OpenAI Codex: Schritt-für-Schritt-Anleitung mit 3 praktischen Beispielen

TL;DR

\n
• \n

  OpenAI Codex ist ein Cloud-basierter Softwareengineering-Agent innerhalb von ChatGPT (Plus-, Pro-, Team- und Enterprise-Pläne)

  \n
\n
• \n

  Verbinde Codex mit einem GitHub-Repo und gib ihm Aufgaben: Bugs fixen, Patches anwenden, Tests generieren oder Code erklären

  \n
\n
• \n

  Jede Aufgabe läuft in einer isolierten Sandbox; Codex öffnet einen Pull-Request, den du vor dem Merge prüfst

  \n
\n
• \n

  Nutze eine AGENTS.md-Datei, um Coding-Konventionen festzulegen, denen Codex bei jeder Aufgabe folgt

  \n
\n
• \n

  Codex läuft auch im Terminal über die Codex CLI und als VS-Code-Erweiterung

  \n
\n

Was ist OpenAIs Codex?

OpenAI Codex ist ein Cloud-basierter Softwareengineering-Agent, der Code schreiben und bearbeiten, Tests ausführen, Bugs beheben und sogar Pull-Requests vorschlagen kann. Jede Aufgabe wird in einer eigenen, isolierten Umgebung ausgeführt.

Codex basiert auf OpenAIs neuesten Frontier-Modellen und ist auf Sicherheit, Testbarkeit und Entwicklerproduktivität ausgelegt. Du kannst Codex über AGENTS.md-Dateien steuern oder direkt in der ChatGPT-Seitenleiste mit ihm interagieren.

Mit der Codex CLI kannst du diese Funktionen auch direkt in dein Terminal holen.

Zugriffsoptionen auf Codex im Überblick:

OpenAIs Codex einrichten

Das Einrichten von Codex dauert nur wenige Minuten. Hier ist eine Schritt-für-Schritt-Anleitung für den Start.

Schritt 1: Das Codex-Tool finden

Melde dich zuerst bei ChatGPT an. Suche in der linken Werkzeugleiste nach Codex. Zum Start wurde Codex für ChatGPT Pro-, Business- und Enterprise-Nutzer ausgerollt. Inzwischen ist es in allen Plänen enthalten (bei Free und Go ist der Zugriff allerdings stark eingeschränkt).

Schritt 2: Mit Codex loslegen

Klicke auf Codex, dann gelangst du zur Ersteinrichtung in einen neuen Tab. Klicke auf \„Get Started\“ und folge der Authentifizierung wie im nächsten Schritt gezeigt.

Schritt 3: Multi-Faktor-Authentifizierung

Klicke auf \„Set up MFA to continue\“ und scanne den QR-Code mit deiner bevorzugten Authentifizierungs-App (z. B. Google Authenticator oder Authy). Gib den Code ein, um zu verifizieren – fertig!

Schritt 4: Mit GitHub verbinden

Sobald die Multi-Faktor-Authentifizierung abgeschlossen ist, verbinden wir Codex mit GitHub.

Schritt 4.1: Den GitHub-Connector autorisieren

\„Connect to GitHub\“ öffnet ein Pop-up zur Autorisierung des GitHub-Connectors. Lies es durch und autorisiere.

Schritt 4.2: Dein GitHub-Konto hinzufügen

Sobald GitHub verbunden ist, fügen wir unser Konto hinzu. Wähle im Tab GitHub Organization \„Add a GitHub account.\“

Das öffnet ein weiteres Pop-up für \„Install and Authorize.\“ Klicke zur Autorisierung, und alle deine Repositories erscheinen in der ChatGPT-Oberfläche. Du kannst auch nur ausgewählte Repositories autorisieren.

Schritt 4.3: Eine Umgebung erstellen

Wähle das Repository aus, an dem du arbeiten möchtest, und klicke auf \„Create environment.\“

Danach kommst du zu den \„Data Controls\“. Codex wird aktiv weiterentwickelt; eventuell siehst du eine optionale Abfrage, ob deine Daten zur Modellverbesserung genutzt werden dürfen. Du kannst das deaktivieren und fortfahren.

Jetzt ist deine Umgebung bereit zur Erkundung. Codex erlaubt es, Aufgaben parallel mit vorgewählten Tasks zu starten.

Klicke einfach auf \„Start tasks\“ oder wähle Aufgaben nach Bedarf. Du gelangst in ein Interface, in dem du Fragen stellen oder den Agenten eine Funktion für dich programmieren lassen kannst.

Wenn alle Aufgaben bereit sind, wähle die Aufgabe(n) aus, an der/denen du arbeiten möchtest – oder bearbeite mehrere parallel.

Schritt 5: AGENTS.md-Datei (optional)

Die AGENTS.md-Datei ist eine spezielle Konfigurationsdatei von OpenAI für die Codex-Plattform. Sie hilft, KI-Agenten bei der Arbeit in deinem Code-Repository zu leiten. Du kannst sie dir wie ein Entwicklerhandbuch für KI-Teamkollegen vorstellen – ähnlich einer README.md, aber mit Fokus auf Anweisungen für autonome Agenten. Hier ein Beispiel für eine AGENTS.md-Datei:

# AGENTS.md\n\n## Code Style\n- Use Black for Python formatting.\n- Avoid abbreviations in variable names.\n\n## Testing\n- Run pytest tests/ before finalizing a PR.\n- All commits must pass lint checks via flake8.\n\n## PR Instructions\n- Title format: [Fix] Short description\n- Include a one-line summary and a \"Testing Done\" section

Wenn Codex eine Aufgabe in deinem Code-Repository ausführt, dann:

\n
\n
• sucht es nach AGENTS.md-Dateien, deren Geltungsbereich die Datei(en) einschließt, die geändert werden.
\n
• wendet es die dortigen Anweisungen an, um Änderungen zu formatieren, zu testen und zu dokumentieren.
\n
• priorisiert es tiefer verschachtelte Anweisungen, wenn mehrere Dateien gelten (ähnlich wie eine kaskadierende Konfiguration).
\n
\n

Für einen breiteren Blick auf Systems, die über Tools und APIs hinweg Aktionen ausführen, siehe unser OpenAI Agents SDK Tutorial.

OpenAIs Codex: Drei praktische Beispiele

Schauen wir uns an drei Beispielen an, wie Codex dich in der täglichen Entwicklung unterstützen kann. Ich habe sie in einem Repository ausgeführt.

Beispiel 1: Kleine Fixes und Tippfehler

Codex teilt eine einzelne Anfrage manchmal in Unteraufgaben auf – etwa Tippfehler korrigieren, eine README verbessern oder Tests schreiben – alles im selben Workspace.

Du kannst basierend auf der Erstprüfung innerhalb einer bestehenden Aufgabe eine neue Task starten, Änderungen am bestehenden Code anfordern oder über das Textfeld Fragen stellen. Um die Aufgabe zu erweitern oder etwas Neues zu fixen, klicke auf \„Code\“ und starte direkt eine neue Unteraufgabe.

Bist du mit den Änderungen zufrieden, klicke auf \„Push\“. Dadurch wird ein neuer Pull-Request erstellt. Nach ein paar Sekunden kannst du auf \„View Pull Request\“ klicken, den PR öffnen und in main mergen.

Beispiel 2: Codebase-Erklärung

Als Nächstes habe ich Codex für eine nicht-editierende Aufgabe genutzt: die Codebase erkunden und fragen, was ich als Nächstes tun kann. Das ist besonders hilfreich, wenn du neu im Projekt bist, dich schnell einarbeiten willst oder versuchst zu verstehen, wie eine bestimmte Funktion funktioniert.

Codex ist durch das Projekt navigiert und hat eine klare, einsteigerfreundliche Aufschlüsselung der Struktur geliefert. Statt nur Dateien aufzulisten, hat Codex sie nach Zweck gruppiert:

\n
• qwen3_demo.py ist das Hauptskript und startet zwei Gradio-basierte Interfaces – eines zum Umschalten des Reasoning-Modus und eines für mehrsprachige Übersetzung.
\n
• qwen3_demo.ipynb ist eine interaktive Notebook-Alternative.
\n
• test_qwen3_demo.py dient für Unit-Tests und README.md für Dokumentation und Video-Walkthroughs.
\n

Darüber hinaus listete Codex \„Wichtige Punkte\“ auf – etwa Abhängigkeiten (Ollama CLI), die Rolle der Funktion _run_ollama und Tipps zum Erweitern des Interfaces. Es schlug sogar nächste Schritte vor, z. B. Model-Versionierung prüfen, UI verbessern und Fehlerbehandlung ergänzen.

Beispiel 3: Einen Bug finden und fixen

Codex kann die gesamte Codebase scannen, einen Bug identifizieren, einen Fix vorschlagen und dir eine Vorschau der Änderungen zeigen. Dieser Prozess ähnelt Code-Reviews von Änderungen auf GitHub.

Du kannst die Logs prüfen, um die Hintergrundprozesse der Änderungen nachzuvollziehen. Klicke dafür auf \„Logs\“.

Codex liefert eine Zusammenfassung der vorgenommenen Änderungen sowie der Dateien, die erstellt oder betroffen wurden. Du kannst Fragen zu den Änderungen stellen oder Codex bitten, neuen Code zu schreiben, um die aktuelle Implementierung zu erweitern.

Bist du mit den Fixes zufrieden, klicke auf \„Push\“ und \„Create New PR\“, um einen neuen Pull-Request zu öffnen.

Nach ein paar Sekunden kannst du auf \„View Pull Request\“ klicken, den PR öffnen und in main mergen.

Mit Codex lassen sich die Änderungen mit nur wenigen Klicks mergen.

Die Änderungen erscheinen innerhalb von Sekunden auf dem Main-Branch.

Warum ist Codex wichtig?

Codex ist ein kollaborativer Agent, kein passiver Codegenerator. Du kannst ihn schreiben, refaktorisieren, testen, debuggen oder erklären lassen – und er zeigt dir für jeden Schritt Terminal-Logs, Belege und Ausgaben.

Hier sind ein paar Vorteile aus dem Alltag, die ich beobachtet habe:

\n
• Aufgaben sind nachvollziehbar und überprüfbar.
\n
• Codex arbeitet parallel, du kannst mehrere Änderungen in die Queue stellen.
\n
• Es respektiert dein Development-Setup – vor allem, wenn du Konventionen über eine AGENTS.md konfiguriert hast.
\n
• Es orientiert sich an gängigen PR-Standards und kann CI-Tests bestehen.
\n

Für mich fühlt es sich an, als hätte OpenAI gerade einen Software-Engineering-Praktikanten veröffentlicht.

Abschließende Gedanken

Wir haben gelernt, wie Codex Bugs behebt, Feature-Patches anwendet und Codelogik erklärt – und dabei Pull-Requests erzeugt, Tests ausführt und seine Aktionen über Terminal-Logs und Diffs belegt.

Diese praktische Anleitung zeigt, wie Codex deinen täglichen Developer-Workflow verbessern kann – ob beim Debuggen von Legacy-Code, beim Onboarding in ein neues Repo oder beim Triagieren von Maintenance-Aufgaben.

Während sich Codex weiterentwickelt, erwarte ich tiefere Integrationen mit IDEs, CI-Pipelines und Aufgabenplanern – und damit einen praktischen Zugewinn für jeden Engineering-Workflow. Um mehr über Codex zu erfahren, lies den offiziellen Release-Blog; weitere Anwendungsbeispiele findest du auf OpenAIs YouTube-Kanal.

Wenn du tiefer in OpenAIs engineering-fokussierte Modelle und Tools eintauchen willst, empfehle ich diese Blogs:

\n
• OpenAI Codex CLI Tutorial
\n
• GPT-5.1 Codex Guide: Building a GitHub Issue Analyzer Agent
\n
• Codex CLI für die Automatisierung von Data-Workflows: Der umfassende Guide
\n
• Codex CLI MCP Tutorial: Einen Portfolio-Dashboard-Agenten bauen
\n