最近 Codex 这三个字在开发者圈子里出现频率非常高。和 GitHub Copilot、Cursor 这类“自动补全”工具不一样Codex 是真正意义上的编程 Agent你在终端里用自然语言描述一个需求它会自己拆解任务、读项目代码、创建或修改文件、执行命令、根据报错继续调试直到把活干完。这种体验第一次让很多开发者意识到AI 编程的下一步不是“更聪明的补全”而是“能独立干活的下属”。但 Codex 的官方使用路径对不少人有门槛。OpenAI 账号、订阅费用、额度管理每一项都足够让人犹豫。与此同时越来越多的团队已经在把 DeepSeek 接入自己的工具链DeepSeek 的 API 兼容 OpenAI 的 Chat Completions 协议价格也更友好。一个很自然的想法就冒出来了能不能让 Codex 的 Agent 工作流跑在 DeepSeek 模型上答案是可以而且实现方式并不神秘。核心思路是在中间加一层 API 适配代理Codex CLI 把请求发给本地代理代理把 OpenAI 的 Responses 协议转换成 DeepSeek 的 Chat Completions 协议转发上去再把响应转回来。社区喜欢管这叫“白嫖 Codex”但从工程角度看它真正解决的不是“省钱”这一个点而是把“编程 Agent 前端”和“模型后端”解耦了。这篇文章我会从架构开始完整演示 Codex DeepSeek CLIProxyAPI 的搭建过程包括配置怎么写、请求怎么流转、常见报错怎么排查。1. Codex 为什么值得关注从自动补全到 Agent 式编程如果你对 Codex 这个名字有印象可能记起来 2021 年 OpenAI 发布过一个叫 Codex 的代码模型。现在这个名字被用于新的 AI 编程 Agent 产品含义完全不同。Codex 不是一个“帮你补全下一行代码”的工具而是一个能在终端里独立执行编程任务的 Agent。你给它一个目标它会自己决定先看哪些文件、改哪些代码、跑哪些命令然后根据结果继续迭代。和传统补全工具相比差异在工作模式上。Copilot 类工具是“人在回路里”你写代码它负责猜下一段。Codex 是“Agent 在回路里”你提需求它负责把活干完你在旁边做检查和验收。比如你可以对它说“帮我写一个脚本把项目里所有 TODO 注释统计出来按文件分组输出”它会自己列出计划、创建脚本、运行给你看。如果运行报错它还会读报错信息修改代码再试一次。这种多步规划、工具调用、自我纠错的能力才是 Agent 式编程的核心。那它适合什么人从当前社区的实践来看最适合的场景有这么几类快速原型把脑子里的想法直接描述出来先跑通再人工优化。代码重构批量重命名、抽公共方法、改文件结构。编写测试让 Agent 根据已有代码生成单元测试和集成测试。写一次性脚本数据处理、日志分析、CI 脚本调试。学习项目快速读懂一个陌生仓库的结构和关键逻辑。不适合的场景也有大型系统的架构设计、对代码质量和稳定性要求极高的生产系统、完全不懂编程、无法判断 Agent 产出是否正确的用户。记住一个判断标准Codex 是提高你编程效率的下属不是代替你思考的架构师。你仍然需要对结果负责。2. 为什么需要 CLIProxyAPI协议差异与适配层原理很多人第一次接触“Codex 接入 DeepSeek”时第一反应是Codex 配置里不是可以改 base_url 吗直接把 base_url 改成 DeepSeek 的地址不就行了这里就是最容易踩的坑Codex CLI 默认调用的是 OpenAI 的 Responses API也就是 /v1/responses 这个端点而 DeepSeek 对外提供的是 OpenAI 兼容的 Chat Completions API也就是 /v1/chat/completions。两者在请求体结构、参数命名、工具调用格式、流式返回结构上都有差异。直接改 base_url要么报错要么模型不返回工具调用Codex 无法执行命令和读写文件整个 Agent 流程就废了。CLIProxyAPI 这类工具解决的就是这个协议差异问题。它在你的本机起一个本地代理服务Codex CLI 把请求发到本地代理由代理完成三件事功能说明协议转换把 OpenAI Responses API 请求转换成 Chat Completions 请求模型名映射把 Codex 请求的 gpt-5、o4-mini 映射成 deepseek-chat、deepseek-reasonerAPI Key 注入把 DeepSeek 的 Key 注入到转发到上游的请求中打个比方这就像电源转换头。Codex 是英式插头DeepSeek 是美式插座直接插是插不进去的中间需要一个转换头。CLIProxyAPI 就是这个转换头。这类工具在社区里的变体不少有的叫 cliproxy有的叫 cc-switch有的叫 CLIProxyAPI底层原理大同小异。它们通常都提供一条命令切换 Codex 的 Provider 配置并自动启动本地代理。本文以社区里常见的 cc 命令为例做演示具体安装包名和命令以你使用的项目 README 为准。3. 整体架构与请求流转链路在动手之前先建立整体架构图景。