oh-my-codex
oh-my-codex(简称 OMX)是专为 OpenAI Codex CLI 打造的增强型工作流层。它并不取代 Codex 的核心执行能力,而是通过添加钩子、智能体团队和实时状态监控,让代码生成过程更加稳健和有序。
许多开发者在使用 AI 编程助手时,常面临提示词随意、任务缺乏规划以及多步骤协作混乱等痛点。OMX 通过一套标准化的指令体系解决了这些问题:利用 $deep-interview 深度澄清需求,通过 $ralplan 制定并审批实施方案,再借助 $ralph 或 $team 实现从单线程持久执行到多线程并行协作的灵活交付。此外,它还能在 .omx/ 目录中自动持久化存储项目计划、日志和记忆状态,确保长周期任务的连续性。
这款工具非常适合已经熟悉 Codex 并希望提升日常开发效率的软件工程师和技术团队。如果你需要处理复杂的系统重构或功能开发,OMX 提供的“先澄清、再规划、后执行”的专业流程,能显著降低 AI 幻觉带来的风险,提升代码产出的可靠性。对于追求极致工作流自动化和可维护性的开发者而言,oh-my-codex 是一个让 AI 编程从“玩具”走向“生产级”的得力助手。
使用场景
某全栈开发者正面临一个紧急任务:需要在现有电商系统中重构复杂的用户认证模块,涉及数据库迁移、API 更新及前端适配,且要求零停机部署。
没有 oh-my-codex 时
- 需求模糊导致返工:直接让 Codex 生成代码,常因对业务逻辑理解偏差而产出不可用的片段,需反复手动澄清上下文。
- 缺乏标准化流程:从构思到落地全靠开发者口头指挥,缺少“确认计划 - 审批方案 - 执行”的标准闭环,容易遗漏边界情况。
- 并行协作困难:面对多文件修改任务,只能串行等待 Codex 逐个处理,无法协调多个代理同时处理不同模块,效率低下。
- 状态管理混乱:会话中断或上下文过长时,之前的决策逻辑和中间计划丢失,难以追溯之前的技术选型理由。
使用 oh-my-codex 后
- 深度访谈明确需求:通过
$deep-interview指令,oh-my-codex 主动引导开发者厘清认证变更的细节,确保生成的代码精准匹配业务场景。 - 标准化工作流保障质量:利用
$ralplan制定并审批实施方案,再交由$ralph持续执行至完成,形成了从规划到交付的可靠闭环。 - 团队模式并行加速:调用
$team 3:executor指令,oh-my-codex 自动组建代理小队,并行处理数据库、后端与前端代码,大幅缩短重构周期。 - 持久化状态随时回溯:所有计划、日志和决策依据自动保存在
.omx/目录中,即使会话重启也能无缝接续之前的进度与上下文。
oh-my-codex 将原本松散的 AI 对话升级为结构化、可协作且状态持久的工程化开发流,让复杂重构任务变得可控且高效。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
哦我的法典(OMX)
让Codex以更强的状态启动,随后在工作规模扩大时,由OMX添加更优的提示、工作流和运行时辅助。
官网: https://yeachan-heo.github.io/oh-my-codex-website/ 文档: 入门 · 代理 · 技能 · 集成 · 演示 · OpenClaw指南 社区: Discord — oh-my-codex及相关工具的共享OMX/社区服务器。
OMX是针对OpenAI Codex CLI的工作流层。
它保留了Codex作为执行引擎,并使以下操作更加便捷:
- 默认启动更强大的Codex会话
- 从澄清到完成执行一致的工作流
- 使用
$deep-interview、$ralplan、$team和$ralph调用标准技能 - 将项目指导、计划、日志和状态保存在
.omx/中
核心维护者
| 职位 | 姓名 | GitHub |
|---|---|---|
| 创建者 & 首席 | Yeachan Heo | @Yeachan-Heo |
| 维护者 | HaD0Yun | @HaD0Yun |
大使
| 姓名 | GitHub |
|---|---|
| Sigrid Jin | @sigridjineth |
主要贡献者
| 姓名 | GitHub |
|---|---|
| HaD0Yun | @HaD0Yun |
| Junho Yeo | @junhoyeo |
| JiHongKim98 | @JiHongKim98 |
| Lor | — |
| HyunjunJeon | @HyunjunJeon |
推荐的默认流程
若想体验OMX的默认功能,请从这里开始:
npm install -g @openai/codex oh-my-codex
omx setup
omx --madmax --high
然后在Codex中正常工作:
$deep-interview "clarify the authentication change"
$ralplan "approve the auth plan and review tradeoffs"
$ralph "carry the approved plan to completion"
$team 3:executor "execute the approved plan in parallel"
这就是主要路径。先以较强的状态启动OMX,必要时先澄清需求,批准方案后,再选择$team进行协调并行执行,或$ralph用于持续的完成循环。
OMX适用场景
如果你已经喜欢使用Codex,并希望围绕它获得更好的日常运行体验,那么可以使用OMX:
- 围绕
$deep-interview、$ralplan、$team和$ralph构建的标准工作流 - 当任务需要时提供的专业角色和支持技能
- 通过限定范围的
AGENTS.md进行项目指导 - 在
.omx/下持久化存储计划、日志、记忆和模式跟踪信息
如果你只需要纯粹的Codex,而不需要额外的工作流层,那么可能并不需要OMX。
快速入门
要求
- Node.js 20+
- 已安装Codex CLI:
npm install -g @openai/codex - 已配置Codex认证
- 如果后续需要持久化的团队运行环境,macOS/Linux上需安装
tmux - 如果后续需要Windows团队模式,原生Windows上需安装
psmux
第一次良好体验
按推荐方式启动OMX:
omx --madmax --high
然后尝试标准工作流:
$deep-interview "clarify the authentication change"
$ralplan "approve the safest implementation path"
