OpenAI 即将发布 Codex 系列更新，其核心智能体循环架构决定着开发效率。本文深入剖析 Codex CLI 如何通过 Responses API 协调模型推理与本地工具执行，并揭秘其在零数据保留（ZDR）前提下，实现高效自动化开发的关键技术，如提示词缓存与上下文压缩，为开发者提供了构建高效智能体的实用蓝图。
智能速览
智能体循环是 Codex CLI 的核心，协调用户、模型和工具交互。
Codex 通过 Responses API 发送结构化请求来驱动模型推理。
保持提示词前缀一致是利用缓存优化性能的关键。
Codex 支持零数据保留（ZDR）配置，确保数据隐私。
当对话过长时，Codex 会自动压缩上下文以管理Token使用。
精华内容
要理解 Codex CLI 的强大，关键在于其内部的智能体循环。这一机制不仅处理任务，更在性能与安全之间找到了精妙的平衡点。
智能体循环工作流
每个 AI 智能体的核心是智能体循环，它定义了从用户输入到最终任务的完整流程。Codex 的工作流程始于整合用户输入形成提示词，随后进行模型推理生成输出 Token。模型解码后，会做出决策：要么直接回复用户，要么请求工具调用（如执行 Shell 命令）。如果请求工具调用，智能体会执行并将结果附加回提示词，然后重新推理，这个过程会迭代进行，直到模型生成最终的助手消息，标志着一个轮次的结束。
Responses API 的应用
Codex CLI 通过向 Responses API 发送 HTTP 请求来驱动模型推理，其 API 端点可配置，支持 ChatGPT、OpenAI 托管模型、本地模型（如 ollama）等多种后端。在构建初始提示词时，Codex 会将 `instructions`（系统指令）、`tools`（可用工具列表）和 `input`（包含用户消息、环境描述、项目文档等）结构化为 JSON 负载发送给服务器。服务器再将这些项目按角色（如 system、developer、user）排序，组合成最终的模型提示词，确保了请求的标准化与灵活性。
提示词缓存优化
智能体循环的迭代可能导致发送给 API 的数据量呈二次方增长，严重影响性能。为解决此问题，Codex 极其依赖提示词缓存。缓存命中的前提是提示词的精确前缀匹配，因此 Codex 将静态内容（如系统指令、工具定义）置于提示词前端，将变量内容（如用户输入）置于末端。开发团队需谨慎处理可能破坏缓存的操作，例如确保工具列表顺序稳定，或在对话中途变更配置时，通过追加新消息而非修改旧消息的方式，来维护提示词前缀的一致性。
上下文窗口管理
随着对话轮次的增加，提示词长度会无限增长，最终可能耗尽模型的上下文窗口。Codex 的解决方案是自动压缩。当 Token 数量超过阈值时，Codex 会调用 `/responses/compact` 端点，用一个包含特殊 `compaction` 项目的精简列表来替换原始的 `input`。这个项目中的 `encrypted_content` 保留了模型对对话的潜在理解，从而在不丢失关键信息的前提下，释放了上下文窗口，使对话能够持续进行。
揭开 Codex 智能体循环的神秘面纱，其设计哲学与优化策略为构建高效、安全的 AI 智能体提供了宝贵参考。随着 OpenAI 对 Codex 架构的进一步解密，未来自动化开发的边界将被推向何处？
