Codex 怎麼配置 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 嗎?官方高級配置頁有 Azure 的 model_providers 示例,並內置 Amazon Bedrock、Google Vertex AI、Ollama、LM Studio。本文只寫官方列出的提供方,講寫法、認證和注意點。

NNathaniel bigo··原創首發·AI 輔助撰寫
14 分鐘讀完
資料核對於 2026-11-13 · 依據官方文檔與公開資料整理 Plus 帳號

結論先說

  1. 官方高級配置頁有 Azure 的配置示例:在 config.toml 裏寫一個 [model_providers.azure] 塊,用 base_url、env_key、query_params 和 wire_api = "responses" 描述連接方式。
  2. 提供方 id 自己起,但有保留名。 官方說明 openai、ollama、lmstudio、amazon-bedrock、amazon-bedrock-runtime 和 gcp 是內置提供方,不能被覆蓋。
  3. 協議只支持 Responses。 官方參考寫明 wire_api 唯一支持的值是 responses,省略時預設就是它。也就是說,你要連的服務必須提供兼容的 Responses 接口。
  4. 密鑰放環境變量,不寫進文件。 官方的做法是 env_key 指定變量名;雖然有 experimental_bearer_token 可以直接寫,但官方標註「不建議」。
  5. Bedrock 和 Vertex AI 有內置寫法,認證走 AWS 或 Google 自己的機制,和 Azure 的做法不同。

Codex 配置 Azure 提供方的官方寫法:新建提供方塊、填寫地址和密鑰變量、加 api-version、指向它並重啟

圖:本站根據 Codex 官方文檔《Advanced Configuration》 整理的示意圖

本文根據 Codex 官方文檔《Advanced Configuration》《Configuration Reference》和《Use ChatGPT Work and Codex with Amazon Bedrock》整理,資料核對於 2026-11-13。只寫官方文檔列出的模型提供方,不涉及任何第三方轉發或中轉服務。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 OpenAI 官方網站。第三方模型怎麼接的總覽見 /guides/codex-third-party-models-deepseek-gemini-grok。

適用於誰

  • 公司已經在用 Azure OpenAI,想讓 Codex 走公司的 Azure 資源的人;
  • 想知道官方還支持哪些雲上提供方(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 訂閱裏的 Codex,不需要讀這篇,見 /guides/codex-getting-started。

一、配置文件在哪

官方說明本地客戶端讀取 ~/.codex/config.toml(Windows 上是用戶目錄下的 .codex,設定了 CODEX_HOME 則以它為準)。桌面 App、命令行、IDE 擴展和 SDK 讀的是同一套本地配置層。改完儲存後,重啟 Codex 再試。

二、Azure 的官方示例

官方高級配置頁「Azure provider and per-provider tuning」一節給出的塊是這樣的:

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

逐項解釋(來自官方配置參考):

  • name:給這個提供方起的顯示名;
  • base_url:提供方的接口地址,YOUR_PROJECT_NAME 換成你自己的 Azure 資源名;
  • env_key:提供 API 密鑰的環境變量名。你需要在運行 Codex 的環境裏設定這個變量,沒設定會報「缺少環境變量」,排查見 /guides/codex-missing-environment-variable;
  • query_params:附加在每個請求後面的查詢參數,這裏用來帶上 api-version;
  • wire_api:使用 Responses 協議;
  • request_max_retries:HTTP 請求的重試次數,預設 4;
  • stream_max_retries:流式輸出被打斷後的重試次數,預設 5,示例裏調成了 10;
  • stream_idle_timeout_ms:流式輸出的空閒超時,預設 300000 毫秒。

然後在配置文件的頂層指向它:

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

關於 model 要寫什麼:官方高級配置頁沒有說明。 Azure 的部署名、區域和模型是否可用,屬於 Azure 一側的文檔範圍,請在 Azure 的控制檯核對,再填進來。也不要原樣照抄示例裏的 api-version,它是官方示例當天的寫法,Azure 的版本會更新。

