OpenAI Codex: przewodnik krok po kroku z 3 praktycznymi przykładami

TL;DR

\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

Czym jest Codex od OpenAI?

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.

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.

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

Opcje dostępu do Codexa w skrócie:

Konfiguracja Codexa od OpenAI

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

Krok 1: Znalezienie narzędzia Codex

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).

Krok 2: Pierwsze kroki z Codexem

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

Krok 3: Uwierzytelnianie wieloskładnikowe

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

Krok 4: Połącz z GitHubem

Gdy uwierzytelnianie wieloskładnikowe będzie gotowe, łączymy Codexa z GitHubem.

Krok 4.1: Autoryzuj konektor GitHub

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

Krok 4.2: Dodanie swojego konta GitHub

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

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.

Krok 4.3: Tworzenie środowiska

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

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.

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

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.

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

Krok 5: AGENTS.md (opcjonalnie)

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:

# 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\" section

Gdy Codex uruchamia zadanie na twojej bazie kodu, to:

\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

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

OpenAI Codex: trzy praktyczne przykłady

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

Przykład 1: Proste poprawki i literówki

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

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.

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.

Przykład 2: Wyjaśnienie bazy kodu

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.

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

\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

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.

Przykład 3: Znajdź i napraw błąd

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

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

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.

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

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

Codex pozwala zmergować zmiany kilkoma kliknięciami.

Zmiany pojawiają się na gałęzi main w ciągu kilku sekund.

Dlaczego Codex jest ważny?

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.

Oto kilka korzyści z praktyki, które zauważyłem:

\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

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

Na koniec

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.

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.

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.

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

\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