Przejdź do treści

Tutoriale how-to

Codex w projekcie: jak skonfigurować agenta, by nie tworzył długu

Zaktualizowano: Autor: Andrzej Niemiec11 min czytania

Codex to agent OpenAI, który czyta repozytorium i uruchamia testy. Jak ustawić piaskownicę, zatwierdzanie poleceń, AGENTS.md i przepływ zmian, by ograniczyć ryzyko.

Codex w projekcie: jak skonfigurować agenta, by nie tworzył długu
Spis treści
  1. Czym Codex różni się od generatora podpowiedzi?
  2. Jak bezpiecznie ustawić Codex w istniejącym projekcie?
  3. Czy Codex powinien mieć dostęp do sieci?
  4. Po co projektowi plik AGENTS.md?
  5. Ile kosztuje praca z Codex?
  6. Codex CLI, rozszerzenie do VS Code czy chmura?
  7. Jak sprawdzić, czy wygenerowany kod jest poprawny?
  8. Najczęstsze pytania
  9. Źródła

Czym Codex różni się od generatora podpowiedzi?

Codex to agent programistyczny OpenAI, a nie autouzupełnianie kodu. Dostaje repozytorium, czyta i modyfikuje pliki, uruchamia polecenia oraz testy, a wynik pracy przygotowuje jako propozycję zmiany do przeglądu [1]. OpenAI pokazało produkt 16 maja 2025 r. jako chmurowego agenta do pisania funkcji, naprawiania błędów i zgłaszania pull requestów [1]. Premierę relacjonowały media branżowe [2].

Codex występuje w trzech odsłonach: jako funkcja w ChatGPT, jako Codex CLI w terminalu i rozszerzenie do edytora oraz jako środowisko chmurowe [1][3]. Różnica jest praktyczna, bo każda z tych form ma inne limity i inny sposób uruchamiania zadań [1]. Przewodniki techniczne opisują instalację, logowanie przez konto ChatGPT i pierwsze zadanie w terminalu, a kompendium Codex CLI aktualizowano dla wersji 0.162.1 [3][4]. Wątek pracy z agentem poza edytorem rozwija tekst o Codex w data science (/posts/codex-w-data-science-2-godziny-pracy-w-10-minut-ale-nie-bez-haczyka).

Jak bezpiecznie ustawić Codex w istniejącym projekcie?

Bezpieczny punkt wyjścia to dwie wartości konfiguracji: sandbox_mode ustawiony na workspace-write oraz approval_policy ustawiona na on-request [5][6]. Pierwsza ogranicza zapis do katalogu roboczego, druga sprawia, że agent pyta o zgodę przed wykonaniem poleceń [5][6].

Tryb danger-full-access znosi te ograniczenia i jest opisany jako wysokiego ryzyka [5]. W praktyce warto trzymać się czterech decyzji:

  1. Piaskownica: workspace-write jako domyślne ustawienie projektu [5][6].
  2. Zatwierdzanie: on-request zamiast automatycznej akceptacji poleceń [5][6].
  3. Zakres zapisu: agent pracuje w katalogu repozytorium, nie w całym systemie plików [5].
  4. Gałąź robocza: zmiany trafiają do osobnej gałęzi lub worktree i przechodzą przez CI oraz pull request [5][7].

Osobny wątek o wdrażaniu narzędzi AI w zespole opisuje przewodnik po praktycznych zastosowaniach (/posts/praktyczne-zastosowania-przewodnik).

Czy Codex powinien mieć dostęp do sieci?

W typowym trybie workspace-write sieć jest domyślnie wyłączona [6][7]. Włączenie jest możliwe, ale powinno być jawne, najlepiej ograniczone do wskazanych domen i objęte kontrolą zatwierdzeń [6][7].

Dostęp do sieci zwiększa zakres możliwych działań agenta: pobieranie pakietów, odpytywanie zewnętrznych API, wysyłanie danych poza repozytorium. W projektach z danymi klientów sensowna jest zasada minimalnego zakresu — sieć włącza się tylko dla zadań, które jej wymagają, i wyłącza po ich zakończeniu [7].

Po co projektowi plik AGENTS.md?

Instrukcje projektowe warto zapisać w repozytorium i wersjonować razem z kodem. Codex obsługuje pliki AGENTS.md, które mogą określać sposób testowania, konwencje, zakres dozwolonych zmian oraz polecenia do uruchomienia [1][6].

Taki plik rozwiązuje problem powtarzalności: zamiast opisywać reguły w każdym prompcie, zespół zapisuje je raz i recenzuje jak każdą inną zmianę w kodzie. Wpis powinien odpowiadać na trzy pytania: jak uruchomić testy, jakie konwencje obowiązują i czego agent nie powinien dotykać [1].

Ile kosztuje praca z Codex?

Koszt użycia nie jest tym samym co koszt błędu w kodzie. Rozliczenie zależy od planu, modelu i zużycia tokenów; oficjalna karta cenowa API z 13 października 2026 r. podaje dla modelu gpt-5.3-codex stawki 1,75 USD za milion tokenów wejściowych i 14 USD za milion tokenów wyjściowych [8].

To ceny oficjalne, publikowane przez OpenAI i wyrażone w dolarach [8]. Z samej karty cenowej nie wynika żadna konkretna strata biznesowa, bo liczby opisujące koszt błędów zależą od stawek zespołu i zakresu poprawek, a nie od cennika modelu. Plan ChatGPT i rozliczenie przez klucz API to dwie osobne ścieżki z różnymi limitami [1][8].

