在 Claude Code CLI 中原生使用 Codex的模型：技术实现与实践经验

背景

Claude Code CLI 以其强大的 Agent 能力和工具调用功能，成为了很多开发者的日常工具。但在实际使用中，我们团队发现了一个有趣的需求：能否在保留 Claude Code 的 Agent 能力的同时，使用推理能力更强的 Codex 模型？

这个想法源于一次实际项目。我们在重构一个有 80+ 数据库迁移文件的老项目时，需要分析复杂的外键依赖关系。Claude 模型的工具调用能力很强，可以自动读取和分析文件，但在处理复杂依赖推理时显得力不从心。

于是我们开始探索：能不能让 Claude Code CLI 使用 Codex 模型？

技术实现

协议兼容的挑战

Claude Code CLI 基于 Anthropic API 协议，而 Codex 使用 OpenAI API 协议。两者在请求格式、响应结构、流式输出等方面都存在差异。

我们实现了一个协议转换层来解决这个问题：

请求转换

将 Claude API 的 messages 格式转换为 OpenAI 格式
处理 system prompt 和 user/assistant 消息的差异
转换工具调用（Function Calling）定义

响应适配

将 OpenAI 的 streaming 响应转换回 Claude 格式
保持工具调用结果的兼容性
处理错误码和异常的映射

模型命名策略 为了让 Claude Code CLI 无缝识别，我们设计了特殊的命名格式：

sonnet-[模型名]-[推理预算]

例如：

sonnet-gpt-5-high 对应 GPT-5 高推理预算
sonnet-gpt-5-codex-medium 对应 Codex 中等推理预算

这样 CLI 会认为这是 Anthropic 的模型变体，实际请求被路由到 OpenAI 后端。

工具调用的兼容

Claude Code CLI 的核心能力在于工具调用。我们需要确保切换到 Codex 后，这些能力不受影响。

关键实现点：

将 Claude 的 tool use 格式转换为 OpenAI 的 function calling
保持工具定义的语义一致性
处理工具调用结果的双向转换

测试表明，转换后的 Codex 模型可以正常使用 Claude Code 的所有工具：文件读写、命令执行、代码搜索等。

实践案例

案例一：复杂依赖分析

回到最初的问题：80 个迁移文件的依赖分析。

使用 sonnet-gpt-5-codex-high：

/model sonnet-gpt-5-codex-high
分析这些迁移文件的依赖关系，生成正确的执行顺序

Codex 的深度推理能力体现在：

识别出所有显式外键依赖
发现隐性依赖（如默认值引用其他表）
分析潜在的循环依赖风险
生成拓扑排序后的执行顺序

而 Claude Code 的 Agent 能力负责：

自动读取所有迁移文件
解析文件内容提取依赖信息
执行生成的迁移脚本
验证执行结果

案例二：性能优化

在优化一个慢查询时，我们观察到两种能力的协同：

Agent 能力（Claude Code）：

定位相关代码文件
执行 SQL EXPLAIN 分析
运行性能测试对比

推理能力（Codex）：

分析 N+1 查询的根本原因
评估多种优化方案的权衡
设计合适的 Eager Loading 策略

最终查询次数从 30+ 降到 3 次，响应时间明显改善。

案例三：代码重构

对一个 2000+ 行的 Service 类进行重构：

Codex 展现了更强的架构思维：

分析类的职责边界
按单一职责原则拆分
考虑依赖注入和可测试性
平衡内聚性和解耦度

Claude Code 则负责：

自动修改所有引用
更新单元测试
验证重构前后行为一致

推理预算的选择

Codex 提供了不同级别的推理预算，适用于不同场景：

High（高推理预算）

适合：算法设计、架构规划、复杂问题诊断
特点：推理深度大，但响应较慢
成本：相对较高

Medium（中等推理预算）

适合：日常开发、代码重构
特点：平衡了推理质量和响应速度
成本：适中

Low（低推理预算）

适合：简单代码生成、快速问答
特点：响应快速
成本：较低

Minimal（最小推理预算）

适合：代码补全、简单修改
特点：极速响应
成本：最低

我们的建议是根据任务复杂度动态切换。

使用体验与建议

优势

1. 能力互补

Claude Code 的 Agent 能力处理工具调用和任务执行
Codex 的推理能力处理复杂分析和设计

2. 无缝切换

使用 /model 命令即可切换
所有工具和上下文保持可用
不需要改变使用习惯

3. 灵活配置

可以根据任务选择合适的推理预算
在成本和效果之间找到平衡

注意事项

成本控制 高推理预算的成本相对较高。建议：

日常开发使用 medium 或 low
遇到难题时切换到 high
简单任务使用普通 Claude 模型

模型特性差异

Codex 在算法和架构设计方面表现更好
Claude 在需求理解和对话连贯性上有优势
根据任务特点选择合适的模型

上下文管理 切换模型后建议：

重新明确当前任务目标
必要时重述关键上下文
验证模型理解是否准确

快速开始

UniVibe 已经为所有用户开放了这个功能。配置很简单：

1. 设置环境变量

export ANTHROPIC_BASE_URL="https://api.univibe.com/anthropic"
export ANTHROPIC_AUTH_TOKEN="your-api-key"

2. 启动 Claude Code

claude

3. 切换到 Codex 模型

/model sonnet-gpt-5-codex-high

可用模型列表

GPT-5 系列：

sonnet-gpt-5-high - 高推理预算
sonnet-gpt-5-medium - 中等推理预算
sonnet-gpt-5-low - 低推理预算
sonnet-gpt-5-minimal - 最小推理预算

GPT-5 Codex 系列（专为编程优化）：

sonnet-gpt-5-codex-high - 高推理预算
sonnet-gpt-5-codex-medium - 中等推理预算
sonnet-gpt-5-codex-low - 低推理预算

技术展望

这次尝试验证了一个有价值的方向：不同 AI 模型可以在保持各自优势的同时协同工作。

未来我们计划：

优化协议转换层的性能
支持更多模型的接入
提供更智能的模型选择建议
探索混合推理的可能性

对于开发者来说，工具的本质是提升效率。Claude Code CLI + Codex 的组合提供了一个新的可能性：在一个熟悉的界面中，根据任务特点灵活选择最合适的 AI 能力。

更多技术细节和使用指南，请参考：

Claude Code 使用文档