首页
/ oh-my-codex(OMX)完整实战指南:为 OpenAI Codex CLI 构建提示词、工作流与运行时增强层

oh-my-codex(OMX)完整实战指南:为 OpenAI Codex CLI 构建提示词、工作流与运行时增强层

2026-09-09 21:40:05作者:毕习沙Eudora

OMX(Oh My codeX)是构建在 OpenAI Codex CLI 之上的一层开源工作流扩展:它不替换 Codex,而是让 Codex 从第一个会话起就更强——提供更完善的配置、从需求澄清到交付的一致工作流($deep-interview$ralplan$team/$ultragoal)、可复用的 Skill 封装,以及将项目指导、计划、日志与运行时状态统一存放在 .omx/ 目录的持久化机制。读完本文,你将掌握 OMX 的安装路径、核心会话工作流、常用命令速查、Team 多 worker 并行运行时的开启方式,以及 Sparkshell、HUD、doctor 等进阶运维工具的使用方法,并理解这些功能在仓库源码中的底层实现。

OMX 用来做什么:一个简单的心智模型

OMX 是 Codex 的替代品,也不是一个需要整天手动敲命令的"控制面板"。它是在 Codex 之上补充的一层支持:

  • Codex 仍然是唯一的执行引擎,承担全部真实工作;
  • OMX 的角色(Role) 让你能快速调用专业分工的角色(如 executor);
  • OMX 的 Skill 把常见工作流封装成一条命令(如 $deep-interview$ralplan$team);
  • .omx/ 目录 持久化保存计划、日志、记忆与运行时状态。

用一句话概括:OMX 的价值是更合理的任务分发 + 更清晰的工作流 + 更稳定的运行时。如果你只想用纯 Codex、不需要任何额外工作流层,那么大概率不需要 OMX。这一模型与仓库根目录 README.md 中 "OMX does not replace Codex" 的定位完全一致,也是理解后续所有命令的出发点。

环境要求与安装

前置条件

条件 说明
Node.js 20+ 运行 OMX 的 JavaScript 运行时,见 package.jsonengines.node 声明
Codex CLI 已安装且可用 codex --version 验证(Homebrew 或 npm 安装均可)
Codex 认证 在运行 OMX 的同一 shell/profile 中完成 Codex auth
tmux macOS/Linux 上使用 Team 运行时(推荐路径)所需
psmux Windows 上使用 Team 模式所需(较少受支持的路径)

两条安装路径

如果 Codex CLI 已经安装(例如通过 Homebrew):

codex --version
npm install -g oh-my-codex
omx setup
omx --madmax --high

如果尚未安装 Codex CLI,希望由 npm 一并管理:

npm install -g @openai/codex
npm install -g oh-my-codex
omx setup

从当前仓库源码看(package.json),官方 npm 包名为 oh-my-codex,版本 0.21.2,二进制入口为 omxdist/cli/omx.js)。安装后在目标 git 项目中执行 omx setup 即可安装 skill、prompt、CLI-first 配置并按 scope 生成 AGENTS.md

安装后的边界检查

在把运行时视为"就绪"之前,建议按 README.md 的做法先做双重冒烟测试:omx doctor 检查安装形态,omx exec 验证当前环境的 Codex 运行时确实能完成一次真实的模型调用:

omx doctor
codex login status
omx exec --skip-git-repo-check -C . "Reply with exactly OMX-EXEC-OK"

omx doctor 能发现缺失的 OMX 文件、hooks 与运行时前置依赖;而真正的冒烟测试才能暴露只在 Codex 发起真实请求时才出现的 auth、profile 与 provider/base-URL 问题。

首次会话与核心工作流

安装并完成 omx setup 后,启动 OMX:

omx --madmax --high

其中 --madmax 是 OMX 对 Codex --dangerously-bypass-approvals-and-sandbox 的简写(会绕过审批与沙箱,只在可信仓库与环境中使用),--high-c model_reasoning_effort="high" 的简写。这些 flag 的完整语义可以在 CLI 帮助文本 中查到。

然后尝试 OMX 的核心工作流:

$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"

推荐路径是:先启动 OMX,需求模糊时先澄清,再审批计划,最后按需选择并行或单 agent 交付——需要多个 worker 并行时用 $team,想要一个 agent 从头跟到尾时用 $ralph

skills/deep-interview/SKILL.md 可以看到该流程的源码级设计:$deep-interview 是"意图优先"的苏格拉底式澄清循环,以数学化的模糊度评分(ambiguity scoring)作为执行前的门槛,支持 --quick(阈值 ≤0.30,最多 5 轮)、--standard(默认,阈值 ≤0.20,最多 12 轮)、--deep(阈值 ≤0.15,最多 20 轮)三档深度档位,并强制要求 Non-goalsDecision Boundaries 就绪后才能交接给下游执行。

新人起步清单

  1. 运行 omx setup
  2. omx --madmax --high 启动
  3. 需求模糊时用 $deep-interview "..." 澄清
  4. $ralplan "..." 审批计划并权衡取舍(trade-off)
  5. 需要并行时选 $team,需要单 agent 一路做完时选 $ralph

