Codex App 怎麼設定 1M 上下文:官方沒有「1M」開關,預設窗口、model_context_window 和 /compact 的官方說明

想在 Codex App 設定 1M 上下文?官方文檔沒有這個開關。能查到的是:GPT-6.1 Sol 在 Codex 預設窗口 500,000 token,config.toml 有 model_context_window 和壓縮閾值,對話太長用 /compact。

NNathaniel bigo··原創首發·AI 輔助撰寫
12 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. 官方沒有寫 1M 開關。 在模型頁、配置參考和桌面 App 設定頁裏,都沒有這樣一項設定。別人說「在 App 設定裏勾選 1M 上下文」,沒有官方出處。
  2. 官方寫了的數字是:GPT-6.1 Sol 在 Codex 和 ChatGPT Work 裏預設上下文窗口 500,000 個 token。 其他模型的窗口,官方模型頁沒有逐一列出,以你在應用裏看到的為準。
  3. config.toml 裏有 model_context_window,官方說明是「當前模型可用的上下文窗口 token 數」,示例裏預設值是「按模型自動」。官方沒有寫可以把它設得比模型實際支持的更大。
  4. 長對話靠壓縮。 /compact 手動壓縮,model_auto_compact_token_limit 控制自動壓縮的閾值。
  5. 窗口大不等於質素一直好。 官方在子代理說明裏寫道,即使窗口很大,模型也有限度,主對話裏堆滿探索筆記、測試日誌和命令輸出,會話會隨時間變得不那麼可靠。

官方寫明的上下文相關設定:模型預設窗口、model_context_window、自動壓縮閾值、輪末壓縮、/compact

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

本文根據 Codex 官方文檔《Models》《Configuration Reference》《Advanced Configuration》和命令頁整理,資料核對於 2026-11-13。官方文檔裏沒有「1M 上下文」的設定項,所以本文不提供「改成 1M」的步驟,只寫官方能確認的上下文相關設定,以及怎麼在不改窗口的情況下讓長任務更穩。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。

適用於誰

  • 在桌面 App 裏做大項目,擔心上下文不夠,想找「1M 上下文」開關的人;
  • 看到網上教學讓你改 config.toml,不確定能不能改的人;
  • 對話越聊越長,想知道怎麼讓 Codex 保持穩定的人。

一、先查你現在有多少上下文可用

不要先去改,先看現狀。官方命令頁裏:

  • 輸入 /status,查看當前使用的模型、審批策略、可寫目錄等;
  • 輸入 /statusline,在底部狀態欄裏加入需要的項目。官方說明可選項包括模型、模型加推理強度、上下文統計、速率限制、git 分支、token 計數器、會話 ID、當前目錄和 Codex 版本。官方示例配置裏,上下文相關的項目標識是 context-remaining,預設的狀態欄就包含它。

這些是命令行裏的做法。桌面 App 是否有同樣的狀態欄顯示,官方這幾頁沒有寫,以你應用的當天介面為準。

二、config.toml 裏有哪些上下文相關的鍵

官方配置參考列出的幾項,括號裏是本站的解釋:

  • model_context_window:當前模型可用的上下文窗口 token 數。官方示例註釋寫的是「預設:按模型自動」,另一處示例寫成 model_context_window = 128000;
  • model_auto_compact_token_limit:觸發自動壓縮歷史的 token 閾值,未設定時使用模型預設值;
  • model_auto_compact_token_limit_scope:自動壓縮的閾值按完整的活動上下文計算(total,預設),還是隻算壓縮窗口前綴之後的增長部分(body_after_prefix);
  • model_post_turn_compact_threshold_percent:一輪的最終回覆之後,如果活動上下文達到可用窗口的這個百分比,就壓縮歷史;不設定或設為 0 表示關閉,且通常的自動壓縮限制仍然適用。官方示例是 80;
  • tool_output_token_limit:每次工具輸出儲存的 token 數,示例值是 12000。

這些鍵放在 $CODEX_HOME/config.toml(預設 ~/.codex/config.toml)裏。重要提醒:

