Codex 怎么配置 Azure OpenAI 等官方模型提供方:config.toml 的 model_providers、Azure 示例、Bedrock、Vertex AI 和本地 Ollama

Codex 能用 Azure OpenAI 吗?官方高级配置页有 Azure 的 model_providers 示例,并内置 Amazon Bedrock、Google Vertex AI、Ollama、LM Studio。本文只写官方列出的提供方,讲写法、认证和注意点。

NNathaniel bigo··原创首发·AI 辅助撰写
14 分钟读完
资料核对于 2026-11-13 · 依据官方文档与公开资料整理 Plus 账号

结论先说

  1. 官方高级配置页有 Azure 的配置示例:在 config.toml 里写一个 [model_providers.azure] 块,用 base_url、env_key、query_params 和 wire_api = "responses" 描述连接方式。
  2. 提供方 id 自己起,但有保留名。 官方说明 openai、ollama、lmstudio、amazon-bedrock、amazon-bedrock-runtime 和 gcp 是内置提供方,不能被覆盖。
  3. 协议只支持 Responses。 官方参考写明 wire_api 唯一支持的值是 responses,省略时默认就是它。也就是说,你要连的服务必须提供兼容的 Responses 接口。
  4. 密钥放环境变量,不写进文件。 官方的做法是 env_key 指定变量名;虽然有 experimental_bearer_token 可以直接写,但官方标注「不建议」。
  5. Bedrock 和 Vertex AI 有内置写法,认证走 AWS 或 Google 自己的机制,和 Azure 的做法不同。

Codex 配置 Azure 提供方的官方写法:新建提供方块、填写地址和密钥变量、加 api-version、指向它并重启

图:本站根据 Codex 官方文档《Advanced Configuration》 整理的示意图

本文根据 Codex 官方文档《Advanced Configuration》《Configuration Reference》和《Use ChatGPT Work and Codex with Amazon Bedrock》整理,资料核对于 2026-11-13。只写官方文档列出的模型提供方,不涉及任何第三方转发或中转服务。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是 OpenAI 官方网站。第三方模型怎么接的总览见 /guides/codex-third-party-models-deepseek-gemini-grok。

适用于谁

  • 公司已经在用 Azure OpenAI,想让 Codex 走公司的 Azure 资源的人;
  • 想知道官方还支持哪些云上提供方(Amazon Bedrock、Google Vertex AI)的人;
  • 想用本地 Ollama 或 LM Studio 跑模型的人。

如果你只想直接用 ChatGPT 订阅里的 Codex,不需要读这篇,见 /guides/codex-getting-started。

一、配置文件在哪

官方说明本地客户端读取 ~/.codex/config.toml(Windows 上是用户目录下的 .codex,设置了 CODEX_HOME 则以它为准)。桌面 App、命令行、IDE 扩展和 SDK 读的是同一套本地配置层。改完保存后,重启 Codex 再试。

二、Azure 的官方示例

官方高级配置页「Azure provider and per-provider tuning」一节给出的块是这样的:

toml
[model_providers.azure]
name = "Azure"
base_url = "https://YOUR_PROJECT_NAME.openai.azure.com/openai"
env_key = "AZURE_OPENAI_API_KEY"
query_params = { api-version = "2025-04-01-preview" }
wire_api = "responses"
request_max_retries = 4
stream_max_retries = 10
stream_idle_timeout_ms = 300000

逐项解释(来自官方配置参考):

  • name:给这个提供方起的显示名;
  • base_url:提供方的接口地址,YOUR_PROJECT_NAME 换成你自己的 Azure 资源名;
  • env_key:提供 API 密钥的环境变量名。你需要在运行 Codex 的环境里设置这个变量,没设置会报「缺少环境变量」,排查见 /guides/codex-missing-environment-variable;
  • query_params:附加在每个请求后面的查询参数,这里用来带上 api-version;
  • wire_api:使用 Responses 协议;
  • request_max_retries:HTTP 请求的重试次数,默认 4;
  • stream_max_retries:流式输出被打断后的重试次数,默认 5,示例里调成了 10;
  • stream_idle_timeout_ms:流式输出的空闲超时,默认 300000 毫秒。

