OpenAI Codex: En steg‑för‑steg‑guide med 3 praktiska exempel

TL;DR

\n

\n
• \n

  OpenAI Codex är en molnbaserad mjukvaruingenjörsagent som finns i ChatGPT (Plus-, Pro-, Team- och Enterprise‑planer)

  \n
\n
• \n

  Anslut Codex till ett GitHub‑repo och ge den uppgifter: fixa buggar, applicera patchar, generera tester eller förklara kod

  \n
\n
• \n

  Varje uppgift körs i en isolerad sandlåda; Codex öppnar en pull request som du granskar innan sammanslagning

  \n
\n
• \n

  Använd en AGENTS.md-fil för att definiera kodkonventioner som Codex följer för varje uppgift

  \n
\n
• \n

  Codex körs även i terminalen via Codex CLI och som en VS Code‑extension

  \n
\n

\n

Vad är OpenAI:s Codex?

\n

OpenAI Codex är en molnbaserad mjukvaruingenjörsagent som kan skriva och redigera kod, köra tester, fixa buggar och till och med föreslå pull requests. Varje uppgift körs i sin egen sandlåde‑miljö.

\n

Codex drivs av OpenAI:s senaste frontier‑modeller och är byggd för säkerhet, testbarhet och utvecklarproduktivitet. Du kan styra Codex med AGENTS.md-filer eller interagera med den direkt i ChatGPT:s sidofält.

\n

Med Codex CLI kan du dessutom ta med dessa möjligheter direkt till din terminal.

\n

Översikt över sätt att få åtkomst till Codex:

\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

Kom igång med OpenAI:s Codex

\n

Att sätta upp Codex tar bara några minuter. Här är en steg‑för‑steg‑genomgång för att komma igång.

\n

Steg 1: Hitta Codex‑verktyget

\n

Börja med att logga in på ChatGPT. I verktygsfältet till vänster letar du efter Codex. Vid lanseringen rullades Codex ut till ChatGPT Pro-, Business- och Enterprise‑användare. Den ingår nu i alla planer (även om åtkomsten i Free och Go är mycket begränsad).

\n

\n

Steg 2: Kom igång med Codex

\n

Klicka på Codex så tas du till en annan flik för första konfigurationen. Klicka på ”Get Started” och följ autentiseringsproceduren som visas i nästa steg.

\n

\n

Steg 3: Multifaktorautentisering

\n

Klicka på ”Set up MFA to continue” och skanna QR‑koden med din favoritapp för autentisering (till exempel Google Authenticator eller Authy). Ange koden för att verifiera, och du är klar!

\n

\n

Steg 4: Anslut till GitHub

\n

När multifaktorautentiseringen är klar ansluter vi Codex till GitHub.

\n

\n

Steg 4.1: Auktorisera GitHub‑kopplingen

\n

”Connect to GitHub” tar dig till ett popupfönster för att auktorisera GitHub‑kopplingen. Läs igenom och auktorisera.

\n

\n

Steg 4.2: Lägg till ditt GitHub‑konto

\n

När GitHub är anslutet behöver vi lägga till vårt konto. Under fliken för GitHub‑organisation väljer du ”Add a GitHub account”. 

\n

\n

\n

Detta tar dig till ett annat popupfönster för ”Install and Authorize”. Klicka för att auktorisera, så visas alla dina repositorier i ChatGPT‑gränssnittet. Du kan även auktorisera endast valda repositorier.

\n

\n

Steg 4.3: Skapa en miljö

\n

Välj det repository du vill arbeta med och klicka på ”Create environment”.

\n

\n

Detta tar dig till ”Data Controls”. Codex är fortfarande under aktiv utveckling, och du kan få en valfri fråga om att tillåta att dina data används för modellförbättring. Du kan stänga av detta och fortsätta.

\n

\n

Nu är din miljö redo att utforskas. Codex låter användare starta uppgifter parallellt med förvalda uppgifter.

\n

\n

Klicka bara på ”Start tasks” eller välj uppgifter efter dina behov. Detta tar dig till ett gränssnitt där du kan ställa frågor eller be agenten att koda en funktion åt dig.

\n

\n

\n

När alla uppgifter är redo väljer du den uppgift du vill arbeta med, eller arbeta med flera uppgifter parallellt.

\n

Steg 5: AGENTS.md-fil (valfritt)

\n

Filen AGENTS.md är en speciell konfigurationsfil som introducerats av OpenAI för användning med Codex‑plattformen, utformad för att vägleda AI‑agenter när de arbetar i din kodbas. Du kan se den som en utvecklarhandbok för AI‑teamkamrater, liknande en README.md, men inriktad på instruktioner för autonoma agenter. Här är ett exempel på en AGENTS.md-fil:

\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\" sectionDrivs av

\n

När Codex kör en uppgift i din kodbas:

\n

\n
\n
• Söker den efter AGENTS.md-filer vars räckvidd inkluderar de filer som den ändrar.
\n
• Tillämpas instruktionerna i dessa filer för att formatera, testa och dokumentera sina ändringar.
\n
• Prioriterar den djupare nästlade instruktioner när flera filer är tillämpliga (som en kaskadkonfiguration).
\n
\n

\n

För en bredare genomgång av att bygga system som agerar över verktyg och API:er, se vår handledning om OpenAI Agents SDK.