$ralph "carry the approved plan to completion"
$team 3:executor "execute the approved plan in parallel"
当批准的计划需要协调并行工作时使用$team,或者当需要一个持续的负责人推动完成时使用$ralph。
简单的理解模型
OMX并不会取代Codex。
它在Codex周围增加了一个更好的工作层:
- Codex 执行实际的代理任务
- OMX角色关键词 使有用的角色可复用
- OMX技能 使常见工作流可复用
.omx/存储计划、日志、记忆和运行时状态
大多数用户应将OMX视为更好的任务路由 + 更好的工作流 + 更好的运行时,而不是全天手动操作的命令界面。
新手入门指南
- 运行
omx setup - 使用
omx --madmax --high启动 - 当请求或边界尚不明确时,使用
$deep-interview "..." - 使用
$ralplan "..."批准计划并评估权衡 - 选择
$team进行协调并行执行,或$ralph用于持续的完成循环
推荐的工作流程
$deep-interview— 在请求或边界仍模糊时澄清范围。$ralplan— 将澄清后的范围转化为已批准的架构与实施方案。$team或$ralph— 使用$team进行协调并行执行,或使用$ralph当您希望由一位负责人持续推动完成时。
常见的会话界面
| 界面 | 用途 |
|---|---|
$deep-interview "..." |
澄清意图、边界和非目标 |
$ralplan "..." |
批准实施方案及权衡 |
$ralph "..." |
持续的完成与验证循环 |
$team "..." |
当工作量足够大时进行协调并行执行 |
/skills |
浏览已安装的技能及辅助工具 |
高级/运维界面
这些界面很有用,但并非主要的入门路径。
团队运行环境
团队运行环境应在特别需要持久化的tmux/工作树协调时使用,而不是作为使用OMX的默认方式。
omx team 3:executor "fix the failing tests with verification"
omx team status <team-name>
omx team resume <team-name>
omx team shutdown <team-name>
设置、诊断与HUD
这些是运维/支持界面:
omx setup安装提示、技能、AGENTS脚手架、.codex/config.toml以及OMX管理的原生Codex钩子文件.codex/hooks.jsonomx doctor在出现问题时验证安装情况omx hud --watch是监控/状态界面,而非主要的用户工作流
对于非团队会话,原生Codex钩子现在是标准的生命周期界面:
.codex/hooks.json= 原生Codex钩子注册.omx/hooks/*.mjs= OMX插件钩子omx tmux-hook/ notify-hook / derived watcher = tmux + 运行时回退路径
有关当前原生/回退矩阵,请参阅Codex原生钩子映射。
探索与 sparkshell
omx explore --prompt "..."用于只读仓库查询omx sparkshell <command>用于原生 Shell 检查和有限范围的验证
示例:
omx explore --prompt "查找团队状态写入的位置"
omx sparkshell git status
omx sparkshell --tmux-pane %12 --tail-lines 400
团队模式的平台说明
omx team 需要一个兼容 tmux 的后端:
| 平台 | 安装命令 |
|---|---|
| macOS | brew install tmux |
| Ubuntu/Debian | sudo apt install tmux |
| Fedora | sudo dnf install tmux |
| Arch | sudo pacman -S tmux |
| Windows | winget install psmux |
| Windows (WSL2) | sudo apt install tmux |
已知问题
Intel Mac:启动时 syspolicyd / trustd CPU 使用率过高
在某些 Intel Mac 上,OMX 启动——尤其是使用 --madmax --high 选项时——可能会导致 syspolicyd / trustd 的 CPU 使用率激增,因为 macOS Gatekeeper 需要同时验证大量进程的启动。
如果出现这种情况,请尝试:
xattr -dr com.apple.quarantine $(which omx)- 将您的终端应用添加到 macOS 安全设置中的开发者工具允许列表中
- 降低并发度(例如,避免使用
--madmax --high)
文档
语言
- 英语
- 한국어
- 日本語
- 简体中文
- 繁體中文
- Tiếng Việt
- Español
- Português
- Русский
- Türkçe
- Deutsch
- Français
- Italiano
- Ελληνικά
- Polski
- Українська
贡献者
| 角色 | 姓名 | GitHub |
|---|---|---|
| 创建者 & 项目负责人 | Yeachan Heo | @Yeachan-Heo |
| 维护者 | HaD0Yun | @HaD0Yun |
星标历史
许可证
MIT
版本历史
v0.12.02026/04/07v0.11.132026/04/04v0.11.122026/04/02v0.11.112026/04/01v0.11.102026/03/30v0.11.92026/03/25v0.11.82026/03/23v0.11.72026/03/23v0.11.62026/03/21v0.11.52026/03/21v0.11.42026/03/20v0.11.32026/03/20v0.11.22026/03/20v0.11.12026/03/20v0.11.02026/03/190.11.02026/03/19v0.10.62026/03/19v0.10.52026/03/18v0.10.42026/03/18v0.10.32026/03/18常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