然后在配置文件的顶层指向它:

toml
model_provider = "azure"
model = "<你在 Azure 里要用的模型或部署名>"

关于 model 要写什么:官方高级配置页没有说明。 Azure 的部署名、区域和模型是否可用,属于 Azure 一侧的文档范围,请在 Azure 的控制台核对,再填进来。也不要原样照抄示例里的 api-version,它是官方示例当天的写法,Azure 的版本会更新。

官方还在这一节末尾提醒:如果只是想改内置 OpenAI 提供方的地址,用顶层的 openai_base_url,不要新建 [model_providers.openai],因为内置提供方的 id 不能覆盖。

三、认证相关的几个键

官方配置参考列出的认证相关设置:

  • env_key:用环境变量提供 API 密钥(推荐);
  • env_key_instructions:给用户看的、关于如何设置这个密钥的提示,可选;
  • experimental_bearer_token:直接写令牌,官方标注不建议使用;
  • requires_openai_auth:该提供方是否使用 OpenAI 的认证,默认 false;
  • [model_providers.<id>.auth]:让 Codex 调用外部的凭据助手命令来获取令牌,官方说明这个命令不接收标准输入,要把令牌打印到标准输出,并且不能和 env_key、experimental_bearer_token、requires_openai_auth 同时使用;
  • http_headers 和 env_http_headers:给请求加固定的头,或用环境变量提供头的值。

如果你的公司用的是统一的模型网关,而不是直接访问 Azure,请向管理员要提供方配置;官方有「Connect to a gateway」页面,面向这类场景。

密钥不要写进提交到仓库的文件,也不要贴给别人,检查清单见 /guides/ai-privacy-data-safety-checklist。

四、官方内置的其他提供方

官方文档列出的模型提供方:OpenAI、Azure、Amazon Bedrock、Google Vertex AI、本地 Ollama 与 LM Studio

图:本站根据 Codex 官方文档《Advanced Configuration》 整理的示意图

Amazon Bedrock

官方写法:把 model_provider 设为 amazon-bedrock(Bedrock Mantle 端点)或 amazon-bedrock-runtime(Runtime 端点),再用 model 指定 Bedrock 的模型 id,必要时用 [model_providers.amazon-bedrock.aws] 指定 profile 和 region。官方 Bedrock 页建议新配置使用 Runtime,认证有两条路,按顺序检查:Bedrock API 密钥(环境变量 AWS_BEARER_TOKEN_BEDROCK,必须同时指定区域),然后是 AWS 的凭据链(共享配置文件、访问密钥、SSO 命名配置、联合身份等)。桌面 App 和 IDE 扩展可能继承不到 shell 里的环境变量,官方建议把需要的值写进 ~/.codex/.env 再重启。

Google Cloud Vertex AI

官方写法:

toml
model_provider = "gcp"

[model_providers.gcp]
project_id = "my-project"
location = "global"

省略 project_id 或 location 时,会分别读取 GOOGLE_CLOUD_PROJECT 和 GOOGLE_CLOUD_LOCATION,位置默认是 global。默认认证要在运行 Codex 的机器上安装 Google Cloud CLI,本地用 gcloud auth application-default login 登录;也可以用 credential_file 指定凭据文件。

本地 Ollama 和 LM Studio

官方的「OSS mode」写明:传 --oss 时,Codex 可以对本地的 Ollama 或 LM Studio 运行;用 --local-provider 为一次运行指定,或用 oss_provider = "ollama"(或 "lmstudio")设默认值。都没设置时,交互命令行会提示你选,codex exec 则直接报错退出。一条命令接入的做法见 /guides/ollama-launch-claude-code-codex。

