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.
Spis treści
- Czym Codex różni się od generatora podpowiedzi?
- Jak bezpiecznie ustawić Codex w istniejącym projekcie?
- Czy Codex powinien mieć dostęp do sieci?
- Po co projektowi plik AGENTS.md?
- Ile kosztuje praca z Codex?
- Codex CLI, rozszerzenie do VS Code czy chmura?
- Jak sprawdzić, czy wygenerowany kod jest poprawny?
- Najczęstsze pytania
- 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:
- Piaskownica:
workspace-writejako domyślne ustawienie projektu [5][6]. - Zatwierdzanie:
on-requestzamiast automatycznej akceptacji poleceń [5][6]. - Zakres zapisu: agent pracuje w katalogu repozytorium, nie w całym systemie plików [5].
- 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].
| Kryterium | Codex CLI | Rozszerzenie do VS Code | Środowisko chmurowe |
|---|---|---|---|
| Miejsce pracy | terminal w lokalnym repozytorium [3] | edytor z otwartym projektem [3] | zadanie uruchamiane zdalnie [1] |
| Piaskownica i zapis | workspace-write ogranicza zapis do katalogu roboczego [6] | zależnie od konfiguracji projektu [6] | zakres wyznacza środowisko chmurowe [1] |
| Zatwierdzanie poleceń | on-request przed wykonaniem [5] | on-request przed wykonaniem [5] | przegląd propozycji zmiany i pull request [1] |
| Dostęp do sieci | domyślnie wyłączony, włączany jawnie [7] | domyślnie wyłączony, włączany jawnie [7] | zależy od konfiguracji zadania [1] |
| Kiedy wybrać | praca 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
- Introducing Codex (OpenAI, 2025)
- OpenAI Launches Codex Software Engineering Agent Preview (InfoQ, 2025)
- Codex CLI: kompletne kompendium techniczne (blakecrosley.com, 2026)
- Czym jest Codex? Kompletny przewodnik dla początkujących (jsystems.pl, 2026)
- Agent approvals & security (OpenAI Developers, 2026)
- Config basics (OpenAI Developers, 2026)
- Running Codex safely at OpenAI (OpenAI, 2026)
- Pricing (OpenAI Developers, 2026)
- Codex z Azure OpenAI w modelach Microsoft Foundry (Microsoft Learn, 2026)
- I used Codex to test my SaaS like a real user, and it caught issues I'd been ignoring for weeks (XDA Developers, 2026)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji