OpenAI Codex: przewodnik krok po kroku z 3 praktycznymi przykładami

TL;DR

\n

\n
• \n

  OpenAI Codex to chmurowy agent inżynierii oprogramowania dostępny w ChatGPT (plany Plus, Pro, Team i Enterprise)

  \n
\n
• \n

  Połącz Codexa z repozytorium GitHub, a następnie przydzielaj mu zadania: naprawianie błędów, stosowanie łatek, generowanie testów lub wyjaśnianie kodu

  \n
\n
• \n

  Każde zadanie działa w odizolowanej piaskownicy; Codex otwiera pull request, który przeglądasz przed scalenieniem

  \n
\n
• \n

  Użyj pliku AGENTS.md, aby zdefiniować konwencje kodowania, których Codex będzie przestrzegał przy każdym zadaniu

  \n
\n
• \n

  Codex działa też w terminalu przez Codex CLI oraz jako rozszerzenie do VS Code

  \n
\n

\n

Czym jest Codex od OpenAI?

\n

OpenAI Codex to chmurowy agent inżynierii oprogramowania, który potrafi pisać i edytować kod, uruchamiać testy, naprawiać błędy, a nawet proponować pull requesty. Każde zadanie jest wykonywane w jego własnym odizolowanym środowisku.

\n

Codex działa w oparciu o najnowsze modele graniczne OpenAI i jest zaprojektowany pod kątem bezpieczeństwa, testowalności i produktywności deweloperów. Możesz kierować Codexem za pomocą plików AGENTS.md albo wchodzić z nim w interakcję bezpośrednio z bocznego panelu ChatGPT.

\n

Dzięki Codex CLI te możliwości możesz mieć także bezpośrednio w terminalu.

\n

Opcje dostępu do Codexa w skrócie:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n

Konfiguracja Codexa od OpenAI

\n

Skonfigurowanie Codexa zajmuje tylko kilka minut. Oto instrukcja krok po kroku, by zacząć.

\n

Krok 1: Znalezienie narzędzia Codex

\n

Zacznij od zalogowania się do ChatGPT. Na pasku narzędzi po lewej stronie poszukaj Codexa. Na starcie Codex był udostępniany użytkownikom ChatGPT Pro, Business i Enterprise. Obecnie jest dostępny we wszystkich planach (choć dostęp w Free i Go jest bardzo ograniczony).

\n

\n

Krok 2: Pierwsze kroki z Codexem

\n

Kliknij Codex, a przejdziesz do innej karty z wstępną konfiguracją. Kliknij „Get Started” i postępuj zgodnie z procedurą uwierzytelnienia pokazaną w kolejnym kroku.

\n

\n

Krok 3: Uwierzytelnianie wieloskładnikowe

\n

Kliknij „Set up MFA to continue” i zeskanuj kod QR ulubioną aplikacją uwierzytelniającą (np. Google Authenticator lub Authy). Wprowadź kod, by zweryfikować — i gotowe!

\n

\n

Krok 4: Połącz z GitHubem

\n

Gdy uwierzytelnianie wieloskładnikowe będzie gotowe, łączymy Codexa z GitHubem.

\n

\n

Krok 4.1: Autoryzuj konektor GitHub

\n

„Connect to GitHub” przeniesie cię do wyskakującego okna z autoryzacją konektora GitHub. Przeczytaj informacje i autoryzuj.

\n

\n

Krok 4.2: Dodanie swojego konta GitHub

\n

Gdy GitHub jest połączony, musimy dodać nasze konto. W zakładce organizacji GitHub wybierz „Add a GitHub account”. 

\n

\n

\n

To otworzy kolejne okno „Install and Authorize”. Kliknij, aby autoryzować, a wszystkie twoje repozytoria pojawią się w interfejsie ChatGPT. Możesz też autoryzować tylko wybrane repozytoria.

\n

\n

Krok 4.3: Tworzenie środowiska

\n

Wybierz repozytorium, nad którym chcesz pracować, i kliknij „Create environment”.