推荐工作流

  1. $deep-interview —— 当需求边界模糊时澄清范围;
  2. $ralplan —— 把澄清后的范围转成可审批的实现计划;
  3. $team$ralph —— 任务够大需要多 worker 并行时用 $team,想要一个 agent 持续跑到完成并验证时用 $ralph

会话内常用命令速查

命令 使用时机
$deep-interview "..." 澄清意图、范围(scope)与非目标(non-goal)
$ralplan "..." 审批实现计划与 trade-off
$ralph "..." 持续运行直到完成并验证
$team "..." 任务足够大时并行执行
/skills 查看已安装的 skill 与 helper 列表

版本差异提示:$ralph 已被 $ultragoal 取代

需要注意的是,本文所依据的越南语版 README(docs/readme/README.vi.md)撰写于较早版本,其中把 $ralph 作为默认完成路径之一。而当前仓库已演进到 0.21.2(见 package.json),skills/ralph/SKILL.md 已明确标注为 sunset stub:$ralph 在 OMX 0.21 中被移除,请改用 $ultragoal

迁移要点:Ralph 的"循环直到完成"行为本质上是退化的单目标 ultragoal 运行。$ultragoal 拥有持久的 Codex goal 交接、.omx/ultragoal 账本检查点、实现与测试/构建/lint/typecheck 证据、以及跨 story 的续跑能力。因此最新版推荐流程实际为 $deep-interview$ralplan$ultragoal(或 $team 在需要协调并行时使用)。本文为忠实继承原文档,仍完整保留 $ralph 相关命令与语义,但请读者以 $ultragoal 作为默认完成路径。

进阶主题

以下内容对日常使用很有价值,但不属于启动阶段的核心步骤。

Team runtime:tmux 协调的多 worker 并行

当需要跨 tmux/worktree 协调多个 worker 时使用 team runtime:

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>

skills/team/SKILL.md 可以了解其底层设计:omx team [N:agent-type] "<task>" 启动 N 个持久化 tmux worker pane,运行时会在 .omx/state/team/<name>/ 下创建 config.jsonmanifest.v2.json、任务文件、worker 身份/inbox 与派发队列,并通过 omx team api 系列命令进行机器可读的状态操作(如 send-messageread-tasktransition-task-status)。团队运行的收尾条件是 pending=0in_progress=0failed=0(或显式确认的失败路径),只有满足这些条件后才应执行 omx team shutdown <name>

Setup、doctor 与 HUD:运维与辅助工具

  • omx setup 安装 prompt、skill、config,并脚手架生成 AGENTS;
  • omx doctor 在安装出现问题时检查安装健康度(还支持 --repair-state 归档陈旧状态、--team 检查团队运行时诊断);
  • omx hud --watch 以 HUD 状态栏方式持续跟踪运行时状态——注意它是辅助工具,不是主工作流。

Sparkshell:可控的 shell 命令执行

  • omx sparkshell <command> 执行 shell 命令并控制输出;
  • 需要仓库只读检索时,应使用 Codex 常规的仓库检查工具/subagent(旧的 omx explore 命令已过时并被移除)。

示例:

omx sparkshell git status
omx sparkshell --tmux-pane %12 --tail-lines 400

sparkshell 命令实现 可以看到,omx sparkshell 实际调用的是原生 Rust sidecar 二进制(omx-sparkshell),支持三种模式:直接 argv 执行、显式 --shell 的 shell 执行(shell 元字符只有在显式 opt-in 时才解释)、以及 --tmux-pane <pane-id> [--tail-lines <100-1000>] 的 tmux pane 输出摘要模式。--tail-lines 必须介于 100 与 1000 之间。当原生二进制不可用(如 GLIBC 不兼容)时,命令会回退到不带摘要能力的裸命令执行。

按平台安装 tmux

omx team 需要兼容 tmux 的后端:

平台 安装方式
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 飙高

在部分 Intel Mac 上启动 OMX——尤其是使用 --madmax --high 时——CPU 可能因 macOS Gatekeeper 同时校验多个进程而出现瞬时飙升。若遇到此情况,可以尝试:

  • xattr -dr com.apple.quarantine $(which omx)
  • 在 macOS 的"安全性与隐私"设置中,把终端应用加入 Developer Tools 列表
  • 改用更轻量的配置(去掉 --madmax --high

延伸阅读

项目定位速览:OMX 是一个多 agent 编排层(Multi-agent orchestration layer for OpenAI Codex CLI),采用 MIT 许可证。核心维护者为 Yeachan Heo 与 HaD0Yun。建议首次使用遵循"omx setup → 冒烟测试 → 工作树启动 → 澄清 → 计划 → 执行"的路径,把 OMX 的提示词、工作流与运行时能力逐步叠加到日常 Codex 会话之上。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
33
18
docsdocs
暂无描述
Markdown
899
5.83 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.14 K
2.76 K
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
860
1.35 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
925
1.85 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.84 K
1.02 K
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
533
601
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.37 K
1.46 K
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
548
395
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
1.04 K
525