数据驻留

如果你的 API 组织启用了数据驻留,官方示例是建一个提供方,把 base_url 改成带正确前缀的地址。官方同时说明:对启用了数据驻留的 ChatGPT 工作区,不需要自定义提供方,Codex 在你用 ChatGPT 登录时会遵循工作区的驻留设置。

五、选之前要想清楚的事

  • 功能和订阅不是一回事。 用 ChatGPT 账号登录时用的是订阅里的额度;改用自定义提供方后,用量按那个提供方的规则计费,和 ChatGPT 订阅额度无关。官方也写明,用 API 密钥时按 API 令牌计价。
  • 有些功能依赖提供方支持。 官方有 supports_websockets、supports_standalone_web_search 等能力开关,默认对自定义提供方是关的,需要提供方真的支持才有意义。Codex 云端任务要求用 ChatGPT 登录,见官方认证页。
  • 出了问题,先区分是谁的问题。 官方 Bedrock 页明确写了支持边界:Codex 客户端的设置和行为找 OpenAI,AWS 的凭据、权限、配额等问题找 AWS。Azure 同理:连接、配额和部署问题要查 Azure 一侧。
  • 报错对号入座。 401 见 /guides/codex-401-unauthorized-error,Bad Request 见 /guides/codex-detail-bad-request-error。

如果你没有现成的云上资源,只是想稳定使用 Codex,直接用 ChatGPT 订阅登录通常更省事,可以看看本站的 ChatGPT Plus 充值说明,价格和额度以官方页面当前显示为准。

常见问题

Q:能写 [model_providers.openai] 来改地址吗?

不能。官方明确写了内置提供方 id 不能覆盖,改内置 OpenAI 提供方的地址用 openai_base_url。

Q:配置写好了没生效?

先确认顶层的 model_provider 指向了你的 id,且顶层键没有误放进提供方的表里;官方在网关排查表里把这点列在第一条。还要检查当前使用的 profile 和配置的优先级。

Q:wire_api 能写 chat 吗?

官方配置参考写明 responses 是唯一支持的值。

相关教程

参考资料

  • Codex 官方文档:Advanced Configuration — https://learn.chatgpt.com/docs/config-file/config-advanced
  • Codex 官方文档:Configuration Reference — https://learn.chatgpt.com/docs/config-file/config-reference
  • Codex 官方文档:Use ChatGPT Work and Codex with Amazon Bedrock — https://learn.chatgpt.com/docs/amazon-bedrock

Nathaniel 的更多内容

  1. 01

    LangGraph 流式输出(Streaming)详解:逐字 Token 流、节点进度与自定义事件写法

    多步智能体如果等全部节点跑完才返回,网页前端就会白屏干等十几秒。本文按 LangGraph 官方文档讲清 updates、messages、custom 与 values 四种 stream_mode 的区别,以及组合订阅逐字打字机输出加工具内部实时进度的完整代码。

    其他 AI 工具0
  2. 02

    LangGraph 持久化与长期记忆怎么配:Checkpointer、Store 与 PostgreSQL 实战

    在生产环境跑 LangGraph,单靠 InMemorySaver 一重启就会丢失全部对话。本文按官方文档讲清线程内短期检查点(Checkpointer)与跨线程长期记忆(Store)的分工,以及用 langgraph-checkpoint-postgres 对接 PostgreSQL 的完整步骤。

    其他 AI 工具0
  3. 03

    LangGraph 多智能体怎么写:Supervisor 主管包与 Subgraph 隔离子图实战

    在 LangGraph 里把单个图扩展成多智能体协作有两条官方路线:快速原型用预置包 langgraph-supervisor,大型生产系统用原生子图(Subgraph)嵌套。本文讲清两种写法的完整代码、私有状态隔离防 Token 膨胀技巧以及检查点传播规则。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入审批怎么写:interrupt 暂停图运行与 Command 恢复实战