\n

\n

To przeniesie cię do „Data Controls”. Codex jest nadal aktywnie rozwijany i możesz zobaczyć opcjonalne pytanie o zgodę na użycie twoich danych do ulepszania modeli. Możesz to wyłączyć i kontynuować.

\n

\n

Teraz twoje środowisko jest gotowe do eksploracji. Codex pozwala uruchamiać zadania równolegle wraz z wstępnie wybranymi zadaniami.

\n

\n

Po prostu kliknij „Start tasks” albo wybierz zadania zgodnie z potrzebami. Przejdziesz do interfejsu, w którym możesz zadawać pytania lub poprosić agenta o zakodowanie funkcji.

\n

\n

\n

Gdy wszystkie zadania będą gotowe, wybierz to, nad którym chcesz pracować, lub działaj równolegle na wielu.

\n

Krok 5: AGENTS.md (opcjonalnie)

\n

Plik AGENTS.md to specjalny plik konfiguracyjny wprowadzony przez OpenAI do użytku na platformie Codex, zaprojektowany, by pomagać prowadzić agentów AI podczas pracy w twojej bazie kodu. Możesz myśleć o nim jak o podręczniku dewelopera dla zespołowych agentów AI, podobnym do README.md, ale skupionym na instrukcjach dla autonomicznych agentów. Oto przykładowy plik AGENTS.md:

\n

# 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\" sectionObsługiwane przez

\n

Gdy Codex uruchamia zadanie na twojej bazie kodu, to:

\n

\n
\n
• Wyszukuje pliki AGENTS.md, których zakres obejmuje plik(i) modyfikowane przez agenta.
\n
• Stosuje instrukcje z tych plików do formatowania, testowania i dokumentowania wprowadzanych zmian.
\n
• Priorytetyzuje głębiej zagnieżdżone instrukcje, gdy zastosowanie ma wiele plików (jak kaskadowa konfiguracja).
\n
\n

\n

Szersze spojrzenie na budowanie systemów, które wykonują działania w różnych narzędziach i API, znajdziesz w naszym samouczku OpenAI Agents SDK.

\n

OpenAI Codex: trzy praktyczne przykłady

\n

Zobaczmy, jak Codex może pomóc w rzeczywistym developmentcie, na trzech przykładach, które uruchomiłem na repozytorium.

\n

Przykład 1: Proste poprawki i literówki

\n

Codex czasem dzieli pojedyncze zgłoszenie na podzadania, takie jak poprawianie literówek, ulepszanie README czy pisanie testów — wszystko w tym samym środowisku pracy.

\n

\n

\n

Możesz rozpocząć nowe zadanie w ramach istniejącego, bazując na wstępnym przeglądzie, poprosić o zmiany w bieżącej bazie kodu lub zadawać pytania w polu tekstowym. Aby rozszerzyć zadanie lub naprawić coś nowego, kliknij „Code” i uruchom bezpośrednio nowe podzadanie.

\n

\n

Gdy będziesz zadowolony ze zmian, kliknij „Push”, co utworzy nowy pull request. Po kilku sekundach możesz kliknąć „View Pull Request”, aby przejść do PR i zmergować go do maina.

\n

Przykład 2: Wyjaśnienie bazy kodu

\n

Następnie użyłem Codexa do zadania niezwiązanego z edycją: eksploracji bazy kodu i pytania, co mogę zrobić dalej. To szczególnie przydatne, jeśli dopiero dołączasz do projektu, chcesz szybko się wdrożyć lub utknąłeś, próbując zrozumieć działanie konkretnej funkcji.

