写在圣诞节之后的年末：把“AI 会写代码”升级为“AI 能在终端里把活干完”。
这篇文章是一次偏工程落地的分享：用Codex CLI作为主控（模型用gpt-5.2，推理开到xhigh），再把Claude Code通过claude mcp serve以MCP Server的方式接入，让 Codex 的工具链更完整、更顺手；同时用一个兼容 OpenAI API 的第三方服务（https://api.routin.ai/v1）作为模型提供商入口，达到“体验不变、成本更友好”的目的。
文中会给出一份“核心配置”（你提供的那份），并解释每个字段为什么重要、怎么验证、常见坑怎么避。
1. 这套组合解决什么问题？
很多人用 AI Coding 的卡点不在“模型不会写”，而在：
工具链割裂：模型写了，但不会/不方便自己查资料、跑命令、读写文件、串起多步工作流。
推理不够深：复杂重构/排障需要更强的规划与验证能力。
成本不可控：高强度推理模型一开，账单飞涨。
这套方案的思路是：
Codex CLI 做主控代理：负责理解任务、拆解步骤、在本地执行/修改。
Claude Code 以 MCP Server 方式挂载：通过
claude mcp serve把 Claude Code 的能力“工具化”提供给 Codex（Codex 侧只需要配置一个 MCP 服务器即可）。自定义模型提供商：把
model_provider指向meteor-ai，并把base_url配到https://api.routin.ai/v1，让 Codex 仍按 OpenAI 风格调用，但走更适合自己的计费/网络入口。
2. MCP 是什么？为什么要接 Claude Code MCP？
MCP（Model Context Protocol）可以理解为“AI 的通用扩展口”：Codex 作为 MCP Client，通过 MCP Server 获取外部工具、资源、服务的能力。
Codex 官方配置文档明确支持通过mcp_servers配置两类 MCP：
STDIO：由 Codex 启动本地进程，通过标准输入输出通信（本机工具最常用）。
Streamable HTTP：通过 HTTP URL 连接远程 MCP Server（适合云服务/内网服务）。
而Claude Code自带claude mcp serve，可以直接启动一个 MCP Server。因此，把 Claude Code 当作一个“工具供应商”，接到 Codex 上，是一种非常自然的组合方式：你可以用 Codex 统一驱动工作流，同时复用 Claude Code 已经打磨好的 MCP 服务能力。
3. 环境准备（一次装好，后面全自动）
3.1 安装 Codex CLI
常见方式：
npm install -g @openai/codex或在 macOS 用 Homebrew：
brew install --cask codex安装后验证：
codex --version3.2 安装 Claude Code（确保有claude命令）
Claude Code 官方仓库提供了多种安装方式（Windows 也支持）。
安装后验证：
claude --version以及确认claude mcp serve存在：
claude mcp --help claude mcp serve --help3.3 配置环境变量：OPENAI_API_KEY
你希望 Codex 走meteor-ai（https://api.routin.ai/v1）时读取OPENAI_API_KEY，所以需要在系统环境变量里设置：
变量名：
OPENAI_API_KEY变量值：你在对应平台获取到的实际 Key（请当作密钥管理，不要写进仓库/截图/日志）
Windows（PowerShell）临时设置（仅当前终端生效）：
$env:OPENAI_API_KEY = "你的Key"Windows（持久化到用户环境变量，需重开终端）：
setx OPENAI_API_KEY "你的Key"macOS/Linux（当前 shell 生效）：
export OPENAI_API_KEY="你的Key"4. 核心配置（原样保留 + 逐项解释）
Codex 的配置文件默认为：
macOS/Linux：
~/.codex/config.tomlWindows：
%USERPROFILE%\.codex\config.toml
把下面这份内容写进去即可（你给的“最核心配置”，原样保留）：
model = "gpt-5.2" model_provider = "meteor-ai" disable_response_storage = true approval_policy = "never" # 可选值: "untrusted" | "on-failure" | "on-request" | "never" sandbox_mode = "danger-full-access" rmcp_client = true model_reasoning_effort = "xhigh" # Reasoning summary: auto | concise | detailed | none (default: auto) model_reasoning_summary = "detailed" # Text verbosity for GPT-5 family (Responses API): low | medium | high (default: medium) model_verbosity = "high" # Force-enable reasoning summaries for current model (default: false) model_supports_reasoning_summaries = true [mcp_servers.claude] command = "claude" # Optional args = ["mcp", "serve"] [model_providers.meteor-ai] name = "meteor-ai" base_url = "https://api.routin.ai/v1" env_key = "OPENAI_API_KEY" wire_api = "responses"下面解释每个关键点（只讲“为什么重要”）：
4.1model = "gpt-5.2"：主模型选择
