OpenAI正式发布Agents API，将Codex背后的Agent Harness能力以API形式开放。开发者只需定义任务、模型、工具和执行环境，Agent Loop、上下文管理、工具调用、多Agent协作和沙箱等均可交由OpenAI处理。该API支持长任务自动压缩恢复、原生MCP与Web Search、Sub-Agent并行、Linux Sandbox及私有环境接入。作者认为这标志着模型正从产品变为组件，Harness等通用能力正被云厂商基础设施化，Agent创业需向业务、数据和Workflow上移。
作者将自己此前分享的 9 个 Pi 工具整理成一张按需选择的"装修地图"，而非必装全家桶。文章首先介绍 pi install 等 Pi Package 基础命令及安全注意事项，随后分三层推荐工具：第一层为基础能力，包括沙箱安全（pi-sandbox）、联网访问（pi-web-access）和计划与代码审查（Plannotator）；第二层为遇到明确问题再装的工具，包括上下文管理（context-mode）、MCP 适配器（pi-mcp-adapter）、多 Agent 协作（pi-subagents）、长期记忆（pi-hermes-memory）；第三层为远程使用工作台，包括 PI WEB 浏览器控制台和 ax-feishu-bridge 飞书接入。最后给出三套组合搭配建议。
作者分享了一个长期痛点：与 AI 多轮讨论敲定的项目方案往往锁在某台电脑的聊天窗口里，换设备或同事接手时需重新投喂上下文。作者接入 EverOS Cloud（GitHub 1.3w 星开源 Agent 记忆系统 EverOS 的云端托管版），将公司电脑和家里电脑的 Codex 挂到同一云端记忆空间。AI 讨论过程中的方案与约束自动沉淀为云端记忆，跨设备、跨团队无缝续接工作，无需手动整理 Markdown。网页端 Memory Bank 可查看阶段摘要和事实卡片，支持记忆的增删改。该方案也适合团队协作，共享记忆成为项目知识资产，降低人员交接风险。
作者介绍了 amontlabs/lcu 项目，它将 Codex 的 Computer Use 能力（让 AI 看屏幕、点鼠标、敲键盘操作电脑）拆分出来，通过 MCP 接口供 Claude Code、Codex CLI、Pi 等其他 AI Agent 工具调用。该项目并非重新实现，而是直接调用本机 ChatGPT 桌面版内置的 OpenAI 原版 Computer Use 运行时。它只提供 js 和 js_reset 两个工具，模型通过预置的 cua 对象编写 JavaScript 代码完成点击、输入、截图等操作，环境保留状态，并支持读取无障碍信息按元素点击。已适配 Pi、Codex CLI、Claude Code，支持 Apple Silicon Mac 和 X11 Linux，Windows 11 处于候选阶段。
tldraw 宣布为 ChatGPT 和 Codex 推出插件，基于 OpenAI 新的 MCP 扩展规范构建，为对话提供实时多人协作画布。用户可在侧边栏与 AI Agent 和团队成员共同在画布上创作，通过评论标记 Agent 提供上下文。插件支持创建和管理画板、读取截图和图形、绘制图表（含 Mermaid），所有画板与 tldraw.com 账户同步。典型用例包括：可视化解释概念、将线框图变为应用、截图标注修改代码、绘制代码库架构图等，实现人与 Agent 在画布上的双向协作。
本文总结了 OpenAI DevDay 2026 的 20 余项重大升级。核心亮点包括：常驻云端数字员工 dots，由 GPT-6 Astra 驱动，7×24 小时自主工作；性价比模型 GPT-6.1 Sol 与 8 倍速 Ultrafast 极速推理；Codex Cloud 云端开发环境与 Agents API 预览；团队协作空间 ChatGPT Space 与动态文档 Pages；以及 Sign in with ChatGPT 额度跨平台通兑和 OpenAI Marketplace 生态战略。文章认为 OpenAI 正从对话工具演变为 AI 时代的云端基础设施运营商。
文章介绍如何通过第三方开源工具 WebCodex，让 ChatGPT 网页版接管部分 Codex 任务，缓解额度不够用的问题。作者详细讲解原理：ChatGPT 通过 OpenAI 官方 Secure MCP Tunnel 连接本机 WebCodex，实现文件读取、代码修改和命令执行。教程涵盖账号权限检查、下载 WebCodex Desktop、创建练习目录、配置 Tunnel 与专用 API Key、在 ChatGPT 中添加自定义 App 及验证连接等步骤，并强调风险提示：不是真正无限额度、存在安全与封号风险、密钥需妥善管理，最后给出常见问题排查和权限回收方法。