\n

\n

Codex przeszedł po projekcie i podał klarowny, przyjazny dla początkujących podział struktury bazy kodu. Zamiast tylko listy plików pogrupował je według celu:

\n

\n
• Wyróżnił, że qwen3_demo.py to główny skrypt, uruchamiający dwa interfejsy oparte na Gradio — jeden do przełączania trybów rozumowania, a drugi do tłumaczeń wielojęzycznych.
\n
• Zidentyfikował qwen3_demo.ipynb jako interaktywną alternatywę w notatniku.
\n
• Wskazał test_qwen3_demo.py do testów jednostkowych oraz README.md do dokumentacji i wideo‑przewodników.
\n

\n

Ponadto Codex wypunktował „Kluczowe informacje”, takie jak zależności (Ollama CLI), rola funkcji _run_ollama i wskazówki dotyczące rozszerzania interfejsu. Zasugerował nawet kolejne kroki, np. eksplorację wersjonowania modeli, ulepszenia UI i dodanie obsługi błędów.

\n

Przykład 3: Znajdź i napraw błąd

\n

Codex potrafi przeskanować całą bazę kodu, zidentyfikować błąd, zaproponować poprawkę i pokazać podgląd zmian. Ten proces przypomina przegląd zmian kodu na GitHubie.

\n

\n

Możesz przejrzeć logi, aby zrozumieć proces w tle dla wprowadzonych zmian, klikając „Logs”.

\n

\n

Codex zwraca podsumowanie wprowadzonych zmian wraz z listą plików utworzonych lub objętych zmianami. Możesz też zadawać pytania o te zmiany lub poprosić Codexa o napisanie nowego kodu, aby ulepszyć obecną implementację.

\n

\n

\n

Gdy będziesz zadowolony z poprawek, kliknij „Push” i „Create New PR”, aby otworzyć nowy pull request.

\n

\n

Po kilku sekundach możesz kliknąć „View Pull Request”, aby przejść do PR i zmergować go do maina.

\n

\n

Codex pozwala zmergować zmiany kilkoma kliknięciami.

\n

\n

\n

Zmiany pojawiają się na gałęzi main w ciągu kilku sekund.

\n

\n

Dlaczego Codex jest ważny?

\n

Codex to agent współpracujący, a nie pasywny generator kodu. Możesz prosić go o pisanie, refaktoryzację, testowanie, debugowanie lub wyjaśnianie, a on pokaże logi terminala, odwołania i wyniki na każdym etapie.

\n

Oto kilka korzyści z praktyki, które zauważyłem:

\n

\n
• Zadania są śledzalne i weryfikowalne.
\n
• Codex działa równolegle, więc możesz kolejkować wiele zmian.
\n
• Szanuje twoje środowisko deweloperskie, zwłaszcza jeśli skonfigurowałeś konwencje w pliku AGENTS.md.
\n
• Jest zgodny ze standardami ludzkich PR‑ów i potrafi przejść testy CI.
\n

\n

Dla mnie to wygląda tak, jakby OpenAI właśnie wypuściło stażystę‑inżyniera oprogramowania.

\n

Na koniec

\n

Nauczyliśmy się, jak Codex potrafi naprawiać błędy, stosować łatki funkcjonalne i wyjaśniać logikę kodu, a jednocześnie generować pull requesty, uruchamiać testy i dokumentować swoje działania w logach terminala oraz diffach.

\n

Ten praktyczny przewodnik pokazuje, jak Codex może usprawnić twój codzienny workflow deweloperski — niezależnie od tego, czy debugujesz kod legacy, wdrażasz się do nowego repo, czy porządkujesz zadania utrzymaniowe.

\n

Wraz z rozwojem Codexa spodziewam się głębszych integracji z IDE, pipeline’ami CI i planerami zadań, co uczyni go praktycznym dodatkiem do każdego procesu inżynieryjnego. Aby dowiedzieć się więcej o Codexie, przeczytaj oficjalnego bloga z premierą, a przykłady zastosowań znajdziesz też na kanale YouTube OpenAI.

\n

Aby głębiej wejść w modele i narzędzia OpenAI skoncentrowane na inżynierii, polecam te blogi:

\n

\n
• OpenAI Codex CLI — samouczek
\n
• Przewodnik po GPT-5.1 Codex: budowa agenta do analizy zgłoszeń GitHub
\n
• Codex CLI do automatyzacji przepływów danych: kompletny przewodnik
\n
• Samouczek Codex CLI MCP: budowa agenta pulpitu portfelowego
\n