie Umgebungsvariablen, Geheimnisse oder Einrichtungsbefehle hinzu, genau wie ein CI -Job. Linter und Formatterer sind voreinstalliert, aber Sie können Versionen überschreiben.

• Wählen Sie eine Process -Vorlage:
  • Fragen: „Erklären Sie die Architektur.“
  • Code: „Finden und beheben Sie den Flakey -Check in test_api.py.“
  • Vorschlagen: Lassen Sie den Codex das Repo scannen und Wartungsarbeiten vorschlagen.
  • Oder geben Sie einfach einen benutzerdefinierten Anweisungen in natürlicher Sprache ein.

• Run & Multitask: Drücken Sie „Begin“. Jeder Job dreht seinen eigenen Mikro -VM; Sie können Dutzende parallel anstellen und sich weiterhin in Chatgpt unterhalten.
• Überprüfungsergebnisse: Grüne Checkmarks geben vorübergehende Exams an. Klicken Sie auf eine Taskkarte, um den Diff, die Erklärung des Modells und den vollständigen Arbeitsplatz zu sehen.
• Verschmelzen oder iterieren: Schlag „Öffnen Sie PR“ Um den Zweig zurück zu GitHub zu drücken oder auf die Aufgabe zu antworten, wobei die Anweisungen für die Aufgabe erforderlich sind, wenn Änderungen erforderlich sind.

Openai Codex Demo

In diesem Abschnitt teile ich die verschiedenen Beispiele, die demostieren, wie dieser neue Softwareentwicklungsagent Ihr Leben sortieren kann!

Beispiel 1: Beschleunigung der Entwicklung

Der OpenAI -Ingenieur Nacho Soto zeigt, wie Codex ihm hilft, neue Aufgaben schneller zu beginnen, indem er das Projektgerüst wie Swift -Pakete eingerichtet hat. Mit Eingabeaufforderungen konnte er die Setup -Arbeit ausladen und sich auf das Erstellen von Funktionen konzentrieren, während Codex den Relaxation im Hintergrund übernimmt.

https://www.youtube.com/watch?v=wsakqlzszyw

Beispiel 2: Workflows überprüfen

Codex unterstützt nicht nur Codegenerierung, sondern auch Workflows. Entwickler überprüfen AI-generierte Pull-Anfragen, identifizieren Probleme wie Formatierung und fordern Codex, um Korrekturen vorzunehmen.

https://www.youtube.com/watch?v=o-zfxbfamku

Beispiel 3: Beheben von Papierschnitten mit Codex

Ingenieur Max Johnson beschreibt, wie Codex bei der Behandlung kleiner Fehler und Codequalitätsprobleme hilft, ohne den Fokus zu stören. Anstatt Kontexte zu wechseln, delegiert er diese Aufgaben an Codex und überprüft die Ausgabe später, wodurch die Codebasis verbessert wird.

https://www.youtube.com/watch?v=yhzfc1ih7jw

Beispiel 4: Fehler in der Codebasis auf einem Anruf finden

Calvin erklärt, wie Codex bei den Verschiebungen auf dem Abrufen dringende Aufgaben hilft. Durch das Senden von Stapelspuren an Codex erhält er schnell Diagnostik oder Korrekturen. Es hilft auch dabei, Warnmeldungen abzustimmen und die Routine -OPS -Arbeit zu verwalten, wodurch manuelle Overhead reduziert wird.

https://www.youtube.com/watch?v=9nt_t9pzhg8

O3 gegen Codex

Immediate: „Bitte beheben Sie das folgende Downside im Matplotlib /Matplotlib -Repository. Beheben Sie das Downside im folgenden Downside, indem Sie Codedateien in Ihrer aktuellen Code -Ausführungssitzung bearbeiten und testen. Das Repository wird in den Ordner /testbediert kloniert. Sie müssen das Downside vollständig lösen, damit Ihre Antwort korrekt betrachtet werden soll.“

Downside assertion:(Bug): Home windows correction is just not right in `mlab._spectral_helper`
### Bug abstract
Home windows correction is just not right in `mlab._spectral_helper`:
https://github.com/matplotlib/matplotlib/blob/3418bada1c1f44da1f73916c5603e3ae79fe58c1/lib/matplotlib/mlab.py#L423-L430
The `np.abs` is just not wanted, and provides mistaken consequence for window with damaging worth, comparable to `flattop`.
For reference, the implementation of scipy might be discovered right here :
https://github.com/scipy/scipy/blob/d9f75db82fdffef06187c9d8d2f0f5b36c7a791b/scipy/sign/_spectral_py.py#L1854-L1859
### Code for replica
```python
import numpy as np
from scipy import sign
window = sign.home windows.flattop(512)
print(np.abs(window).sum()**2-window.sum()**2)
```
### Precise consequence
4372.942556173262
### Anticipated consequence
0
### Further data
_No response_
### Working system
_No response_
### Matplotlib Model
newest
### Matplotlib Backend
_No response_
### Python model
_No response_
### Jupyter model
_No response_
### Set up
None

Ausgabe:

Beobachtung:

Die mit Codex erstellte Repair ist genauer und vollständiger als die O3-Ausgabe, da er die unnötige Verwendung korrekt entfernt np.abs() in der Fensternormalisierung innerhalb mlab._spectral_helperwas falsche Ergebnisse für Fenster mit negativen Werten wie verursachte flattop. Codex ersetzt die fehlerhafte Normalisierung durch mathematisch angemessene Ausdrücke – unter Verwendung (window**2).sum() anstatt (np.abs(window)**2).sum()– Ausrichtung mit Finest Practices in Scipy’s Implementierung. Es fügt auch einen Unit -Check hinzu, um das Verhalten zu validieren und sicherzustellen, dass die Repair überprüfbar und sturdy ist. Im Gegensatz dazu erscheint die O3 -Ausgabe unvollständig und adressiert den Kernfehler nicht eindeutig, wodurch Codex die bessere Lösung ist.