\n

OpenAI:s Codex: Tre praktiska exempel

\n

Låt oss utforska hur Codex kan hjälpa dig i verklig utveckling med tre exempel som jag körde på ett repository.

\n

Exempel 1: Grundläggande fixar och stavfel

\n

Ibland delar Codex upp en enda begäran i deluppgifter, som att rätta stavfel, förbättra en README eller skriva tester, allt inom samma arbetsyta.

\n

\n

\n

Du kan starta en ny uppgift inom en befintlig uppgift baserat på den inledande granskningen, begära ändringar i den befintliga kodbasen eller ställa frågor via textrutan. För att utöka uppgiften eller fixa något nytt klickar du på ”Code” och startar en ny deluppgift direkt.

\n

\n

När du är nöjd med ändringarna klickar du på ”Push”, vilket skapar en ny pull request. Efter några sekunder kan du klicka på ”View Pull Request” för att gå till pull requesten och slå samman den till main.

\n

Exempel 2: Förklaring av kodbas

\n

Därefter använde jag Codex för en icke‑redigerande uppgift: att utforska kodbasen och fråga vad jag kunde göra härnäst. Detta är särskilt användbart om du är ny i ett projekt, försöker komma in snabbt eller helt enkelt fastnat i att förstå hur en viss funktion fungerar.

\n

\n

Codex navigerade i projektet och gav en tydlig, nybörjarvänlig genomgång av kodbasens struktur. I stället för att bara lista filer grupperade Codex dem efter syfte:

\n

\n
• Den lyfte fram att qwen3_demo.py är huvudskriptet som startar två Gradio‑baserade gränssnitt — ett för att växla resonemangsläge och ett annat för flerspråkig översättning.
\n
• Den identifierade qwen3_demo.ipynb som ett interaktivt notboksalternativ.
\n
• Den pekade ut test_qwen3_demo.py för enhetstestning och README.md för dokumentation och video‑genomgångar.
\n

\n

Utöver det listade Codex även ”Viktiga saker att känna till”, som beroenden (Ollama CLI), rollen för funktionen _run_ollama och tips för att utöka gränssnittet. Den föreslog till och med nästa steg, såsom att utforska modellversionering, förbättra UI och lägga till felhantering.

\n

Exempel 3: Hitta och fixa en bugg

\n

Codex kan skanna hela kodbasen, identifiera en bugg, föreslå en fix och visa en förhandsgranskning av ändringarna. Denna process liknar granskningar av kodändringar på GitHub.

\n

\n

Du kan granska loggarna för att förstå bakgrundsprocessen för de ändringar som gjorts genom att klicka på ”Logs”.

\n

\n

Codex returnerar en sammanfattning av gjorda ändringar, tillsammans med filer som skapats eller påverkats av ändringarna. Du kan också ställa frågor om ändringarna eller be Codex skriva ny kod för att förbättra den aktuella implementationen.

\n

\n

\n

När du är nöjd med kodfixarna klickar du på ”Push” och ”Create New PR” för att öppna en ny pull request.

\n

\n

Efter några sekunder kan du klicka på ”View Pull Request” för att gå till pull requesten och slå samman den till main.

\n

\n

Codex gör det möjligt att slå samman ändringarna med bara några få klick.

\n

\n

\n

Ändringarna visas på main‑branchen inom några sekunder.

\n

\n

Varför är Codex viktigt?

\n

Codex är en samarbetande agent, inte en passiv kodgenerator. Du kan be den skriva, refaktorisera, testa, felsöka eller förklara, och den visar dig terminalloggar, källhänvisningar och utdata för varje steg.

\n

Här är några fördelar i verkligheten som jag har sett:

\n

\n
• Uppgifter är spårbara och verifierbara.
\n
• Codex arbetar parallellt, så du kan köa flera ändringar.
\n
• Den respekterar din utvecklingsmiljö, särskilt om du har konfigurerat konventioner via en AGENTS.md-fil.
\n
• Den följer mänskliga PR‑standarder och kan klara CI‑tester.
\n

\n

För mig känns detta som att OpenAI just släppte en mjukvaruingenjörspraktikant.

\n

Avslutande tankar

\n

Vi lärde oss hur Codex kan fixa buggar, applicera funktionspatchar och förklara kodlogik, samtidigt som den genererar pull requests, kör tester och redovisar sina åtgärder via terminalloggar och diffar.

\n

Den här praktiska genomgången visar hur Codex kan förbättra ditt dagliga utvecklarflöde, oavsett om du felsöker äldre kod, onboardar till ett nytt repo eller triagerar underhållsuppgifter.

\n

I takt med att Codex utvecklas förväntar jag mig djupare integrationer med IDE:er, CI‑pipelines och uppgiftsplanerare, vilket gör den till ett praktiskt tillskott i varje ingenjörsarbetsflöde. För att lära dig mer om Codex, läs det officiella lanseringsinlägget, och du kan även hitta exempel på användningsfall på OpenAI:s YouTube‑kanal.

\n

För att fördjupa dig i OpenAI:s ingenjörsfokuserade modeller och verktyg rekommenderar jag dessa bloggar:

\n

\n
• OpenAI Codex CLI‑handledning
\n
• GPT‑5.1 Codex‑guide: Bygga en agent för analys av GitHub‑ärenden
\n
• Codex CLI för automatisering av dataarbetsflöden: En komplett guide
\n
• Codex CLI MCP‑handledning: Bygga en portföljdashboard‑agent
\n