整个链路由三个组件组成组件角色运行位置Codex CLI编程 Agent 前端负责任务规划、命令执行、文件操作用户终端CLIProxyAPI本地代理负责协议转换、模型名映射、请求转发用户本机 127.0.0.1:3456DeepSeek API模型推理服务负责理解请求、生成代码远端一次完整请求的流转过程如下用户在 Codex 终端中输入需求Codex 根据需求生成下一步动作构造 API 请求。请求的模型名通常是 Codex 默认的模型名比如 gpt-5、o4-mini、codex-mini-latest请求地址指向本地代理。代理收到请求后做模型名映射例如把 gpt-5 替换为 deepseek-chat把请求体从 Responses 格式转换成 Chat Completions 格式再从环境变量读取 DeepSeek API Key 注入请求头。代理把转换后的请求转发到 DeepSeek 的 https://api.deepseek.com/v1/chat/completions。DeepSeek 返回流式响应代理把响应格式转换回 Codex 能理解的结构。Codex 解析响应继续规划下一步循环直到任务完成。整个过程中Codex 不知道也不关心上游是 DeepSeek 还是其他模型它只知道自己在与一个兼容 Responses 协议的端点通信。这也是这个方案最优雅的地方前端与后端完全解耦。今天你可以接 DeepSeek明天可以换 Qwen后天可以切换回 OpenAICodex 的交互体验和 Agent 工作流保持不变只需要改代理配置。模型名映射是整个链路里最容易出错的一环。DeepSeek 官方目前主要提供两个模型标识deepseek-chat 和 deepseek-reasoner。前者适合常规代码生成和工具调用任务后者偏推理增强适合复杂分析和数学类问题。Codex 默认请求的模型名和这两个标识完全不同如果不做映射上游会直接返回 model not found。4. 环境准备与前置条件开始之前先确认你的环境满足以下几个条件。这些条件并不苛刻但缺一个后面都跑不通。操作系统macOS、Linux 都行。Windows 用户建议使用 WSL2因为 Codex 在终端环境下的 Agent 工作流天然依赖类 Unix 的命令行工具链比如 shell、grep、find 这些。在原生 Windows CMD 或 PowerShell 下运行兼容性问题会多一些。Node.js 环境Codex CLI 的 npm 安装包需要 Node.js 18 及以上版本。CLIProxyAPI 类工具大概率也是 npm 包同样依赖 Node.js。可以先在终端里检查node -v npm -v如果 node 命令不存在先去 Node.js 官网下载 LTS 版本安装装完重新开一个终端窗口再验证。DeepSeek API Key这是必须的。去 DeepSeek 开放平台注册账号创建 API Key。创建后 Key 只会完整显示一次记得立刻复制保存。平台通常有按量计费新用户可能有一些赠送额度具体规则以平台当前页面为准。把 Key 保存好后面要写入环境变量。基本的命令行能力至少要知道 cd、ls、mkdir 这几个基础命令理解环境变量的概念。如果你能熟练使用终端整个流程很顺畅。如果之前一直用 IDE 自带的终端也可以直接用它操作区别不大。5. 安装与配置Codex CLI CLIProxyAPI DeepSeek5.1 安装 Codex CLI使用 npm 全局安装npm install -g openai/codex安装完成后验证版本codex --version能输出版本号就说明安装成功。如果提示 command not found说明 npm 的全局 bin 目录不在 PATH 里。可以先查看全局安装路径npm bin -g然后把这个目录加入 PATH或者直接用完整路径调用。这里另外提醒一句Codex 还有通过 Rust 安装和源码构建的方式。如果你只是想在终端里快速跑通 Agentnpm 安装是最省事的路径。等到后面深入使用再研究其他安装方式的差异也不迟。5.2 配置 DeepSeek API Key打开终端把 Key 写入环境变量。为了后面多个进程都能读到建议写进 shell 配置文件比如 ~/.zshrc 或 ~/.bashrcexport DEEPSEEK_API_KEYsk-你的key然后执行 source 使配置立即生效source ~/.zshrc # 或者 source ~/.bashrc验证是否写入成功echo $DEEPSEEK_API_KEY能显示出你的 Key 就说明环境变量配置完成。这里有个小细节后面 Codex 会用这个环境变量向本地代理发送 Authorization 头代理也会用它作为上游请求的鉴权。同一个变量两处复用所以命名要统一不要写错。5.3 安装 CLIProxyAPI 类代理工具CLIProxyAPI 这类工具的更新速度非常快安装命令在不同版本之间可能有差异。最稳妥的方式是去对应项目的 GitHub README 查看当前推荐的安装方式。社区里较常见的形态是 npm 全局包安装后提供一个 cc 命令用于切换 Provider 配置npm install -g cliproxy-api cc --version如果你的工具不是这个包名不要强行套用。请以项目文档为准。本文后面的命令演示基于“安装后提供 cc 命令”这个假设其他命令变体只需要替换成对应的启动命令即可。5.4 编写代理配置文件代理工具通常会读取一份 YAML 或 JSON 配置文件。