Arbeiten von Codex

1. Codex schreibt Code: Das Modell beginnt damit, Code zu generieren, um eine bestimmte Aufgabe zu lösen.
2. Es führt den Code aus: Die Ausgabe wird nicht nur auf Plausibilität bewertet, sondern tatsächlich ausgeführt.
3. Es überprüft die Testergebnisse: Codex stellt fest, ob der generierte Code die relevanten Exams überschreitet.
4. Es wird nur belohnt, wenn die Aufgabe erfolgreich erledigt wird: Im Gegensatz zu herkömmlichen LLMs, die sich auf die Vorhersage des nächsten Wortes konzentrieren, erhält Codex nur eine hohe Punktzahl, wenn der Code von Finish-to-Finish funktioniert.
5. Es lernt durch Suggestions: Wenn der Code fehlschlägt, wird Codex abgerufen: Erstellen von Reproskripten, Fixieren von FINT -Fehlern und Anpassung der Formatierung, bis er den Requirements erfüllt.
6. Es entwickelt sich wie ein Junior -Entwickler: Diese Trainingsmethode lehrt Codex, sich weniger wie ein Textgenerator als auch ein nachdenklicher Ingenieur zu verhalten, der nach der kodierenden Praktiken der realen Welt nachschließt.

Codex -1 übertrifft frühere Modelle sowohl in standardisierten Benchmarks als auch in internen OpenAI -Workflows. Wie nachstehend gezeigt, erreicht es eine höhere Genauigkeit auf der SWE-Bench-verifizierten Benchmark über alle Versuchszahlen und Leads bei den internen Software program-Engineering-Aufgaben von OpenAI. Dies zeigt die reale Zuverlässigkeit von Codex-1, insbesondere für Entwickler, die sie in tägliche Workflows integrieren.

Ein Blick in den Cloud Workshop

Jedes Mal, wenn Sie in der CODEX -Seitenleiste ausführen, erstellt das System eine Micro -VM -Sandbox: eine eigene Dateisystem-, CPU-, RAM- und Sperrdown -Netzwerkrichtlinie. Ihr Repository ist kloniert, Umgebungsvariablen injiziert und gemeinsame Entwickler -Instruments (Linter, Formatter, Testläufer) voreinstalliert. Diese Isolation bietet zwei unmittelbare Vorteile:

1. Sicherheit und Reproduzierbarkeit – Rogue -Skripte können Ihren Laptop computer nicht berühren oder Geheimnisse auslaufen. Der gesamte Lauf kann später wiedergegeben werden.
2. Parallelität im Maßstab – Müssen Tippfehler reparieren, Zeitausfälle harmonisieren und einen mysteriösen Fehler jagen? Starten Sie drei Aufgaben und überprüfen Sie die Ergebnisse auf der Seite.

Eine optionale Agenten.MD -Datei wirkt wie ein Readme für Roboter: Sie beschreiben das Projektlayout, wie man Exams ausführt, den Bevorzugungsstil bevorzugt, sogar eine Anfrage, ASCII -Katzen zwischen den Schritten zu drucken. Je reicher die Anweisungen, desto glatterer Kodex verhält sich.

Verfügbarkeit, Grenzen und was als nächstes kommt

Codex ist derzeit für Chatgpt Professional, Enterprise und Teambenutzer verfügbar. Von freien und EDU-Nutzern wird erwartet, dass sie bald Zugriff erhalten. Während der Forschungsvorschau unterliegt die Verwendung großzügiger Grenzen, aber diese können sich auf der Grundlage der Nachfrage entwickeln. Zukünftige Pläne umfassen eine API für Codex, die Integration in CI -Pipelines und die Vereinigung zwischen den CLI- und ChatGPT -Versionen, um nahtlose Handoffs zwischen lokaler und Cloud -Entwicklung zu ermöglichen.

Lesen Sie auch:

Abschluss

„Ich habe gerade einen Multi -File -Refaktor gelandet, der meinen Laptop computer nie berührt hat.“

– OpenAI -Ingenieur

Geschichten wie dieser Hinweis auf eine Zukunft, in der die Codierung hochklappbarer Orchestrierung ähnelt: Sie liefern die Absicht, der Agent wird durch die Particulars erscheint. Codex stellt eine Verschiebung in der Interaktion der Entwickler mit Code dar und wechselt von der manuellen Schreiben von Aufgaben auf hoher Ebene. Ingenieure konzentrieren sich jetzt mehr auf Absicht und Validierung, während Codex die Ausführung übernimmt. Für viele signalisiert dies den Beginn eines neuen Entwicklungsworkflows, bei dem die Zusammenarbeit zwischen Menschen und Agenten eher zum Commonplace als zum Commonplace wird.

Wie planen Sie Codex? Lassen Sie mich im Kommentarbereich unten wissen!

Hallo, ich bin Nitika, ein technisch versierter Content material-Ersteller und Vermarkter. Kreativität und neue Dinge lernen natürlich für mich. Ich habe Fachkenntnisse bei der Erstellung von ergebnisgesteuerten Inhaltsstrategien. Ich bin mit search engine optimisation -Administration, Key phrase -Operationen, Webinhalten, Kommunikation, Inhaltsstrategie, Bearbeitung und Schreiben intestine vertraut.