你还在用Claude Code?我早已开始使用 Codex + Claude Code MCP 进行 AI Coding

写在圣诞节之后的年末：把“AI 会写代码”升级为“AI 能在终端里把活干完”。

这篇文章是一次偏工程落地的分享：用 Codex CLI 作为主控（模型用 gpt-5.2，推理开到 xhigh），再把 Claude Code 通过 claude mcp serve 以 MCP Server 的方式接入，让 Codex 的工具链更完整、更顺手；同时用一个兼容 OpenAI API 的第三方服务（https://api.routin.ai/v1）作为模型提供商入口，达到“体验不变、成本更友好”的目的。

文中会给出一份“核心配置”（你提供的那份），并解释每个字段为什么重要、怎么验证、常见坑怎么避。

---

1. 这套组合解决什么问题？

很多人用 AI Coding 的卡点不在“模型不会写”，而在：

• 工具链割裂：模型写了，但不会/不方便自己查资料、跑命令、读写文件、串起多步工作流。
• 推理不够深：复杂重构/排障需要更强的规划与验证能力。
• 成本不可控：高强度推理模型一开，账单飞涨。

这套方案的思路是：

1. Codex CLI 做主控代理：负责理解任务、拆解步骤、在本地执行/修改。
2. Claude Code 以 MCP Server 方式挂载：通过 claude mcp serve 把 Claude Code 的能力“工具化”提供给 Codex（Codex 侧只需要配置一个 MCP 服务器即可）。
3. 自定义模型提供商：把 model_provider 指向 meteor-ai，并把 base_url 配到 https://api.routin.ai/v1，让 Codex 仍按 OpenAI 风格调用，但走更适合自己的计费/网络入口。

---

2. MCP 是什么？为什么要接 Claude Code MCP？

MCP（Model Context Protocol） 可以理解为“AI 的通用扩展口”：Codex 作为 MCP Client，通过 MCP Server 获取外部工具、资源、服务的能力。

Codex 官方配置文档明确支持通过 mcp_servers 配置两类 MCP：

• STDIO：由 Codex 启动本地进程，通过标准输入输出通信（本机工具最常用）。
• Streamable HTTP：通过 HTTP URL 连接远程 MCP Server（适合云服务/内网服务）。

而 Claude Code 自带 claude mcp serve，可以直接启动一个 MCP Server。因此，把 Claude Code 当作一个“工具供应商”，接到 Codex 上，是一种非常自然的组合方式：你可以用 Codex 统一驱动工作流，同时复用 Claude Code 已经打磨好的 MCP 服务能力。

---

3. 环境准备（一次装好，后面全自动）

3.1 安装 Codex CLI

常见方式：

npm install -g @openai/codex

或在 macOS 用 Homebrew：

brew install --cask codex

安装后验证：

codex --version

3.2 安装 Claude Code（确保有 claude 命令）

Claude Code 官方仓库提供了多种安装方式（Windows 也支持）。

安装后验证：

claude --version

以及确认 claude mcp serve 存在：

claude mcp --help
claude mcp serve --help

3.3 配置环境变量：OPENAI_API_KEY

你希望 Codex 走 meteor-ai（https://api.routin.ai/v1）时读取 OPENAI_API_KEY，所以需要在系统环境变量里设置：

• 变量名：OPENAI_API_KEY
• 变量值：你在对应平台获取到的实际 Key（请当作密钥管理，不要写进仓库/截图/日志）

Windows（PowerShell）临时设置（仅当前终端生效）：

$env:OPENAI_API_KEY = "你的Key"

Windows（持久化到用户环境变量，需重开终端）：

setx OPENAI_API_KEY "你的Key"

macOS/Linux（当前 shell 生效）：

export OPENAI_API_KEY="你的Key"

---

4. 核心配置（原样保留 + 逐项解释）

Codex 的配置文件默认为：

• macOS/Linux：~/.codex/config.toml
• Windows：%USERPROFILE%\.codex\config.toml

把下面这份内容写进去即可（你给的“最核心配置”，原样保留）：

model = "gpt-5.2"
model_provider = "meteor-ai"
disable_response_storage = true
approval_policy = "never"                  # 可选值: "untrusted" | "on-failure" | "on-request" | "never"
sandbox_mode = "danger-full-access"rmcp_client = true
model_reasoning_effort = "xhigh"# Reasoning summary: auto | concise | detailed | none (default: auto)
model_reasoning_summary = "detailed"# Text verbosity for GPT-5 family (Responses API): low | medium | high (default: medium)
model_verbosity = "high"# Force-enable reasoning summaries for current model (default: false)
model_supports_reasoning_summaries = true[mcp_servers.claude]
command = "claude"
# Optional
args = ["mcp", "serve"][model_providers.meteor-ai]
name = "meteor-ai"
base_url = "https://api.routin.ai/v1"
env_key = "OPENAI_API_KEY"
wire_api = "responses"

下面解释每个关键点（只讲“为什么重要”）：

4.1 model = "gpt-5.2"：主模型选择

Codex 的核心价值是“在本地跑多步任务”。复杂任务（重构、定位 bug、跨多文件一致性修改）更依赖模型推理与规划能力，因此选 gpt-5.2 这种更强的通用模型是合理的。

4.2 model_provider = "meteor-ai" + [model_providers.meteor-ai]

