2026-08-31-codex-with-chatgpt

Codex with ChatGPT

一个把 ChatGPT 网页版当”大脑”、Codex 当”执行者”的开源桥接层，核心是用只读 MCP Bridge 让 Reviewer 自己去查 git_diff，而不是只相信 Executor 的摘要。

基本信息

• 来源类型：网页文章
• 原文位置：raw/articles/2026-08-31-120412-tg-b81f2a.md
• 原文 URL：https://tools.wingzero.tw/articles/4041
• 项目仓库：https://github.com/XiaoDuoYa/codex-with-chatgpt
• 消化日期：2026-08-31

核心观点

1. 定位不是”另一个 Coding Agent”，而是桥接层：项目一句话是「ChatGPT thinks. Codex works.」——ChatGPT 负责 Reason / Plan / Review，Codex Harness 负责 Edit / Git / Shell / Tests / Fix。整体流程为：需求 → ChatGPT 规划 → Codex 执行 → ChatGPT Review → Codex 修正 → 完成。

2. 不走 API，走既有订阅：不另外调用 ChatGPT API，也不把 OpenAI API Key 塞进 Codex，更不用 Reverse Proxy 模拟 API。它利用用户已付费的 ChatGPT Plus/Pro 网页订阅承担”思考”部分，Codex 专注真正操作开发环境的工作。作者明确说明这不等于 Codex 从此不消耗额度——改变的是工作分配，不是替换 Codex。

3. Control Plane 与 Data Plane 分离：Control Plane 用 Computer Use 传递极小的结构化状态消息，状态依次为 INIT → PLAN → EXECUTED → REVIEW → DONE；Diff、Log 与完整 File Body 不经由 Control Plane 贴来贴去。真正要看 Workspace 时走 MCP Data Plane，由 ChatGPT 主动按需读取。

4. “只读”是关键安全边界：ChatGPT 可读代码、搜 Workspace、看 Git Diff 与 Test Status，但不能通过 MCP Bridge 修改文件。写入权限仍完全在 Codex Harness 手上。

5. 解决双 Agent Review 的根本缺陷：一般双 Agent workflow 中，Review Agent 实际上只是在审查 Executor 自己写的摘要。此架构让 ChatGPT 通过 MCP 直接查看真正的 git_diff 与 Test Records，从「AI A 告诉 AI B 结果」变成「AI A 执行 → AI B 独立检查实际结果」。

6. 不整包上传 Repository：ChatGPT 按需读取 Workspace 中真正需要的内容（如「我要看 src/auth/login.ts」→ MCP 读取 → 返回），而不是打包上传整个仓库。对含数千至数万文件的大型项目尤其有意义。

实操内容保留

C2C Bridge 提供的 8 个只读 MCP 工具

workspace_info      获取目前 Workspace 基本信息
list_directory      查看目录结构
read_file           读取需要的代码
search_workspace    搜索 Workspace
git_status          检查 Git 状态
git_diff            查看实际代码修改
test_status         获取测试状态
execution_summary   查看 Codex 执行摘要

安装方式（两条路径）

路径 A — 交给 Coding Agent 自行安装：直接把官方准备好的安装指示贴给 Codex，让 Agent 自行检查 Git、Node.js 20+ 与 cloudflared，接着 Clone Repository、用 pnpm Build、安装 Skill，再执行首次 Setup。

路径 B — 手动安装：

1. 把 Repository 中的 skill/ 安装到 Codex Skills 目录
2. 要求 Codex 执行 Codex with ChatGPT 的首次设置
3. 之后直接要求 Codex 使用这套 Workflow 完成指定功能

首次设置成功后，工具会依次：检查 Project → 启动 Workspace Bridge → 建立安全连接 → 连接 ChatGPT → 执行 File Read Test。需要人工介入的环节是 ChatGPT 登录、Cloudflare 登录、验证码或 2FA 等必须由账号本人完成的操作。

c2c CLI 日常管理指令

c2c setup      首次设置
c2c status     查看状态
c2c doctor     诊断
c2c pair       配对
c2c unpair     解除配对
c2c logs       查看日志
c2c stop       停止 Bridge

技术栈与仓库结构

• TypeScript 开发，要求 Node.js 20+，Package Manager 用 pnpm，测试用 Vitest，MIT License
• 主要依赖：Model Context Protocol SDK、Express、Commander、Zod
• 连接层：OAuth 2.1 + 一次性 Pairing Code + Cloudflare Quick Tunnel；Bridge 本身是 Loopback-only HTTP Server；另实现 PKCE、Dynamic Client Registration、Refresh Rotation 与 Revocation

src/bridge      本机 HTTP Bridge 与 Port Recovery
src/mcp         8 个只读 MCP Tools
src/auth        OAuth 2.1
src/pairing     一次性 Pairing Code
src/workspace   Path Containment、Sensitive-file Policy、Search 与 Git
src/tunnel      Cloudflare Tunnel 管理
src/execution   Review Loop 所需的 Execution Records
skill/          用户实际与 Codex 互动的 UX 层