官方還在這一節末尾提醒:如果只是想改內置 OpenAI 提供方的地址,用頂層的 openai_base_url,不要新建 [model_providers.openai],因為內置提供方的 id 不能覆蓋。

三、認證相關的幾個鍵

官方配置參考列出的認證相關設定:

  • env_key:用環境變量提供 API 密鑰(推薦);
  • env_key_instructions:給用戶看的、關於如何設定這個密鑰的提示,可選;
  • experimental_bearer_token:直接寫令牌,官方標註不建議使用;
  • requires_openai_auth:該提供方是否使用 OpenAI 的認證,預設 false;
  • [model_providers.<id>.auth]:讓 Codex 調用外部的憑據助手命令來獲取令牌,官方說明這個命令不接收標準輸入,要把令牌打印到標準輸出,並且不能和 env_key、experimental_bearer_token、requires_openai_auth 同時使用;
  • http_headers 和 env_http_headers:給請求加固定的頭,或用環境變量提供頭的值。

如果你的公司用的是統一的模型網關,而不是直接訪問 Azure,請向管理員要提供方配置;官方有「Connect to a gateway」頁面,面向這類場景。

密鑰不要寫進提交到倉庫的文件,也不要貼給別人,檢查清單見 /guides/ai-privacy-data-safety-checklist。

四、官方內置的其他提供方

官方文檔列出的模型提供方:OpenAI、Azure、Amazon Bedrock、Google Vertex AI、本地 Ollama 與 LM Studio

圖:本站根據 Codex 官方文檔《Advanced Configuration》 整理的示意圖

Amazon Bedrock

官方寫法:把 model_provider 設為 amazon-bedrock(Bedrock Mantle 端點)或 amazon-bedrock-runtime(Runtime 端點),再用 model 指定 Bedrock 的模型 id,必要時用 [model_providers.amazon-bedrock.aws] 指定 profile 和 region。官方 Bedrock 頁建議新配置使用 Runtime,認證有兩條路,按順序檢查:Bedrock API 密鑰(環境變量 AWS_BEARER_TOKEN_BEDROCK,必須同時指定區域),然後是 AWS 的憑據鏈(共享配置文件、訪問密鑰、SSO 命名配置、聯合身份等)。桌面 App 和 IDE 擴展可能繼承不到 shell 裏的環境變量,官方建議把需要的值寫進 ~/.codex/.env 再重啟。

Google Cloud Vertex AI

官方寫法:

toml
model_provider = "gcp"

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

省略 project_id 或 location 時,會分別讀取 GOOGLE_CLOUD_PROJECT 和 GOOGLE_CLOUD_LOCATION,位置預設是 global。預設認證要在運行 Codex 的機器上安裝 Google Cloud CLI,本地用 gcloud auth application-default login 登入;也可以用 credential_file 指定憑據文件。

本地 Ollama 和 LM Studio

官方的「OSS mode」寫明:傳 --oss 時,Codex 可以對本地的 Ollama 或 LM Studio 運行;用 --local-provider 為一次運行指定,或用 oss_provider = "ollama"(或 "lmstudio")設預設值。都沒設定時,交互命令行會提示你選,codex exec 則直接報錯退出。一條命令接入的做法見 /guides/ollama-launch-claude-code-codex。

數據駐留

如果你的 API 組織啟用了數據駐留,官方示例是建一個提供方,把 base_url 改成帶正確前綴的地址。官方同時說明:對啟用了數據駐留的 ChatGPT 工作區,不需要自定義提供方,Codex 在你用 ChatGPT 登入時會遵循工作區的駐留設定。