核心配置项分三块监听地址、上游地址、模型名映射。下面是一份示例配置文件路径建议放在你的用户目录下比如 ~/.cliproxy/config.yaml# 本地代理监听地址只监听本机不暴露到局域网 listen_address: 127.0.0.1:3456 # 上游配置DeepSeek API upstream: base_url: https://api.deepseek.com/v1 api_key_env: DEEPSEEK_API_KEY timeout_seconds: 300 # 模型名映射Codex 请求的模型 - DeepSeek 模型 model_map: gpt-5: deepseek-chat gpt-5-codex: deepseek-chat o4-mini: deepseek-chat codex-mini-latest: deepseek-chat deepseek-reasoner: deepseek-reasoner log_level: info这份配置的语义很清晰listen_address 表示代理只监听本机的 3456 端口这样外部机器无法访问安全性更好。upstream.base_url 指向 DeepSeek 的接口地址末尾带 /v1。upstream.api_key_env 告诉代理从哪个环境变量读取 Key 并注入到上游请求。timeout_seconds 设置上游请求超时时间。Agent 任务通常耗时长300 秒是一个比较保守的初始值。model_map 里的每一项都是“Codex 请求的模型名 - DeepSeek 的模型名”。gpt-5 这类是 Codex 可能请求的默认模型名deepseek-reasoner 是 DeepSeek 侧的推理模型。需要说明的是不同代理工具对字段命名不一样。有些叫 endpoint有些叫 providers有些叫 models。关键是抓住三个语义监听端口、上游地址、模型映射。只要这三个语义对得上具体字段名差异可以对照项目文档快速调整。5.5 配置 Codex CLI 指向本地代理Codex CLI 的配置文件位于 ~/.codex/config.toml。如果 ~/.codex 目录不存在先创建它mkdir -p ~/.codex然后编辑 ~/.codex/config.toml写入如下内容model gpt-5 model_provider cliproxy [model_providers.cliproxy] name CLIProxy DeepSeek base_url http://127.0.0.1:3456/v1 env_key DEEPSEEK_API_KEY wire_api responses这里解释几个关键字段model 是 Codex 默认使用的模型名。这里写 gpt-5 只是为了让 Codex 认识一个“默认模型”真正生效的是代理里的 model_map。Codex 把这个模型名发到代理后会被替换成 deepseek-chat。model_provider 指向下面定义的 provider 名称 cliproxy。base_url 是代理的地址。注意这里写的是 http://127.0.0.1:3456/v1代理会在这个地址上接收 /v1/responses 请求。env_key 告诉 Codex 从环境变量 DEEPSEEK_API_KEY 中读取 Key并在请求时自动带上 Authorization 头。对于本地代理来说这个头可有可无但保留它可以让代理在上游转发时直接复用省去重复配置。wire_api 指定 Codex 与代理通信时使用的协议格式。这里用 responses因为我们的代理接收的是 Responses 格式请求。如果你使用的代理只暴露 Chat Completions 格式的端点那这里要改成 chat同时代理就不需要做协议转换只需要做模型名映射和转发。5.6 启动代理并验证启动代理前确保 DEEPSEEK_API_KEY 已经设置。然后运行cc switch这条命令的作用是切换 Codex 当前使用的 Provider 配置并启动本地代理。如果启动成功你通常会在终端看到类似“local proxy started at 127.0.0.1:3456”的日志信息。不同工具的日志格式不一样但只要是监听在本机 3456 端口就说明代理已经就绪。如果你的工具不是用 cc switch 启动那就换成项目文档里对应的启动命令比如 cliproxy start 或 cc proxy start。为了确认代理确实在监听可以执行curl -s http://127.0.0.1:3456/v1/models | head -n 20如果代理支持转发模型列表请求你会看到 DeepSeek 的模型列表。如果返回空或者报错也不要慌很多代理只代理代码生成相关的端点不支持 /v1/models 的转发。真正有意义的验证是下一步直接用 Codex 跑一个任务。6. 完整示例让 Codex 用 DeepSeek 完成一个真实任务现在我们来跑通一个最小示例验证整条链路是否正常。