典型使用情境（开发新 Authentication Feature）

1. ChatGPT 通过只读 MCP 搜索相关代码，理解目前架构后提出 Implementation Plan
2. Codex 根据 Plan 修改实际文件并执行 Tests
3. ChatGPT 直接读取 git_diff 与 test_status，检查实现是否偏离原本需求
4. 若发现问题，把 Review 结果交回 Codex 修正

详细内容

Codex with ChatGPT 是一套把 ChatGPT 网页版与 Codex Coding Agent 串在一起的开源工具，核心概念可以浓缩成项目的一句话：「ChatGPT thinks. Codex works.」也就是让 ChatGPT 负责需求分析、规划与代码审查，而 Codex 继续负责真正的代码修改、Shell 指令、测试与修正，形成一套「ChatGPT 当大脑、Codex 当执行者」的 AI Coding Workflow。

它特别之处在于，这套架构并不是另外调用 ChatGPT API，也不是把 OpenAI API Key 塞进 Codex。项目希望利用用户既有的 ChatGPT 网页版订阅，将原本可能由 Coding Agent 消耗 Token 执行的 Planning 与 Review 工作交给 ChatGPT Web，再通过受 OAuth 保护的只读 MCP Bridge，让 ChatGPT 在需要时查看本机 Workspace 的特定代码。Codex 则继续掌握所有实际执行权限。

这也是理解 Codex with ChatGPT 最重要的一点：它不是「另一个 Coding Agent」，而是一个让两个 AI 工作环境分工合作的桥接层。

「只读」是整套架构很关键的安全边界。ChatGPT 可以读取必要的代码、搜索 Workspace、查看 Git Diff 与 Test Status，但不能通过这个 MCP Bridge 修改文件。真正具有 Edit、Git、Shell 与 Tests 执行能力的仍然是 Codex Harness。因此即使 ChatGPT 负责规划，它也不会直接获取本机项目的写入权限。

这种设计对 Code Review 尤其有意思。一般双 Agent Workflow 很容易出现一个问题：执行 Agent 修改完代码后，只回报「已经完成，所有测试通过」，Review Agent 实际上只是在审查执行 Agent 自己写的摘要。Codex with ChatGPT 则让 ChatGPT 自己通过 MCP 查看真正的 git_diff 与 Test Records，不必完全相信 Codex 回报的「Tests Passed」，而可以直接查看 Workspace 中实际发生的变化，再判断修改是否符合原本规划。

它和单纯「开两个 AI 窗口互相 Copy & Paste」的差异也很明显。手动方式需要不断复制 Code、Diff、错误信息与 Review 意见；Codex with ChatGPT 则利用 MCP 让 ChatGPT 自己读取 Workspace，需要传递的控制信息保持很小，减少人类充当两个 Agent 中间转接器的工作。

局限与风险（原文明确点出）

这套架构带来额外复杂度。用户需要在本机运行 Bridge，并建立 ChatGPT 可以连接的 Tunnel；企业或处理敏感代码的团队，也应自行审查 MCP 暴露范围、OAuth 设计、Tunnel、安全策略与 ChatGPT 数据处理方式，而不能因为 Bridge 是只读就直接等同于「没有数据外传风险」。

此外，这是一个社区开源项目，而不是 OpenAI 官方推出的整合功能，仓库明确标示为 Unofficial Community Project。目前项目状态标示为 V1，仍属相当早期的工具。

关键概念

• MCP 模型上下文协议 — 本项目用只读 MCP Bridge 让 ChatGPT 按需读取本机 Workspace，是整套架构的数据面
• Codex — 承担 Edit / Git / Shell / Tests 的执行端，写入权限完全在它手上
• C2C Bridge — 连接两端的桥接层，拆成 Control Plane（小状态消息）与 Data Plane（按需读取）
• Planner + Executor + Reviewer — 把规划、执行、审查拆成三个明确角色的 AI Coding Workflow 模式
• 只读安全边界 — 只读代表不能通过该接口修改文件，不代表读取出去的内容从未离开本机

与其他素材的关联

• 与 MCP 模型上下文协议 的关系：本文是 MCP 在”跨 Agent 协作”场景下的一个具体落地案例，不同于常见的”给单个 Agent 加工具”用法。
• 与 Codex 的关系：补充了 Codex 作为纯执行端、把规划与审查外包给另一个模型环境的用法。

原文精彩摘录

「ChatGPT thinks. Codex works.」

因此它建立的並不只是：AI A → 告訴 AI B 結果 而更接近：AI A 執行 → AI B 獨立檢查實際結果。對複雜 Coding Task 而言，這種 Planning、Execution 與 Review 分離的架構，比讓同一個 Agent 從頭做到尾更有實驗價值。

唯讀代表不能透過該介面修改檔案，不代表讀取出去的內容從未離開本機。

整體而言，Codex with ChatGPT 最有意思的並不是「把兩個 OpenAI 工具接在一起」，而是重新分配 AI Coding Agent 的角色。

相关页面

• Codex
• MCP 模型上下文协议
• Claude Code