Codex App 怎么设置 1M 上下文:官方没有「1M」开关,默认窗口、model_context_window 和 /compact 的官方说明

想在 Codex App 设置 1M 上下文?官方文档没有这个开关。能查到的是:GPT-6.1 Sol 在 Codex 默认窗口 500,000 token,config.toml 有 model_context_window 和压缩阈值,对话太长用 /compact。

NNathaniel bigo··原创首发·AI 辅助撰写
12 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. 官方没有写 1M 开关。 在模型页、配置参考和桌面 App 设置页里,都没有这样一项设置。别人说「在 App 设置里勾选 1M 上下文」,没有官方出处。
  2. 官方写了的数字是:GPT-6.1 Sol 在 Codex 和 ChatGPT Work 里默认上下文窗口 500,000 个 token。 其他模型的窗口,官方模型页没有逐一列出,以你在应用里看到的为准。
  3. config.toml 里有 model_context_window,官方说明是「当前模型可用的上下文窗口 token 数」,示例里默认值是「按模型自动」。官方没有写可以把它设得比模型实际支持的更大。
  4. 长对话靠压缩。 /compact 手动压缩,model_auto_compact_token_limit 控制自动压缩的阈值。
  5. 窗口大不等于质量一直好。 官方在子代理说明里写道,即使窗口很大,模型也有限度,主对话里堆满探索笔记、测试日志和命令输出,会话会随时间变得不那么可靠。

官方写明的上下文相关设置:模型默认窗口、model_context_window、自动压缩阈值、轮末压缩、/compact

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

本文根据 Codex 官方文档《Models》《Configuration Reference》《Advanced Configuration》和命令页整理,资料核对于 2026-11-13。官方文档里没有「1M 上下文」的设置项,所以本文不提供「改成 1M」的步骤,只写官方能确认的上下文相关设置,以及怎么在不改窗口的情况下让长任务更稳。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。

适用于谁

  • 在桌面 App 里做大项目,担心上下文不够,想找「1M 上下文」开关的人;
  • 看到网上教程让你改 config.toml,不确定能不能改的人;
  • 对话越聊越长,想知道怎么让 Codex 保持稳定的人。

一、先查你现在有多少上下文可用

不要先去改,先看现状。官方命令页里:

  • 输入 /status,查看当前使用的模型、审批策略、可写目录等;
  • 输入 /statusline,在底部状态栏里加入需要的项目。官方说明可选项包括模型、模型加推理强度、上下文统计、速率限制、git 分支、token 计数器、会话 ID、当前目录和 Codex 版本。官方示例配置里,上下文相关的项目标识是 context-remaining,默认的状态栏就包含它。

这些是命令行里的做法。桌面 App 是否有同样的状态栏显示,官方这几页没有写,以你应用的当天界面为准。

二、config.toml 里有哪些上下文相关的键

官方配置参考列出的几项,括号里是本站的解释:

  • model_context_window:当前模型可用的上下文窗口 token 数。官方示例注释写的是「默认:按模型自动」,另一处示例写成 model_context_window = 128000;
  • model_auto_compact_token_limit:触发自动压缩历史的 token 阈值,未设置时使用模型默认值;
  • model_auto_compact_token_limit_scope:自动压缩的阈值按完整的活动上下文计算(total,默认),还是只算压缩窗口前缀之后的增长部分(body_after_prefix);
  • model_post_turn_compact_threshold_percent:一轮的最终回复之后,如果活动上下文达到可用窗口的这个百分比,就压缩历史;不设置或设为 0 表示关闭,且通常的自动压缩限制仍然适用。官方示例是 80;
  • tool_output_token_limit:每次工具输出保存的 token 数,示例值是 12000。

这些键放在 $CODEX_HOME/config.toml(默认 ~/.codex/config.toml)里。重要提醒:

  • 官方没有写 model_context_window 可以大于模型实际支持的窗口。如果你写了一个模型并不支持的数,结果官方没有说明,可能被忽略,也可能引起报错,所以不建议这样试;
  • 如果网上某篇教程写「加上这一行就是 1M」,请先到官方模型页核对你的模型是否真的有这么大的窗口,没有出处就不要照搬;
  • 配置文件的位置和读取规则,见官方《Advanced Configuration》;Windows 页写明桌面 App 与原生 Windows 版 Codex 使用同一个家目录 %USERPROFILE%\.codex,由此可以推断 App 同样读取这份配置,但官方没有专门就上下文窗口在 App 里的表现作出说明,这是推断。