OpenAI 宣布 Agents API 进入公测，将支撑 Codex 的同一套 harness 和基础设施通过 API 开放给开发者。文章提出 Agent ≈ Model + Harness 的简化框架，解释了 Harness 如何组织上下文、工具调用、Session 状态和子 Agent，使模型能够持续执行长任务。文章以老项目依赖升级为例，说明长任务并非让模型持续思考，而是通过工具调用循环、留下可复用的工作产物来推进。同时强调工具权限应按任务开放、子 Agent 适合并行独立工作、验收标准应写入任务目标。Codex 是现成的 Agent 工作环境，而 Agents API 让开发者把这种能力接入自己的产品。
作者因AIHOT产品优化导致Codex额度消耗巨大，发现ChatGPT Pro会员附带的GPT-6 Pro网页版额度与Codex额度分开，可被充分利用。他将服务器真实业务数据封装成只读MCP Server并接入飞书鉴权，作为插件供GPT-6 Pro调用，使其能基于真实生产数据做深度分析与规划，再通过'添加到Codex'功能将方案交给GPT-6 Astra执行。这套工作流大幅节省了Codex周额度，一次规划加执行仅消耗约14%额度，且完全合规无风控风险。
作者对 OpenAI 发布的 Agents API 公测版进行了端到端实测，通过两次 POST /v1/agents/sessions 调用，体验了托管沙箱中的文件读写和 Skill 任务执行。文章介绍了 Agents API 开放的 Codex 背后托管 Agent Harness 的能力，以及 Agent 的三个层次（模型与 Harness、沙箱执行环境、工具与工作流），并详细记录了 Session 创建、SSE 事件流、Agent 在沙箱中的真实执行过程，包括命令失败后的自主恢复、CSV 数据校验与 JSON 输出，以及通过 Artifacts API 取回任务产物的完整流程。
本文系统讲解 OpenAI 桌面执行型 Agent——Codex 的使用方法。作者首先介绍 Codex 的能力边界与 Prompt→Plan→Execute→Verify 四步执行逻辑，强调人工验证的重要性。随后详解桌面 App 三栏界面结构（项目任务管理、对话控制台、Diff 审查），并说明 Local、Worktree、Cloud 三种工作区模式的适用场景与选择原则。文章还涵盖 Plan 执行计划的开启时机、沙盒权限三档控制与审批弹窗处理方法，以及 Skill、Plugin、MCP、Automation、/goal 五类扩展功能的分工。最后提出从入门到熟练的四阶段学习路径，全文包含大量排错提示、上手练习与手绘图解，帮助读者快速建立可落地的操作直觉。
本文是一篇纯小白向实战教程，作者分享了如何在Windows上通过MCP协议让ChatGPT读取本地Codex工程和知识库的完整过程。文章详述了使用开源项目codex-with-chatgpt进行本地安装、通过ngrok配置固定访问地址、在ChatGPT网页创建自定义连接、完成OAuth登录与配对、以及验证文件读取的七个步骤。作者重点强调了安全注意事项（不泄露令牌、只开放必要目录）和常见踩坑点，如ngrok产品选错、OAuth报错需刷新插件等。最终实现ChatGPT负责规划审查、Codex负责本地制作的协作分工，让视频制作的复盘和规划建立在真实工程之上。
文章分析了 OpenAI Agents API、Anthropic Claude Managed Agents、AWS AgentCore Harness 和 Microsoft Foundry Agent Service 等托管式 Agent 基础设施的共同架构趋势。前沿实验室主张模型与 harness（代理执行框架）协同构建，以获得更好的效果。文中总结了四个关键模式：将 Agent 声明式资源化、为 Agent 引入版本化发布工程（含 A/B 测试）、在会话内动态选择模型实现解耦、以及将工具移出 Agent 之外的共享基础设施（MCP、Toolbox、Gateway）。作者提出开发者需要思考两个问题：应保留多少 Agent 循环的控制权，以及 harness 是否必须来自模型提供商。