Codex CLI, rozszerzenie do VS Code czy chmura?

Wybór formy zależy od tego, gdzie ma pracować agent i kto zatwierdza jego działania. Codex CLI działa w terminalu, rozszerzenie w edytorze, a środowisko chmurowe uruchamia zadania po stronie OpenAI [1][3]. Osobną opcją jest Codex CLI i rozszerzenie do VS Code w modelach Microsoft Foundry przez Azure OpenAI [9].

KryteriumCodex CLIRozszerzenie do VS CodeŚrodowisko chmurowe
Miejsce pracyterminal w lokalnym repozytorium [3]edytor z otwartym projektem [3]zadanie uruchamiane zdalnie [1]
Piaskownica i zapisworkspace-write ogranicza zapis do katalogu roboczego [6]zależnie od konfiguracji projektu [6]zakres wyznacza środowisko chmurowe [1]
Zatwierdzanie poleceńon-request przed wykonaniem [5]on-request przed wykonaniem [5]przegląd propozycji zmiany i pull request [1]
Dostęp do siecidomyślnie wyłączony, włączany jawnie [7]domyślnie wyłączony, włączany jawnie [7]zależy od konfiguracji zadania [1]
Kiedy wybraćpraca w wielu repozytoriach i skryptach [3]codzienna praca w jednym projekcie [3]zadania długie i równoległe [1]

Wybór nie wyklucza pozostałych form: zespół może używać CLI lokalnie, a chmury do zadań w tle [1][3].

Jak sprawdzić, czy wygenerowany kod jest poprawny?

Kod wygenerowany przez agenta wymaga niezależnej walidacji: testów jednostkowych i integracyjnych, lintowania, type-checku, skanerów bezpieczeństwa oraz przeglądu człowieka [1]. Przejście testów nie dowodzi poprawności biznesowej ani braku podatności, dlatego werdykt wydaje przegląd, a nie sam agent [1].

OpenAI opisuje logi, wyniki testów i cytowania jako narzędzia weryfikacji, nie jako gwarancję bezbłędności [1]. Publicysta opisał użycie Codex do testowania własnej aplikacji SaaS w roli użytkownika; agent wychwycił problemy, które wcześniej ignorował [10]. W projektach z danymi klientów warto połączyć to z podstawami higieny bezpieczeństwa, które opisujemy przy okazji analizy CVE-2026-33032 (/posts/cve-2026-33032-w-nginx-ui-jak-atakujacy-mogli-przejac-twoj-serwer-w-8-sekund).

Najczęstsze pytania

Czy Codex zastępuje code review?

Nie. Agent przygotowuje propozycję zmiany i może uruchomić testy, ale decyzję o mergu podejmuje człowiek [1]. Dokumentacja bezpieczeństwa zaleca ograniczanie zakresu zapisu i kontrolę działań agenta, a zmiany mają przechodzić przez CI oraz pull request [5][7]. Code review zostaje, zmienia się natomiast ilość pracy, którą recenzent dostaje do sprawdzenia.

Czy potrzebny jest klucz API, żeby korzystać z Codex?

Nie zawsze. Codex jest dostępny jako funkcja w ChatGPT, jako CLI i rozszerzenie do edytora oraz jako środowisko chmurowe, a te formy mają osobne limity [1][3]. Klucz API to inna ścieżka rozliczeniowa niż plan ChatGPT; cennik API podaje stawki za tokeny dla konkretnego modelu [8].

Jaki tryb piaskownicy wybrać na start?

workspace-write z approval_policy ustawioną na on-request to typowy, bezpieczny punkt wyjścia [5][6]. Zapis jest ograniczony do katalogu roboczego, a agent pyta o zgodę przed wykonaniem poleceń. Tryb danger-full-access znosi te ograniczenia i jest opisany jako wysokiego ryzyka, więc nie nadaje się na ustawienie domyślne [5].

Czy Codex może pracować bez dostępu do sieci?

Tak. W trybie workspace-write sieć jest domyślnie wyłączona i włącza się ją jawnie, najlepiej z ograniczeniem domen oraz kontrolą zatwierdzeń [6][7]. Praca bez sieci wystarcza do edycji plików, uruchamiania testów i poleceń w repozytorium. Dostęp staje się potrzebny przy instalacji pakietów lub integracjach z zewnętrznymi API.

Jak ograniczyć ryzyko w projekcie z danymi klientów?

Zacząć od piaskownicy i zatwierdzania poleceń, a nie od promptów [5][6]. Dalej: osobna gałąź robocza, CI i pull request, żeby błędny diff można było odrzucić [7]. Na końcu niezależna walidacja — testy, lint, type-check, skanery bezpieczeństwa i przegląd człowieka, bo przejście testów nie dowodzi braku podatności [1].

Źródła

  1. Introducing Codex (OpenAI, 2025)
  2. OpenAI Launches Codex Software Engineering Agent Preview (InfoQ, 2025)
  3. Codex CLI: kompletne kompendium techniczne (blakecrosley.com, 2026)
  4. Czym jest Codex? Kompletny przewodnik dla początkujących (jsystems.pl, 2026)
  5. Agent approvals & security (OpenAI Developers, 2026)
  6. Config basics (OpenAI Developers, 2026)
  7. Running Codex safely at OpenAI (OpenAI, 2026)
  8. Pricing (OpenAI Developers, 2026)
  9. Codex z Azure OpenAI w modelach Microsoft Foundry (Microsoft Learn, 2026)
  10. I used Codex to test my SaaS like a real user, and it caught issues I'd been ignoring for weeks (XDA Developers, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji