Claude Code vs.\ Codex: The Definitive Guide
| 字段 | 内容 |
|---|---|
| 作者/整理 | 基于公开课程资料整理 |
| 来源 | samhesam (Hesamation) |
| 日期 | 2026-03-10 |
引言
本文是对 X 平台用户 Hesamation 所撰写的长文 Claude Code vs.\ Codex: The Definitive Guide 的中文整理。作者在使用 Claude Code 数月后转向 Codex，又重新切换回 Claude Code，从模型能力、使用体验、生态系统、定价策略等多个维度对两款 AI 编程代理进行了全面对比，并通过一个 RAG Pipeline 实验提供了定量参考。
背景：两款编程代理
Claude Code 是 Anthropic 推出的 AI 编程代理，底层模型为 Opus 4.6，支持 1M token 上下文窗口。Codex 是 OpenAI 推出的编程代理，底层模型为 GPT-5.3-Codex。两者均提供 CLI 工具和 VS Code 扩展，订阅价格从 $20/月到 $200/月不等。
底层模型对比：Opus 4.6 vs.\ GPT-5.3-Codex
Task-Completion Time Horizon
衡量模型能力的一个重要指标是 Task-Completion Time Horizon（任务完成时间跨度）：给模型一个"人类专家需要 \(T\) 小时完成"的任务，模型能以多大概率成功完成？
核心对比：任务完成能力差距显著
- Opus 4.6：在 50% 成功率下，可处理长达 12 小时的任务
- GPT-5.3-Codex：在 50% 成功率下，可处理长达 5 小时 50 分钟的任务
- 在 80% 成功率下，两者差距明显缩小
这表明 Opus 4.6 在处理复杂、长周期任务时具有明显优势。
Token 经济性
基准测试显示两者准确率接近，但 token 消耗差异巨大。Morph 的对比研究发现：
| 指标 | Claude Code | Codex |
|---|---|---|
| 相同任务 token 倍率 | 3.2–4.2\(×\) | 1\(×\)（基准） |
| Figma 插件构建 | 6.2M tokens | 1.5M tokens |
Token 消耗的实际影响
在相同订阅价格下，Claude Code 用户更可能触及 token 用量上限。如果你的工作流涉及大量代码生成，需要特别关注这一点。
本章小结
Opus 4.6 在长任务上的可靠性显著高于 GPT-5.3-Codex，但 Claude Code 的 token 消耗远高于 Codex。选择时需要在"任务处理深度"和"token 效率"之间权衡。
速度与任务适配性
速度不是决定性因素
Claude Code 公认速度更快，但作者指出：如果一个代理快速完成任务却留下需要 10 分钟调试的 bug，另一个虽慢却直接交付可用结果，后者的额外时间完全值得。
速度陷阱
不要被"我的代理更快"这类说法误导。编程代理是长期使用的工具，端到端的完成质量比单次任务的执行速度更重要。
任务类型决定胜负
两款代理在不同编程领域的表现差异很大：
- 在 AI Engineering 任务中，一方可能占优
- 在 Web 开发任务中，另一方可能反超
- 低级编程（low-level programming）领域尚无定论
目前缺乏系统性的跨任务对比研究，且由于模型和代理每隔几个月就会大幅更新，这类研究也很难长期有效。
本章小结
速度优势不等于体验优势，任务类型对两款代理的表现影响极大。理想做法是在自己的实际编程领域中小规模测试两者。
产品起源与技术栈
发展历程
| 时间节点 | Claude Code | Codex |
|---|---|---|
| 起源 | Anthropic 内部 @bcherny 的 side project，终端原型可调用 Claude API、读取文件、执行 bash 命令 | 最初的 Codex 是 12B GPT-3 微调模型，驱动了初代 GitHub Copilot |
| 公开发布 | 2025-02-24，Research Preview，使用 Claude 3.7 Sonnet | 2025-04-16，Codex CLI 发布 |
| 最新版本 | Opus 4.6（1M token 上下文） | GPT-5.3-Codex（2026-02-05），OpenAI 称其为"第一个参与了自身创建的模型" |
内部采用速度
Claude Code 原型在 Anthropic 内部发布后，第五天就有一半团队在使用。这种自发的内部采用往往是产品 product-market fit 的强信号。
技术栈对比
| 维度 | Claude Code | Codex CLI |
|---|---|---|
| 编程语言 | TypeScript | Rust |
| UI 框架 | React + Ink（终端 UI） | Ratatui（Rust TUI 库） |
| 分发方式 | 单个 Bun 可执行文件 | 原生二进制 |
| 上下文窗口 | 1M tokens | – |
作者注意到 Claude Code CLI 偶有小 glitch，但不影响实际编码体验。两者本质上都是围绕底层模型 API 的轻量包装（thin wrapper）。
Anthropic 收购 Bun
Anthropic 于 2025 年 12 月收购了 JavaScript 运行时 Bun，Claude Code 因此可以打包为单个 Bun 可执行文件分发，简化了安装流程。
本章小结
Claude Code 源于内部工具的自然生长，技术栈偏向 TypeScript 生态；Codex CLI 选择了 Rust 以追求性能和可移植性。两者都是模型 API 的轻量封装，产品差异更多体现在模型能力和交互设计上。
使用体验：“高级开发者” vs.\ “外包承包商”
交互风格差异
开发者社区对两者的体验有一个经典比喻：
体验差异的核心比喻
Claude Code 像一个在你身边工作的高级开发者——会提问、展示推理过程、解释方案。\[0.3em] Codex 像一个你外包任务后等待交付的承包商——首次尝试准确率高，但交互感较弱。
具体表现在：
- Claude Code 具有强交互感和深度推理，主动提问并解释思路
- Codex 以首次尝试准确率（first-attempt accuracy）著称，但速度稍慢
- Claude Code 会主动测试代码、修复环境问题
- Codex 倾向于完成实现后让用户自行安装依赖和运行
体验差异会被 AGENTS.md 削弱
如果你在 AGENTS.md 中明确指定了工作流程（如"实现前先与我确认方案"），两款代理的行为差异会显著缩小。不要过度依赖社交媒体上对差异的夸大描述。
市场数据
| 指标 | Claude Code | Codex |
|---|---|---|
| VS Code 安装量 | 6.1M | 5.4M |
| VS Code 评分 | 4/5 | 3.5/5 |
| GitHub Stars | 65–72K | \(≈\)64K |
本章小结
Claude Code 的交互感更强，Codex 在直接任务上的首次准确率更高。但通过 AGENTS.md 等配置文件可以大幅拉近两者的行为差异。市场数据显示 Claude Code 在安装量和评分上略占优势。
RAG Pipeline 实验对比
实验设计
作者设计了一个定量可评估的任务——构建一个针对学术论文的 RAG（Retrieval-Augmented Generation）问答 Pipeline：
- 从 Hugging Face 每日论文中取 5 篇论文
- 构建包含 100 个问题和标准答案的测试集
- 给两个代理相同的 prompt，要求构建完整 RAG Pipeline
给两个代理的统一要求：
- Python 实现，使用
PyMuPDF处理 PDF - 自选分块策略（chunking strategy）
- 自选向量索引方案
- 使用
llama-3.1-8b-instant生成答案 - 证据不足时返回 fallback 响应，不得幻觉
两个代理均使用最高配模型（Opus 4.6 / GPT-5.3-Codex），High effort 推理强度，无 AGENTS.md。
实现方案对比
| 维度 | Claude Code | Codex |
|---|---|---|
| Embedding 模型 | all-MiniLM-L6-v2 | all-MiniLM-L6-v2 |
| Top-K | \(k=5\) | \(k=5\) |
| 向量存储 | ChromaDB | FAISS（更底层、内存效率更高） |
| 分块策略 | 递归字符分割： n n \(→\) n \(→\) . \(→\) 空格；1000 字符/200 字符重叠 | 句子级词分割，每块 220 词/40 词重叠 |
| 检索度量 | 原始 L2 距离 | 内积（cosine）分数 |
| 置信度机制 | 单阈值（L2 \(> 1.2\) 视为不相关）+ 平均距离检查 | 多标准三级机制：strong / moderate / insufficient |
| 代码架构 | 扁平函数式，模块级常量 | OOP Pipeline 类，集中配置，dataclass，argparse CLI |
工程质量观察
Codex 的实现在代码架构上明显更优：面向对象设计、集中配置管理、类型标注（dataclass）、CLI 参数解析。在大型或正式项目中，这种工程化差异非常关键。
行为差异
- Claude Code：自动端到端测试脚本，确保 Pipeline 开箱即用。首次运行无错误。
- Codex：完成实现后要求用户手动
pip install并运行脚本。首次运行报错，经修复后正常。 - Codex 解释计划时更加详尽（verbose），Claude Code 更倾向于直接写代码执行命令。