第一步创建一个测试目录放两个日志文件mkdir -p ~/codex-deepseek-demo cd ~/codex-deepseek-demo printf first line\nsecond line\nthird line\n a.log printf only one line\n b.log第二步调用 Codex 执行任务。用 codex exec 模式可以直接在命令行传入需求适合脚本化和自动化测试codex exec 在当前目录编写一个 Python 脚本 stats_logs.py统计所有 .log 文件的行数按行数降序输出文件路径和行数这里说明一下codex exec 是 Codex CLI 的非交互式执行模式适合一次性的明确任务。如果你想观察 Agent 的实时思考过程、文件改动和执行命令可以不加 exec直接运行 codex 进入交互式模式。第一次使用建议用交互模式能看到更多细节。Codex 拿到任务后会经历一个“规划 - 写文件 - 执行 - 验证”的过程。因为模型是 DeepSeek它生成的具体代码每次可能不同。下面是一个可能生成的脚本示例#!/usr/bin/env python3 # 文件路径~/codex-deepseek-demo/stats_logs.py import glob def main(): results [] for path in glob.glob(*.log): with open(path, encodingutf-8, errorsignore) as f: results.append((path, sum(1 for _ in f))) results.sort(keylambda x: x[1], reverseTrue) for path, count in results: print(f{count}\t{path}) if __name__ __main__: main()这段脚本的逻辑很简单用 glob 匹配当前目录下所有 .log 文件逐行统计行数装进列表后按行数降序排序最后输出。errorsignore 是为了避免日志文件里出现非 UTF-8 编码导致程序崩溃这是处理日志文件时的常见写法。如果 Codex 没有自动执行脚本可以手动验证python3 stats_logs.py预期输出如下3 /path/to/codex-deepseek-demo/a.log 1 /path/to/codex-deepseek-demo/b.log行数统计正确说明整条链路已经打通Codex 成功调用 DeepSeek 生成了代码并且代码能正常运行。7. 运行结果与验证怎么确认请求真的走了 DeepSeek很多人走到上一步看到 Codex 能生成代码就以为大功告成。但这里还差一个关键动作确认请求确实打到了 DeepSeek 上。因为如果代理配置有问题Codex 可能仍然在用默认配置请求 OpenAI 端点那样并不能达到你想要的成本效果。验证方法有几层从浅到深第一层看代理日志。启动代理的终端窗口里通常会有请求日志记录每次请求的目标上游地址和模型名。你应当能看到类似“POST https://api.deepseek.com/v1/chat/completionsmodel: deepseek-chat”的记录。如果日志里出现的是 openai.com 或 responses 字样说明代理没有把请求转发到 DeepSeek。第二层看 DeepSeek 开放平台。登录 DeepSeek 开放平台的控制台查看 API 用量页面。只要你刚才跑了任务这里应该能看到对应的 token 消耗记录。这是最硬核的证据因为只有请求真的到达 DeepSeek 服务端才会产生用量记录。第三层让 Codex 开启详细日志。Codex CLI 支持输出更详细的请求信息codex exec --json 写一个 Python 脚本输出 hello 21 | grep -i model\|base_url | head -n 20注意不同版本的 Codex 参数可能不同如果 --json 不生效可以查看 codex exec --help 的输出找到对应的 verbose 或 debug 参数。第四层侧面询问模型。你可以在任务描述里加上一句话“请在第一行输出你当前使用的模型名称。”如果模型回答自己是 DeepSeek 或类似名称说明请求确实走了 DeepSeek。不过这个方法只能作为辅助验证因为模型并不知道自己的真实部署身份回答可能存在偏差。8. 常见问题与排查思路接入过程中最耗时间的往往不是配置本身而是各种报错。下面整理了几个高频问题都是社区里最常见的情况问题现象可能原因排查方式解决方案运行 codex 提示 command not found或 IDE 插件报 unable to locate the codex cli binaryCodex CLI 未安装或 npm 全局 bin 不在 PATH执行 which codex确认安装路径重新安装 Codex CLI并把 npm 全局 bin 目录加入 PATH在 IDE 插件设置里配置 codex_cli_path启动代理时提示 cc switch local proxy failed while handling codex endpoint /responses本地代理启动失败或代理无法处理 /responses 端点查看代理日志检查 3456 端口是否被占用用 curl 直接请求代理 Codex接入DeepSeek：本地代理协议转换与模型映射方案
