摘要：nbsp;与所有AI智能体一样，框架由一个循环组成，该循环从用户那里获取输入，并使用大语言模型（LLM）生成工具调用或回应用户。这包括指令，这是一个包含智能体通用规则的系统消息，例如编码标准；工具，一个智能体可以调用的MCP服务器列表；以及输入，这是一个包含文本、图像和文件输入的列表，包括AGENTS.nbsp;我记得他们宣布Codex CLI是开源的……这对于任何想要了解编码智能体如何工作的人来说都是一件大事，非常有用，尤其是来自像OpenAI这样的主要实验室。
OpenAI"最近发表了系列文章的第一篇，详细介绍了他们的Codex软件开发智能体的设计和功能"。首篇文章重点介绍了Codex框架的内部结构，这是Codex CLI"的核心组件。
与所有AI智能体一样，框架由一个循环组成，该循环从用户那里获取输入，并使用大语言模型（LLM）生成工具调用或回应用户。但由于LLM的限制，循环还具有管理上下文和减少提示缓存未命中的策略。其中一些策略是从用户报告的错误中学到的教训。因为CLI使用Open Responses API"，所以它是与LLM无关的：它可以使用任何被这个API包装的模型，包括本地托管的开放模型。根据OpenAI的说法，他们的CLI设计和经验教训因此可以惠及任何基于这个API设计智能体的人：
我们强调了任何适用于在Responses API之上构建代理循环的实际考虑和最佳实践。虽然代理循环为Codex提供了基础，但这只是一个开始。在即将发布的文章中，我们将深入探讨CLI的架构，探索工具使用是如何实现的，并对Codex的沙箱模型进行更仔细的观察。
文章描述了用户与智能体对话中的一轮或一次交流中发生的事情。这一轮交流始于为LLM组装一个初始提示。这包括指令，这是一个包含智能体通用规则的系统消息，例如编码标准；工具，一个智能体可以调用的MCP服务器列表；以及输入，这是一个包含文本、图像和文件输入的列表，包括AGENTS.md、本地环境信息和用户的输入消息等。所有这些都被打包成一个JSON对象发送到Responses API。
这触发了LLM推理，从而产生一系列的输出事件。其中一些事件可能表明智能体应该调用其中一个工具；在这种情况下，智能体使用指定的输入调用工具并收集输出。其他事件表明LLM的推理输出，通常是计划中的步骤。工具调用和推理都被追加到初始提示中，然后再次传递给LLM进行更多的推理或工具调用迭代。这就是所谓的“内”循环。当LLM用done事件响应内部循环时，会话轮次结束，其中包括给用户的响应消息。
在这种模式中，一个主要的挑战是LLM推理的性能：它是“与发送到Responses API的JSON数量成二次方关系的”。这就是为什么提示缓存"是关键：通过重用先前推理调用的输出，推理性能变成线性而不是二次方。改变工具列表等事物将使缓存失效，Codex CLI最初对MCP的支持有一个错误，即“未能以一致的顺序枚举工具”，这导致了缓存未命中。
Codex CLI还使用压缩"来减少LLM上下文中的文本量。一旦对话长度超过某个设定的token数量，智能体将调用一个特殊的Responses API端点，该端点提供了一个更小的会话表示，替换了之前的输入。
Hacker News用户讨论这篇文章"时，赞扬了OpenAI开源Codex CLI的决定，并指出Claude Code是封闭的。一位用户写道：
我记得他们宣布Codex CLI是开源的……这对于任何想要了解编码智能体如何工作的人来说都是一件大事，非常有用，尤其是来自像OpenAI这样的主要实验室。我还在一段时间前为他们的CLI贡献了一些改进，并一直在关注他们的发布和PR，以扩大我的知识。
Codex CLI的源代码"、缺陷跟踪"和修复历史"可以在GitHub上找到。
原文链接：
https://www.infoq.com/news/2026/02/codex-agent-loop/"
OpenAI"最近发表了系列文章的第一篇，详细介绍了他们的Codex软件开发智能体的设计和功能"。首篇文章重点介绍了Codex框架的内部结构，这是Codex CLI"的核心组件。
与所有AI智能体一样，框架由一个循环组成，该循环从用户那里获取输入，并使用大语言模型（LLM）生成工具调用或回应用户。但由于LLM的限制，循环还具有管理上下文和减少提示缓存未命中的策略。其中一些策略是从用户报告的错误中学到的教训。因为CLI使用Open Responses API"，所以它是与LLM无关的：它可以使用任何被这个API包装的模型，包括本地托管的开放模型。根据OpenAI的说法，他们的CLI设计和经验教训因此可以惠及任何基于这个API设计智能体的人：
文章描述了用户与智能体对话中的一轮或一次交流中发生的事情。这一轮交流始于为LLM组装一个初始提示。这包括指令，这是一个包含智能体通用规则的系统消息，例如编码标准；工具，一个智能体可以调用的MCP服务器列表；以及输入，这是一个包含文本、图像和文件输入的列表，包括AGENTS.md、本地环境信息和用户的输入消息等。所有这些都被打包成一个JSON对象发送到Responses API。
这触发了LLM推理，从而产生一系列的输出事件。其中一些事件可能表明智能体应该调用其中一个工具；在这种情况下，智能体使用指定的输入调用工具并收集输出。其他事件表明LLM的推理输出，通常是计划中的步骤。工具调用和推理都被追加到初始提示中，然后再次传递给LLM进行更多的推理或工具调用迭代。这就是所谓的“内”循环。当LLM用done事件响应内部循环时，会话轮次结束，其中包括给用户的响应消息。
在这种模式中，一个主要的挑战是LLM推理的性能：它是“与发送到Responses API的JSON数量成二次方关系的”。这就是为什么提示缓存"是关键：通过重用先前推理调用的输出，推理性能变成线性而不是二次方。改变工具列表等事物将使缓存失效，Codex CLI最初对MCP的支持有一个错误，即“未能以一致的顺序枚举工具”，这导致了缓存未命中。
Codex CLI还使用压缩"来减少LLM上下文中的文本量。一旦对话长度超过某个设定的token数量，智能体将调用一个特殊的Responses API端点，该端点提供了一个更小的会话表示，替换了之前的输入。
Hacker News用户讨论这篇文章"时，赞扬了OpenAI开源Codex CLI的决定，并指出Claude Code是封闭的。一位用户写道：
Codex CLI的源代码"、缺陷跟踪"和修复历史"可以在GitHub上找到。
原文链接：
https://www.infoq.com/news/2026/02/codex-agent-loop/"