  • 官方沒有寫 model_context_window 可以大於模型實際支持的窗口。如果你寫了一個模型並不支持的數,結果官方沒有說明,可能被忽略,也可能引起報錯,所以不建議這樣試;
  • 如果網上某篇教學寫「加上這一行就是 1M」,請先到官方模型頁核對你的模型是否真的有這麼大的窗口,沒有出處就不要照搬;
  • 配置文件的位置和讀取規則,見官方《Advanced Configuration》;Windows 頁寫明桌面 App 與原生 Windows 版 Codex 使用同一個家目錄 %USERPROFILE%\.codex,由此可以推斷 App 同樣讀取這份配置,但官方沒有專門就上下文窗口在 App 裏的表現作出說明,這是推斷。

三、對話太長了怎麼辦

1. 手動壓縮:/compact

官方命令頁:/compact 總結當前可見的對話來釋放 token,適合在長時間運行之後使用,讓 Codex 保留關鍵點而不撐爆上下文窗口。執行後,早先的輪次會被一段簡明的摘要取代,同時保留關鍵細節。壓縮後細節會變成摘要,所以重要的約束、決定請在壓縮前確認已經寫進了 AGENTS.md 或計劃文件。 寫法見 /guides/codex-agents-md-how-it-reads。

2. 自動壓縮

不動配置時,Codex 按模型預設值自動處理。想更早觸發,可以設定 model_auto_compact_token_limit 或 model_post_turn_compact_threshold_percent。這兩項屬於進階調整,官方沒有給推薦數值,示例裏的數字只是示例。

3. 開新對話

換任務就開新對話。官方在多代理說明裏把「上下文污染」和「上下文腐爛」當作問題來講:有用的資訊被噪聲埋住,隨着對話被不相關的細節填滿,表現會下降。新對話是最直接的清理辦法。

4. 讓子代理讀大文件

官方在子代理說明裏寫道,Codex 可以把分析一份數百萬 token 的大文檔拆成較小的問題,並把提煉出的要點交回主線程。做法的要點是:主代理專注需求、決定和最終產出;讓專門的子代理並行處理探索、測試或日誌分析;讓子代理返回摘要,而不是原始的中間輸出。官方建議先把並行代理用在讀多寫少的任務上,例如探索、測試、分流和總結。

提示詞可以這樣寫,括號裏自己填:

text
請把 [某個目錄] 裏的日誌分給子代理並行分析,每個子代理只返回:出現次數最多的 3 類錯誤、各一條代表性日誌和可能原因。主線程只保留這些摘要,不要貼原始日誌。

四、窗口、速度和額度的關係

官方寫明,更高的推理強度會增加響應時間和 token 用量;上下文越長,每一輪需要處理的內容也越多。所以窗口大不是免費的:既可能更慢,也會更快消耗額度。慢的排查見 /guides/codex-slow-reconnecting-why,額度怎麼看見 /guides/codex-usage-limits。如果你確實經常跑很長的任務、額度不夠用,可以看看本站的 ChatGPT Plus 充值說明 或 ChatGPT Pro 充值說明,價格和額度以官方頁面當前顯示為準。

想要更大的上下文先做的檢查:看剩餘上下文、確認模型預設窗口、沒有 1M 開關、不要把窗口寫得超過模型支持、用 /compact、讓子代理讀大文件

圖:本站根據 Codex 官方文檔 整理的示意圖

五、如果你想用的是本地模型

通過 Ollama 等本地提供方運行時,上下文長度往往要在提供方那邊設定,不是 Codex 的開關。這部分見 /guides/ollama-launch-claude-code-codex;自定義模型提供方的配置見 /guides/codex-third-party-models-deepseek-gemini-grok。

常見問題

Q:網上說 Codex 可以開 1M,是真的嗎?

官方這幾頁沒有寫。官方明確寫了的是 GPT-6.1 Sol 在 Codex 裏預設 500,000 token。別的數字請以官方模型頁當天寫法為準,沒有出處的不要當真。

Q:把 model_context_window 改大,能讓它記住更多嗎?

官方沒有保證。它描述的是「當前模型可用的窗口」,模型本身不支持的容量,改配置不會憑空增加。

Q:壓縮之後它忘了前面的要求怎麼辦?

重要要求寫進 AGENTS.md 或計劃文件,並在壓縮後讓它重新讀一遍。

Q:ChatGPT 網頁版的上下文限制是一回事嗎?

不是,網頁版見 /guides/chatgpt-context-length-limits。

相關教學

參考資料

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

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~