最近 Codex 这三个字在开发者圈子里出现频率非常高。和 GitHub Copilot、Cursor 这类“自动补全”工具不一样Codex 是真正意义上的编程 Agent你在终端里用自然语言描述一个需求它会自己拆解任务、读项目代码、创建或修改文件、执行命令、根据报错继续调试直到把活干完。这种体验第一次让很多开发者意识到AI 编程的下一步不是“更聪明的补全”而是“能独立干活的下属”。但 Codex 的官方使用路径对不少人有门槛。OpenAI 账号、订阅费用、额度管理每一项都足够让人犹豫。与此同时越来越多的团队已经在把 DeepSeek 接入自己的工具链DeepSeek 的 API 兼容 OpenAI 的 Chat Completions 协议价格也更友好。一个很自然的想法就冒出来了能不能让 Codex 的 Agent 工作流跑在 DeepSeek 模型上答案是可以而且实现方式并不神秘。核心思路是在中间加一层 API 适配代理Codex CLI 把请求发给本地代理代理把 OpenAI 的 Responses 协议转换成 DeepSeek 的 Chat Completions 协议转发上去再把响应转回来。社区喜欢管这叫“白嫖 Codex”但从工程角度看它真正解决的不是“省钱”这一个点而是把“编程 Agent 前端”和“模型后端”解耦了。这篇文章我会从架构开始完整演示 Codex DeepSeek CLIProxyAPI 的搭建过程包括配置怎么写、请求怎么流转、常见报错怎么排查。1. Codex 为什么值得关注从自动补全到 Agent 式编程如果你对 Codex 这个名字有印象可能记起来 2021 年 OpenAI 发布过一个叫 Codex 的代码模型。现在这个名字被用于新的 AI 编程 Agent 产品含义完全不同。Codex 不是一个“帮你补全下一行代码”的工具而是一个能在终端里独立执行编程任务的 Agent。你给它一个目标它会自己决定先看哪些文件、改哪些代码、跑哪些命令然后根据结果继续迭代。和传统补全工具相比差异在工作模式上。Copilot 类工具是“人在回路里”你写代码它负责猜下一段。Codex 是“Agent 在回路里”你提需求它负责把活干完你在旁边做检查和验收。比如你可以对它说“帮我写一个脚本把项目里所有 TODO 注释统计出来按文件分组输出”它会自己列出计划、创建脚本、运行给你看。如果运行报错它还会读报错信息修改代码再试一次。这种多步规划、工具调用、自我纠错的能力才是 Agent 式编程的核心。那它适合什么人从当前社区的实践来看最适合的场景有这么几类快速原型把脑子里的想法直接描述出来先跑通再人工优化。代码重构批量重命名、抽公共方法、改文件结构。编写测试让 Agent 根据已有代码生成单元测试和集成测试。写一次性脚本数据处理、日志分析、CI 脚本调试。学习项目快速读懂一个陌生仓库的结构和关键逻辑。不适合的场景也有大型系统的架构设计、对代码质量和稳定性要求极高的生产系统、完全不懂编程、无法判断 Agent 产出是否正确的用户。记住一个判断标准Codex 是提高你编程效率的下属不是代替你思考的架构师。你仍然需要对结果负责。2. 为什么需要 CLIProxyAPI协议差异与适配层原理很多人第一次接触“Codex 接入 DeepSeek”时第一反应是Codex 配置里不是可以改 base_url 吗直接把 base_url 改成 DeepSeek 的地址不就行了这里就是最容易踩的坑Codex CLI 默认调用的是 OpenAI 的 Responses API也就是 /v1/responses 这个端点而 DeepSeek 对外提供的是 OpenAI 兼容的 Chat Completions API也就是 /v1/chat/completions。两者在请求体结构、参数命名、工具调用格式、流式返回结构上都有差异。直接改 base_url要么报错要么模型不返回工具调用Codex 无法执行命令和读写文件整个 Agent 流程就废了。CLIProxyAPI 这类工具解决的就是这个协议差异问题。它在你的本机起一个本地代理服务Codex CLI 把请求发到本地代理由代理完成三件事功能说明协议转换把 OpenAI Responses API 请求转换成 Chat Completions 请求模型名映射把 Codex 请求的 gpt-5、o4-mini 映射成 deepseek-chat、deepseek-reasonerAPI Key 注入把 DeepSeek 的 Key 注入到转发到上游的请求中打个比方这就像电源转换头。Codex 是英式插头DeepSeek 是美式插座直接插是插不进去的中间需要一个转换头。CLIProxyAPI 就是这个转换头。这类工具在社区里的变体不少有的叫 cliproxy有的叫 cc-switch有的叫 CLIProxyAPI底层原理大同小异。它们通常都提供一条命令切换 Codex 的 Provider 配置并自动启动本地代理。本文以社区里常见的 cc 命令为例做演示具体安装包名和命令以你使用的项目 README 为准。3. 整体架构与请求流转链路在动手之前先建立整体架构图景。