这表示你不走默认的 OpenAI Provider，而是注册一个新的 Provider：

• base_url = "https://api.routin.ai/v1"：把 OpenAI 风格的 /v1/... 请求转到该地址
• env_key = "OPENAI_API_KEY"：从系统环境变量取 Key
• wire_api = "responses"：强制走 Responses API 形态（对 reasoning_effort / verbosity 这类参数更关键）

你也可以把 env_key 改成更语义化的名字（比如 ROUTIN_API_KEY），但本文按你的设定使用 OPENAI_API_KEY，这样对 Codex 的默认生态也更兼容。

4.3 model_reasoning_effort = "xhigh"：把“想清楚再动手”拉满

xhigh 通常意味着：

• 更强的规划与多步推理能力
• 更高的延迟与成本

建议你把它当作“复杂任务档”，简单任务（改文案/小函数/读文档）可以切到低一点以省钱省时。

4.4 model_reasoning_summary = "detailed" + model_supports_reasoning_summaries = true

这会让 Codex 更倾向输出推理摘要（不是完整思维链，而是可读的总结），适合做技术分享/团队协作：你能看见它为什么这么改、考虑了哪些边界。

4.5 model_verbosity = "high"：输出更详细

适合教程/分享场景，尤其是你希望它把操作步骤、验证方式讲清楚的时候。

4.6 approval_policy = "never" + sandbox_mode = "danger-full-access"：全自动，但风险最高

这套组合的含义是：

• Codex 不会向你请求批准（所有命令/改动默认都能执行）
• 文件系统与网络基本不设限

它非常适合：

• 容器/虚拟机/隔离环境里的自动化原型开发
• 你明确知道自己在做什么，并且能接受“AI 可能误删/误改”的风险

但不建议在重要生产机、核心仓库、带密钥/账单权限的环境中直接长期使用。更推荐的做法是：用 Profile 分出“安全档”和“全自动档”（见后文“可选增强”）。

4.7 rmcp_client = true：关于 RMCP 客户端的兼容性提示

Codex 官方文档里提到 Streamable HTTP 连接会使用 Rust MCP client（rmcp）。不同版本对开关字段可能存在差异：

• 如果你发现 rmcp_client 报“未知字段”，优先以 docs/config.md 为准，删除该项通常不影响 STDIO MCP。
• 如果你在用较老版本并且需要显式启用 Streamable HTTP，可能会见到类似 experimental_use_rmcp_client 的开关（以你使用版本的文档/发行说明为准）。

本文按你提供的配置保留 rmcp_client = true，便于复现你的“核心配置”。

4.8 disable_response_storage = true：关于“关闭存储”的两层含义

disable_response_storage 不是 Codex 官方 docs/config.md 里的标准字段（至少在本文写作时）。如果你的 Codex 版本支持它，它通常表达的是“不要把对话/响应持久化”。这里建议你区分两层：

1. 本地历史：Codex 默认会把消息写入 $CODEX_HOME/history.jsonl。如果你希望彻底不落盘，可以用官方的 [history] 配置关闭持久化：

[history]
persistence = "none"

2. 远端留存：不同 API 提供商对日志与留存策略不同。即便本地不写盘，也不代表服务端不记录。做团队推广时，建议明确告知读者：以提供商的隐私/合规条款为准。

如果你的 Codex 启动时报 “unknown field disable_response_storage”，直接删除这一行，并改用上面的 [history] persistence = "none" 达到“本地不存”的效果。

---

5. 把 Claude Code 作为 Codex 的 MCP Server

你的配置核心就在这里：

[mcp_servers.claude]
command = "claude"
args = ["mcp", "serve"]

这表示：Codex 需要该 MCP Server 时，会启动一个本地进程执行：

claude mcp serve

如果你想单独排障（例如看看 server 有没有启动、有没有报错），可以手动跑：

claude mcp serve --debug

然后在另一个终端启动 Codex，观察 Codex 的 MCP 列表：

codex mcp list

---

6. 推荐 https://api.routin.ai/v1（meteor-ai）与 Key 配置说明

你提供的配置中，meteor-ai 的 base_url 指向：

• https://api.routin.ai/v1 推荐RoutinAI 价格更优惠Codex低至0.2￥=1 美元的超低汇率。

最关键的落地动作有两步：

1. 把 base_url 配到 https://api.routin.ai/v1
2. 在系统里设置 OPENAI_API_KEY=你的实际Key

正常情况下会返回类似“需要 API Key”的报错，说明地址可达、路由正常；设置 OPENAI_API_KEY 后再由 Codex 调用即可。

---

7. 实战工作流建议（把 AI Coding 变成可复制的流程）

给一个我更推荐的“稳定工作姿势”：

1. 让 Codex 先做“计划 + 探索”（读项目、定位入口、列修改点）
2. 再让它执行修改，并要求：
   • 改动要小步提交（一次只做一件事）
   • 每一步都能运行验证（lint/test/build）
3. 需要外部能力时，再通过 MCP 接更多服务器（GitHub、Playwright、文档检索等）

示例提示词（你可以直接复制改项目名）：

请在不改变对外行为的前提下重构 XXX 模块：
1) 先解释现状与风险点
2) 给出 3~5 个小步骤计划
3) 每一步都要可验证（说明运行哪些命令）
4) 只在我确认后再执行危险操作

在 approval_policy = "never" 的配置下，第 4 条更多是“自律要求”，但它能显著减少误操作概率。

AI Coding 技术交流群：
wk28u9123456789