五、選之前要想清楚的事

  • 功能和訂閱不是一回事。 用 ChatGPT 帳號登入時用的是訂閱裏的額度;改用自定義提供方後,用量按那個提供方的規則計費,和 ChatGPT 訂閱額度無關。官方也寫明,用 API 密鑰時按 API 令牌計價。
  • 有些功能依賴提供方支持。 官方有 supports_websockets、supports_standalone_web_search 等能力開關,預設對自定義提供方是關的,需要提供方真的支持才有意義。Codex 雲端任務要求用 ChatGPT 登入,見官方認證頁。
  • 出了問題,先區分是誰的問題。 官方 Bedrock 頁明確寫了支持邊界:Codex 客戶端的設定和行為找 OpenAI,AWS 的憑據、權限、配額等問題找 AWS。Azure 同理:連接、配額和部署問題要查 Azure 一側。
  • 報錯對號入座。 401 見 /guides/codex-401-unauthorized-error,Bad Request 見 /guides/codex-detail-bad-request-error。

如果你沒有現成的雲上資源,只是想穩定使用 Codex,直接用 ChatGPT 訂閱登入通常更省事,可以看看本站的 ChatGPT Plus 充值說明,價格和額度以官方頁面當前顯示為準。

常見問題

Q:能寫 [model_providers.openai] 來改地址嗎?

不能。官方明確寫了內置提供方 id 不能覆蓋,改內置 OpenAI 提供方的地址用 openai_base_url。

Q:配置寫好了沒生效?

先確認頂層的 model_provider 指向了你的 id,且頂層鍵沒有誤放進提供方的表裏;官方在網關排查表裏把這點列在第一條。還要檢查當前使用的 profile 和配置的優先級。

Q:wire_api 能寫 chat 嗎?

官方配置參考寫明 responses 是唯一支持的值。

相關教學

參考資料

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

Nathaniel 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

    搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

    ChatGPT其他 AI 工具0
  2. 02

    多 Agent 的成本為什麼翻倍、怎麼控制:Token 膨脹根源與五項降本措施

    剛把單智能體拆成多 Agent,用量往往暴漲好幾倍。Anthropic 工程報告統計單智能體約為聊天的 4 倍 Token,多智能體可達約 15 倍。本文拆解固定前綴重複加載、歷史搬運、工具鏈定義與緩存失效四大根源,並給出五條實操控費辦法。

    ChatGPTClaude0
  3. 03

    多 Agent 協同開發怎麼落地:「一個寫、一個審」雙代理工作流搭建指南

    多 Agent 協同開發裏投入產出比最高的模式就是「一個寫、一個審」。本文依據 Anthropic 與 OpenAI 官方編碼最佳實踐,講清為什麼同會話自審容易漏問題,以及用只讀子代理、跨模型交叉審查(Claude Code + Codex)和自動化閉環落地的具體方法。

    ClaudeCodex0
  4. 04

    多 Agent 編排模式詳解:編排者-工作者、交接(Handoffs)、並行與評估循環怎麼選

    搜「multi-agent orchestration 中文」會被各家框架的不同術語繞暈。本文對照 Anthropic《Building effective agents》與 OpenAI 智能體指南,把編排者-工作者、去中心化交接、並行分片投票與生成-評估循環四種標準編排拓撲講透。

    ChatGPTClaude0
  5. 05

    多智能體(Multi-Agent)是什麼、什麼時候該用:Anthropic 與 OpenAI 官方判斷標準

    多智能體不是代理越多越聰明。本文依據 Anthropic 研究系統架構文章與 OpenAI 官方智能體指南,講清確定性工作流、單智能體與多智能體的區別,以及哪三類瓶頸才值得上多智能體協同。

    ChatGPTClaude0
  6. 06

    codebase-memory 類 MCP 是什麼、怎麼用:基於語法樹圖譜的本地代碼索引原理與配置

    codebase-memory-mcp(DeusData/codebase-memory-mcp)是一類本地代碼圖譜 MCP 伺服器:用 Tree-sitter 把倉庫解析成函數與調用關係的 SQLite 圖庫,幫編碼助手查調用鏈並省下讀整份文件的額度。

    ClaudeCodex0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~