整个链路由三个组件组成组件角色运行位置Codex CLI编程 Agent 前端负责任务规划、命令执行、文件操作用户终端CLIProxyAPI本地代理负责协议转换、模型名映射、请求转发用户本机 127.0.0.1:3456DeepSeek API模型推理服务负责理解请求、生成代码远端一次完整请求的流转过程如下用户在 Codex 终端中输入需求Codex 根据需求生成下一步动作构造 API 请求。请求的模型名通常是 Codex 默认的模型名比如 gpt-5、o4-mini、codex-mini-latest请求地址指向本地代理。代理收到请求后做模型名映射例如把 gpt-5 替换为 deepseek-chat把请求体从 Responses 格式转换成 Chat Completions 格式再从环境变量读取 DeepSeek API Key 注入请求头。代理把转换后的请求转发到 DeepSeek 的 https://api.deepseek.com/v1/chat/completions。DeepSeek 返回流式响应代理把响应格式转换回 Codex 能理解的结构。Codex 解析响应继续规划下一步循环直到任务完成。整个过程中Codex 不知道也不关心上游是 DeepSeek 还是其他模型它只知道自己在与一个兼容 Responses 协议的端点通信。这也是这个方案最优雅的地方前端与后端完全解耦。今天你可以接 DeepSeek明天可以换 Qwen后天可以切换回 OpenAICodex 的交互体验和 Agent 工作流保持不变只需要改代理配置。模型名映射是整个链路里最容易出错的一环。DeepSeek 官方目前主要提供两个模型标识deepseek-chat 和 deepseek-reasoner。前者适合常规代码生成和工具调用任务后者偏推理增强适合复杂分析和数学类问题。Codex 默认请求的模型名和这两个标识完全不同如果不做映射上游会直接返回 model not found。4. 环境准备与前置条件开始之前先确认你的环境满足以下几个条件。这些条件并不苛刻但缺一个后面都跑不通。操作系统macOS、Linux 都行。Windows 用户建议使用 WSL2因为 Codex 在终端环境下的 Agent 工作流天然依赖类 Unix 的命令行工具链比如 shell、grep、find 这些。在原生 Windows CMD 或 PowerShell 下运行兼容性问题会多一些。Node.js 环境Codex CLI 的 npm 安装包需要 Node.js 18 及以上版本。CLIProxyAPI 类工具大概率也是 npm 包同样依赖 Node.js。可以先在终端里检查node -v npm -v如果 node 命令不存在先去 Node.js 官网下载 LTS 版本安装装完重新开一个终端窗口再验证。DeepSeek API Key这是必须的。去 DeepSeek 开放平台注册账号创建 API Key。创建后 Key 只会完整显示一次记得立刻复制保存。平台通常有按量计费新用户可能有一些赠送额度具体规则以平台当前页面为准。把 Key 保存好后面要写入环境变量。基本的命令行能力至少要知道 cd、ls、mkdir 这几个基础命令理解环境变量的概念。如果你能熟练使用终端整个流程很顺畅。如果之前一直用 IDE 自带的终端也可以直接用它操作区别不大。5. 安装与配置Codex CLI CLIProxyAPI DeepSeek5.1 安装 Codex CLI使用 npm 全局安装npm install -g openai/codex安装完成后验证版本codex --version能输出版本号就说明安装成功。如果提示 command not found说明 npm 的全局 bin 目录不在 PATH 里。可以先查看全局安装路径npm bin -g然后把这个目录加入 PATH或者直接用完整路径调用。这里另外提醒一句Codex 还有通过 Rust 安装和源码构建的方式。如果你只是想在终端里快速跑通 Agentnpm 安装是最省事的路径。等到后面深入使用再研究其他安装方式的差异也不迟。5.2 配置 DeepSeek API Key打开终端把 Key 写入环境变量。为了后面多个进程都能读到建议写进 shell 配置文件比如 ~/.zshrc 或 ~/.bashrcexport DEEPSEEK_API_KEYsk-你的key然后执行 source 使配置立即生效source ~/.zshrc # 或者 source ~/.bashrc验证是否写入成功echo $DEEPSEEK_API_KEY能显示出你的 Key 就说明环境变量配置完成。这里有个小细节后面 Codex 会用这个环境变量向本地代理发送 Authorization 头代理也会用它作为上游请求的鉴权。同一个变量两处复用所以命名要统一不要写错。5.3 安装 CLIProxyAPI 类代理工具CLIProxyAPI 这类工具的更新速度非常快安装命令在不同版本之间可能有差异。最稳妥的方式是去对应项目的 GitHub README 查看当前推荐的安装方式。社区里较常见的形态是 npm 全局包安装后提供一个 cc 命令用于切换 Provider 配置npm install -g cliproxy-api cc --version如果你的工具不是这个包名不要强行套用。请以项目文档为准。本文后面的命令演示基于“安装后提供 cc 命令”这个假设其他命令变体只需要替换成对应的启动命令即可。