三、对话太长了怎么办

1. 手动压缩:/compact

官方命令页:/compact 总结当前可见的对话来释放 token,适合在长时间运行之后使用,让 Codex 保留关键点而不撑爆上下文窗口。执行后,早先的轮次会被一段简明的摘要取代,同时保留关键细节。压缩后细节会变成摘要,所以重要的约束、决定请在压缩前确认已经写进了 AGENTS.md 或计划文件。 写法见 /guides/codex-agents-md-how-it-reads。

2. 自动压缩

不动配置时,Codex 按模型默认值自动处理。想更早触发,可以设置 model_auto_compact_token_limit 或 model_post_turn_compact_threshold_percent。这两项属于进阶调整,官方没有给推荐数值,示例里的数字只是示例。

3. 开新对话

换任务就开新对话。官方在多代理说明里把「上下文污染」和「上下文腐烂」当作问题来讲:有用的信息被噪声埋住,随着对话被不相关的细节填满,表现会下降。新对话是最直接的清理办法。

4. 让子代理读大文件

官方在子代理说明里写道,Codex 可以把分析一份数百万 token 的大文档拆成较小的问题,并把提炼出的要点交回主线程。做法的要点是:主代理专注需求、决定和最终产出;让专门的子代理并行处理探索、测试或日志分析;让子代理返回摘要,而不是原始的中间输出。官方建议先把并行代理用在读多写少的任务上,例如探索、测试、分流和总结。

提示词可以这样写,括号里自己填:

text
请把 [某个目录] 里的日志分给子代理并行分析,每个子代理只返回:出现次数最多的 3 类错误、各一条代表性日志和可能原因。主线程只保留这些摘要,不要贴原始日志。

四、窗口、速度和额度的关系

官方写明,更高的推理强度会增加响应时间和 token 用量;上下文越长,每一轮需要处理的内容也越多。所以窗口大不是免费的:既可能更慢,也会更快消耗额度。慢的排查见 /guides/codex-slow-reconnecting-why,额度怎么看见 /guides/codex-usage-limits。如果你确实经常跑很长的任务、额度不够用,可以看看本站的 ChatGPT Plus 充值说明 或 ChatGPT Pro 充值说明,价格和额度以官方页面当前显示为准。

想要更大的上下文先做的检查:看剩余上下文、确认模型默认窗口、没有 1M 开关、不要把窗口写得超过模型支持、用 /compact、让子代理读大文件

图:本站根据 Codex 官方文档 整理的示意图

五、如果你想用的是本地模型

通过 Ollama 等本地提供方运行时,上下文长度往往要在提供方那边设置,不是 Codex 的开关。这部分见 /guides/ollama-launch-claude-code-codex;自定义模型提供方的配置见 /guides/codex-third-party-models-deepseek-gemini-grok。

常见问题

Q:网上说 Codex 可以开 1M,是真的吗?

官方这几页没有写。官方明确写了的是 GPT-6.1 Sol 在 Codex 里默认 500,000 token。别的数字请以官方模型页当天写法为准,没有出处的不要当真。

Q:把 model_context_window 改大,能让它记住更多吗?

官方没有保证。它描述的是「当前模型可用的窗口」,模型本身不支持的容量,改配置不会凭空增加。

Q:压缩之后它忘了前面的要求怎么办?

重要要求写进 AGENTS.md 或计划文件,并在压缩后让它重新读一遍。

Q:ChatGPT 网页版的上下文限制是一回事吗?

不是,网页版见 /guides/chatgpt-context-length-limits。

相关教程

参考资料

  • Codex 官方文档:Models — https://learn.chatgpt.com/docs/models
  • Codex 官方文档:Configuration Reference — https://learn.chatgpt.com/docs/config-file/config-reference
  • Codex 官方文档:Advanced Configuration — https://learn.chatgpt.com/docs/config-file/config-advanced
  • Codex 官方文档:Commands(CLI) — https://learn.chatgpt.com/docs/developer-commands?surface=cli
  • Codex 官方文档:Subagents — https://learn.chatgpt.com/docs/agent-configuration/subagents

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~