    企业之所以选 LangGraph,很大程度看中它能安全挂起等待人工审批(Human-in-the-Loop)。本文按官方最新规范讲清 interrupt() 动态暂停、Checkpointer 必备条件、Command(resume=...) 恢复执行,以及防止副作用重复运行的重入规则。

    其他 AI 工具0
  5. 05

    多 Agent 协作平台怎么选:Dify、扣子(Coze)、n8n 与 LangGraph 多智能体机制对比

    搜「多agent协作平台」时,Dify、扣子、n8n 和 LangGraph 都宣称支持多智能体,但底层的调度方式完全不同。本文跳过基础安装,专门从多 Agent 角色跳转、子代理工具调用、上下文隔离与私有化部署四个维度帮你一次选准。

    其他 AI 工具0
  6. 06

    企业微信有官方 MCP 和 CLI 吗:@wecom/cli 安装初始化、长连接机器人与接入教程

    搜「企业 微信 有 mcp 吗」不用再东拼西凑民间群机器人脚本了:企业微信官方已推出 @wecom/cli 命令行工具并内置 stdio 模式的 MCP Server。本文按官方开发者文档讲清安装、智能机器人长连接初始化、业务命令与接入 Claude Code 步骤。

    Claude其他 AI 工具0

同产品的其他教程

  1. 01

    AutoGen 现在怎么样了?微软官方演进路线与 Microsoft Agent Framework 入门

    搜 AutoGen 新教程常被 0.2、0.4、社区分支和 Semantic Kernel 绕晕。按微软官方文档,微软已将 AutoGen 与 Semantic Kernel 两支团队合并推出统一的开源框架 Microsoft Agent Framework。本文讲清现状与 Python 快速上手。

    ChatGPT其他 AI 工具0
  2. 02

    多 Agent 的成本为什么翻倍、怎么控制:Token 膨胀根源与五项降本措施

    刚把单智能体拆成多 Agent,用量往往暴涨好几倍。Anthropic 工程报告统计单智能体约为聊天的 4 倍 Token,多智能体可达约 15 倍。本文拆解固定前缀重复加载、历史搬运、工具链定义与缓存失效四大根源,并给出五条实操控费办法。

    ChatGPTClaude0
  3. 03

    多 Agent 协同开发怎么落地:「一个写、一个审」双代理工作流搭建指南

    多 Agent 协同开发里投入产出比最高的模式就是「一个写、一个审」。本文依据 Anthropic 与 OpenAI 官方编码最佳实践,讲清为什么同会话自审容易漏问题,以及用只读子代理、跨模型交叉审查(Claude Code + Codex)和自动化闭环落地的具体方法。

    ClaudeCodex0
  4. 04

    多 Agent 编排模式详解:编排者-工作者、交接(Handoffs)、并行与评估循环怎么选

    搜「multi-agent orchestration 中文」会被各家框架的不同术语绕晕。本文对照 Anthropic《Building effective agents》与 OpenAI 智能体指南,把编排者-工作者、去中心化交接、并行分片投票与生成-评估循环四种标准编排拓扑讲透。

    ChatGPTClaude0
  5. 05

    多智能体(Multi-Agent)是什么、什么时候该用:Anthropic 与 OpenAI 官方判断标准

    多智能体不是代理越多越聪明。本文依据 Anthropic 研究系统架构文章与 OpenAI 官方智能体指南,讲清确定性工作流、单智能体与多智能体的区别,以及哪三类瓶颈才值得上多智能体协同。

    ChatGPTClaude0
  6. 06

    codebase-memory 类 MCP 是什么、怎么用:基于语法树图谱的本地代码索引原理与配置

    codebase-memory-mcp(DeusData/codebase-memory-mcp)是一类本地代码图谱 MCP 服务器:用 Tree-sitter 把仓库解析成函数与调用关系的 SQLite 图库,帮编码助手查调用链并省下读整份文件的额度。

    ClaudeCodex0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~