5.4 编写代理配置文件代理工具通常会读取一份 YAML 或 JSON 配置文件。核心配置项分三块监听地址、上游地址、模型名映射。下面是一份示例配置文件路径建议放在你的用户目录下比如 ~/.cliproxy/config.yaml# 本地代理监听地址只监听本机不暴露到局域网 listen_address: 127.0.0.1:3456 # 上游配置DeepSeek API upstream: base_url: https://api.deepseek.com/v1 api_key_env: DEEPSEEK_API_KEY timeout_seconds: 300 # 模型名映射Codex 请求的模型 - DeepSeek 模型 model_map: gpt-5: deepseek-chat gpt-5-codex: deepseek-chat o4-mini: deepseek-chat codex-mini-latest: deepseek-chat deepseek-reasoner: deepseek-reasoner log_level: info这份配置的语义很清晰listen_address 表示代理只监听本机的 3456 端口这样外部机器无法访问安全性更好。upstream.base_url 指向 DeepSeek 的接口地址末尾带 /v1。upstream.api_key_env 告诉代理从哪个环境变量读取 Key 并注入到上游请求。timeout_seconds 设置上游请求超时时间。Agent 任务通常耗时长300 秒是一个比较保守的初始值。model_map 里的每一项都是“Codex 请求的模型名 - DeepSeek 的模型名”。gpt-5 这类是 Codex 可能请求的默认模型名deepseek-reasoner 是 DeepSeek 侧的推理模型。需要说明的是不同代理工具对字段命名不一样。有些叫 endpoint有些叫 providers有些叫 models。关键是抓住三个语义监听端口、上游地址、模型映射。只要这三个语义对得上具体字段名差异可以对照项目文档快速调整。5.5 配置 Codex CLI 指向本地代理Codex CLI 的配置文件位于 ~/.codex/config.toml。如果 ~/.codex 目录不存在先创建它mkdir -p ~/.codex然后编辑 ~/.codex/config.toml写入如下内容model gpt-5 model_provider cliproxy [model_providers.cliproxy] name CLIProxy DeepSeek base_url http://127.0.0.1:3456/v1 env_key DEEPSEEK_API_KEY wire_api responses这里解释几个关键字段model 是 Codex 默认使用的模型名。这里写 gpt-5 只是为了让 Codex 认识一个“默认模型”真正生效的是代理里的 model_map。Codex 把这个模型名发到代理后会被替换成 deepseek-chat。model_provider 指向下面定义的 provider 名称 cliproxy。base_url 是代理的地址。注意这里写的是 http://127.0.0.1:3456/v1代理会在这个地址上接收 /v1/responses 请求。env_key 告诉 Codex 从环境变量 DEEPSEEK_API_KEY 中读取 Key并在请求时自动带上 Authorization 头。对于本地代理来说这个头可有可无但保留它可以让代理在上游转发时直接复用省去重复配置。wire_api 指定 Codex 与代理通信时使用的协议格式。这里用 responses因为我们的代理接收的是 Responses 格式请求。如果你使用的代理只暴露 Chat Completions 格式的端点那这里要改成 chat同时代理就不需要做协议转换只需要做模型名映射和转发。5.6 启动代理并验证启动代理前确保 DEEPSEEK_API_KEY 已经设置。然后运行cc switch这条命令的作用是切换 Codex 当前使用的 Provider 配置并启动本地代理。如果启动成功你通常会在终端看到类似“local proxy started at 127.0.0.1:3456”的日志信息。不同工具的日志格式不一样但只要是监听在本机 3456 端口就说明代理已经就绪。如果你的工具不是用 cc switch 启动那就换成项目文档里对应的启动命令比如 cliproxy start 或 cc proxy start。为了确认代理确实在监听可以执行curl -s http://127.0.0.1:3456/v1/models | head -n 20如果代理支持转发模型列表请求你会看到 DeepSeek 的模型列表。如果返回空或者报错也不要慌很多代理只代理代码生成相关的端点不支持 /v1/models 的转发。真正有意义的验证是下一步直接用 Codex 跑一个任务。6. 完整示例让 Codex 用 DeepSeek 完成一个真实任务现在我们来跑通一个最小示例验证整条链路是否正常。