- Codex 首个 token 的响应延迟可达 1 分钟，Claude Code 明显更快。
评测结果
使用 GPT-5.4 作为 LLM-as-a-Judge，在 Correctness、Completeness、Relevance、Conciseness 四个维度评估：
| 结果 | Claude Code 胜出 | Codex 胜出 | 平局 |
|---|---|---|---|
| 题数 | 42 | 33 | 25 |
Claude Code 胜出的关键因素
Claude Code 胜出主要归因于：（1）更宽松的置信度阈值，避免了过多 fallback 响应；（2）稍高的生成温度（0.2 vs.\ Codex 的 0.1），增加了回答的丰富度。
实验局限性
这是一个简单的单次实验。在专业场景中，分块策略、向量数据库、检索方案等架构决策应由开发者主导，而非完全交给 AI。此实验更适合作为观察两款代理"默认行为"的参考，而非最终结论。
本章小结
在 RAG Pipeline 任务中，两款代理选择了相似的基础方案但在关键细节上各有侧重。Claude Code 在端到端交付和最终评测上略优，Codex 在代码工程质量上更胜一筹。
生态系统与定价
Anthropic 生态的吸引力
作者认为选择编程代理不仅是选工具，更是选生态：
- Anthropic 生态：Claude Chat + Claude Code + Claude Cowork，形成类似 Apple 的闭环体验。Anthropic 还在逐步构建 OpenClaw（主动式个人代理）的安全版本。
- OpenAI 生态：除 Codex 外，其他产品对作者吸引力不大。ChatGPT 在 UI、对话风格和模型选择上已落后于 Claude Chat。
定价方案对比
| 层级 | Claude Code | Codex |
|---|---|---|
| 入门版 | $20/月 | $20/月 |
| 中间版（Max 5x） | $100/月 | — |
| 重度使用版 | $200/月 | $200/月 |
Claude Code 的定价优势
Claude Code 提供了 $100/月 的中间层级（Max 5x），对大多数开发者来说已经足够。这避免了从 $20 直接跳到 $200 的尴尬，使其实际使用成本更低。
Skills 与 Plugins 生态
- Skills 在两个平台间兼容，体验一致
- Codex 的 plugin 支持推出较晚，可用插件较少
- 社区内容（Reddit、X、博客）以 Claude Code 为主，反映其更大的社区规模
- 作者认为大多数开发者并不使用 plugins，这不应成为决策的关键因素
本章小结
Anthropic 正在构建一个紧密整合的产品生态，对于已经使用 Claude Chat 的用户吸引力尤其大。Claude Code 的三级定价比 Codex 的两级定价更灵活。Skills 生态基本通用，plugins 差异不大。
总结与延伸
作者的最终选择
作者选择回归 Claude Code 的两个核心原因：
- 生态系统：Anthropic 的 Claude Chat + Code + Cowork 整合体验优于 OpenAI
- 定价灵活性：$100/月的中间层级更经济实用
关键结论
如何选择编程代理
- 两者都不是"错误的选择"——模型能力接近，都能完成日常编程任务
- 任务类型比 benchmark 更能决定哪个更适合你
- 最可靠的方法：用 $20/月版本在自己的实际编程领域上测试可量化的任务
- AI 工具格局每隔几个月剧变一次，不要把当前选择视为永久决定
全文核心对比总览
| 维度 | Claude Code | Codex |
|---|---|---|
| 底层模型 | Opus 4.6 | GPT-5.3-Codex |
| 长任务可靠性（50%） | 12 小时 | 5 小时 50 分 |
| Token 效率 | 较低（3–4\(×\)） | 较高（基准） |
| 执行速度 | 更快 | 较慢 |
| 交互风格 | 主动交互、解释推理 | 任务导向、详述计划 |
| 端到端交付 | 自动测试、开箱即用 | 需用户手动验证 |
| 代码架构质量 | 扁平函数式 | OOP、工程化更强 |
| 生态整合 | Chat + Code + Cowork | 相对分散 |
| 中间定价 | $100/月 | 无 |
| VS Code 评分 | 4/5 | 3.5/5 |
拓展阅读
- 原文链接：Hesamation -- Claude Code vs.\ Codex: The Definitive Guide
- @GergelyOrosz 对 Claude Code 和 Codex 开发者的访谈（How Codex is Built）
- Morph 关于 Opus vs.\ Codex 的 token 经济性研究
- Task-Completion Time Horizon 基准测试