Codex 的核心价值是“在本地跑多步任务”。复杂任务（重构、定位 bug、跨多文件一致性修改）更依赖模型推理与规划能力，因此选gpt-5.2这种更强的通用模型是合理的。
4.2model_provider = "meteor-ai"+[model_providers.meteor-ai]
这表示你不走默认的 OpenAI Provider，而是注册一个新的 Provider：
base_url = "https://api.routin.ai/v1"：把 OpenAI 风格的/v1/...请求转到该地址env_key = "OPENAI_API_KEY"：从系统环境变量取 Keywire_api = "responses"：强制走 Responses API 形态（对reasoning_effort / verbosity这类参数更关键）
你也可以把env_key改成更语义化的名字（比如ROUTIN_API_KEY），但本文按你的设定使用OPENAI_API_KEY，这样对 Codex 的默认生态也更兼容。
4.3model_reasoning_effort = "xhigh"：把“想清楚再动手”拉满
xhigh通常意味着：
更强的规划与多步推理能力
更高的延迟与成本
建议你把它当作“复杂任务档”，简单任务（改文案/小函数/读文档）可以切到低一点以省钱省时。
4.4model_reasoning_summary = "detailed"+model_supports_reasoning_summaries = true
这会让 Codex 更倾向输出推理摘要（不是完整思维链，而是可读的总结），适合做技术分享/团队协作：你能看见它为什么这么改、考虑了哪些边界。
4.5model_verbosity = "high"：输出更详细
适合教程/分享场景，尤其是你希望它把操作步骤、验证方式讲清楚的时候。
4.6approval_policy = "never"+sandbox_mode = "danger-full-access"：全自动，但风险最高
这套组合的含义是：
Codex 不会向你请求批准（所有命令/改动默认都能执行）
文件系统与网络基本不设限
它非常适合：
容器/虚拟机/隔离环境里的自动化原型开发
你明确知道自己在做什么，并且能接受“AI 可能误删/误改”的风险
但不建议在重要生产机、核心仓库、带密钥/账单权限的环境中直接长期使用。更推荐的做法是：用 Profile 分出“安全档”和“全自动档”（见后文“可选增强”）。
4.7rmcp_client = true：关于 RMCP 客户端的兼容性提示
Codex 官方文档里提到 Streamable HTTP 连接会使用 Rust MCP client（rmcp）。不同版本对开关字段可能存在差异：
如果你发现
rmcp_client报“未知字段”，优先以docs/config.md为准，删除该项通常不影响 STDIO MCP。如果你在用较老版本并且需要显式启用 Streamable HTTP，可能会见到类似
experimental_use_rmcp_client的开关（以你使用版本的文档/发行说明为准）。
本文按你提供的配置保留rmcp_client = true，便于复现你的“核心配置”。
4.8disable_response_storage = true：关于“关闭存储”的两层含义
disable_response_storage不是 Codex 官方docs/config.md里的标准字段（至少在本文写作时）。如果你的 Codex 版本支持它，它通常表达的是“不要把对话/响应持久化”。这里建议你区分两层：
本地历史：Codex 默认会把消息写入
$CODEX_HOME/history.jsonl。如果你希望彻底不落盘，可以用官方的[history]配置关闭持久化：
[history] persistence = "none"远端留存：不同 API 提供商对日志与留存策略不同。即便本地不写盘，也不代表服务端不记录。做团队推广时，建议明确告知读者：以提供商的隐私/合规条款为准。
如果你的 Codex 启动时报 “unknown field disable_response_storage”，直接删除这一行，并改用上面的[history] persistence = "none"达到“本地不存”的效果。
5. 把 Claude Code 作为 Codex 的 MCP Server
你的配置核心就在这里：
[mcp_servers.claude] command = "claude" args = ["mcp", "serve"]这表示：Codex 需要该 MCP Server 时，会启动一个本地进程执行：
claude mcp serve如果你想单独排障（例如看看 server 有没有启动、有没有报错），可以手动跑：
claude mcp serve --debug然后在另一个终端启动 Codex，观察 Codex 的 MCP 列表：
codex mcp list6. 推荐https://api.routin.ai/v1（meteor-ai）与 Key 配置说明
你提供的配置中，meteor-ai的base_url指向：
https://api.routin.ai/v1推荐RoutinAI 价格更优惠Codex低至0.2￥=1 美元的超低汇率。
最关键的落地动作有两步：
把
base_url配到https://api.routin.ai/v1在系统里设置
OPENAI_API_KEY=你的实际Key
正常情况下会返回类似“需要 API Key”的报错，说明地址可达、路由正常；设置OPENAI_API_KEY后再由 Codex 调用即可。
7. 实战工作流建议（把 AI Coding 变成可复制的流程）
给一个我更推荐的“稳定工作姿势”：
让 Codex 先做“计划 + 探索”（读项目、定位入口、列修改点）
再让它执行修改，并要求：
改动要小步提交（一次只做一件事）
每一步都能运行验证（lint/test/build）
需要外部能力时，再通过 MCP 接更多服务器（GitHub、Playwright、文档检索等）
示例提示词（你可以直接复制改项目名）：
请在不改变对外行为的前提下重构 XXX 模块： 1) 先解释现状与风险点 2) 给出 3~5 个小步骤计划 3) 每一步都要可验证（说明运行哪些命令） 4) 只在我确认后再执行危险操作在
approval_policy = "never"的配置下，第 4 条更多是“自律要求”，但它能显著减少误操作概率。AI Coding 技术交流群：