第一步创建一个测试目录放两个日志文件mkdir -p ~/codex-deepseek-demo cd ~/codex-deepseek-demo printf first line\nsecond line\nthird line\n a.log printf only one line\n b.log第二步调用 Codex 执行任务。用 codex exec 模式可以直接在命令行传入需求适合脚本化和自动化测试codex exec 在当前目录编写一个 Python 脚本 stats_logs.py统计所有 .log 文件的行数按行数降序输出文件路径和行数这里说明一下codex exec 是 Codex CLI 的非交互式执行模式适合一次性的明确任务。如果你想观察 Agent 的实时思考过程、文件改动和执行命令可以不加 exec直接运行 codex 进入交互式模式。第一次使用建议用交互模式能看到更多细节。Codex 拿到任务后会经历一个“规划 - 写文件 - 执行 - 验证”的过程。因为模型是 DeepSeek它生成的具体代码每次可能不同。下面是一个可能生成的脚本示例#!/usr/bin/env python3 # 文件路径~/codex-deepseek-demo/stats_logs.py import glob def main(): results [] for path in glob.glob(*.log): with open(path, encodingutf-8, errorsignore) as f: results.append((path, sum(1 for _ in f))) results.sort(keylambda x: x[1], reverseTrue) for path, count in results: print(f{count}\t{path}) if __name__ __main__: main()这段脚本的逻辑很简单用 glob 匹配当前目录下所有 .log 文件逐行统计行数装进列表后按行数降序排序最后输出。errorsignore 是为了避免日志文件里出现非 UTF-8 编码导致程序崩溃这是处理日志文件时的常见写法。如果 Codex 没有自动执行脚本可以手动验证python3 stats_logs.py预期输出如下3 /path/to/codex-deepseek-demo/a.log 1 /path/to/codex-deepseek-demo/b.log行数统计正确说明整条链路已经打通Codex 成功调用 DeepSeek 生成了代码并且代码能正常运行。7. 运行结果与验证怎么确认请求真的走了 DeepSeek很多人走到上一步看到 Codex 能生成代码就以为大功告成。但这里还差一个关键动作确认请求确实打到了 DeepSeek 上。因为如果代理配置有问题Codex 可能仍然在用默认配置请求 OpenAI 端点那样并不能达到你想要的成本效果。验证方法有几层从浅到深第一层看代理日志。启动代理的终端窗口里通常会有请求日志记录每次请求的目标上游地址和模型名。你应当能看到类似“POST https://api.deepseek.com/v1/chat/completionsmodel: deepseek-chat”的记录。如果日志里出现的是 openai.com 或 responses 字样说明代理没有把请求转发到 DeepSeek。第二层看 DeepSeek 开放平台。登录 DeepSeek 开放平台的控制台查看 API 用量页面。只要你刚才跑了任务这里应该能看到对应的 token 消耗记录。这是最硬核的证据因为只有请求真的到达 DeepSeek 服务端才会产生用量记录。第三层让 Codex 开启详细日志。Codex CLI 支持输出更详细的请求信息codex exec --json 写一个 Python 脚本输出 hello 21 | grep -i model\|base_url | head -n 20注意不同版本的 Codex 参数可能不同如果 --json 不生效可以查看 codex exec --help 的输出找到对应的 verbose 或 debug 参数。第四层侧面询问模型。你可以在任务描述里加上一句话“请在第一行输出你当前使用的模型名称。”如果模型回答自己是 DeepSeek 或类似名称说明请求确实走了 DeepSeek。不过这个方法只能作为辅助验证因为模型并不知道自己的真实部署身份回答可能存在偏差。8. 常见问题与排查思路接入过程中最耗时间的往往不是配置本身而是各种报错。下面整理了几个高频问题都是社区里最常见的情况问题现象可能原因排查方式解决方案运行 codex 提示 command not found或 IDE 插件报 unable to locate the codex cli binaryCodex CLI 未安装或 npm 全局 bin 不在 PATH执行 which codex确认安装路径重新安装 Codex CLI并把 npm 全局 bin 目录加入 PATH在 IDE 插件设置里配置 codex_cli_path启动代理时提示 cc switch local proxy failed while handling codex endpoint /responses本地代理启动失败或代理无法处理 /responses 端点查看代理日志检查 3456 端口是否被占用用 curl 直接请求代理