gpt 5.3 codex注意事项:真正影响结果的几处默认设置

成本与用量

从上下文裁剪、任务拆分、额度口径三个角度,讲清用 gpt 5.3 codex 写代码时哪些设置会悄悄改变结果和开销,给判断标准和排查顺序。

第一次把 codex 接到项目里,最容易出问题的不是模型本身,而是几个没人提醒的默认项:仓库塞多深、任务拆多细、重试几次。跑出来的结果时好时坏,账单也对不上。这篇按「先看结果、再核开销」的顺序,把该调的几处和判断标准列出来,遇到不对照着排查就行。

第一次把 codex 接到项目里,最容易出问题的不是模型本身,而是几个没人提醒的默认项:仓库塞多深、任务拆多细、重试几次。跑出来的结果时好时坏,账单也对不上,回头看往往不是模型不行,而是这几处默认值在起作用。

这篇按「先看结果、再核开销」的顺序写。前面几节管的是结果为什么飘,最后一节管的是钱花到哪去了。遇到不对,照着排查顺序走就行,不用从头读。

先管住喂进去的仓库上下文

codex 改错文件,多数情况不是它笨,是上下文里塞了太多无关文件,模型顺手抓了隔壁模块的写法。先限定目录范围再给任务,比事后跟它解释「你改错了」有用得多。

有个挺好用的判断标准:同一个任务连续跑两次,改动落到不同文件上,基本可以判定上下文太散,不是模型不稳定。这时候别急着换模型,先把喂进去的目录收窄。

  • 依赖锁文件、构建产物、压缩后的前端包先排除,这几类最占 token 又几乎不提供信息
  • 大仓库分次喂:先让它读目录结构并给出改动计划,确认计划后再放具体文件进去
  • 同一模块的文件尽量一次给全,跨模块的别混在一起,模型容易把两边的约定搅在一起
  • 判断范围是否合适,看它最后改的文件是不是都在你预期的那几个里

任务拆到「一次能改完」的粒度

一句话丢整个需求,模型会自己决定改多少。改得越多,越容易连带改坏别的逻辑,而且改坏了你还不容易发现是哪一步引入的。

合适的粒度有个简单参照:一次改动落在一个模块内、能用一个测试文件验证。超出这个范围,就该拆。跨文件重构尤其要另起一轮,别和功能开发混在同一次请求里。

  1. 先要方案不要代码让它只输出改动方案和涉及文件清单,你确认后再执行。这一步能挡掉大半返工。
  2. 按模块切分把需求按模块拆成若干轮,每轮结束后跑一次对应测试,确认没波及别处。
  3. 重构单独起一轮结构改动和功能改动分开提交,出问题时回滚范围小,也方便对比前后行为。

重试和自动循环:省钱还是烧钱就在这

报错自动重试这个开关,默认开着很省心,但每一次重试都是重新计费的。先看失败原因再决定重不重发,别让它无限重试下去。

还有一种情况更常见:连续几轮都改不对。这通常不是轮次不够,是上下文或任务描述本身有问题,继续加轮次只会放大开销,问题还在原地。

现象更可能的原因先做什么
改动反复落在同一处但总不对任务描述缺约束,没写清不能动什么把边界条件和禁止项写进任务开头
每轮都冒出新的报错上下文里混了不相关的模块收窄目录范围,重新给一次
长时间不结束、轮次一路往上缺轮次上限,失败被当成继续尝试设单次任务轮次上限,到点停
改动正确但用量明显偏高上下文过大或重复读取核对本次喂进去的文件清单

反过来说,机械式的批量改名、格式化这类确定性任务,放开重试反而省事,因为失败原因单一、结果可预期。这类不用套上面的保守策略。

跑完核一遍用量,别只信预估

同一任务两次跑出来的用量差得多,先查上下文长度,而不是先怀疑计费口径。上下文是波动最大的变量,排查顺序上它排在前面。

记账建议按任务类型分组:写新功能、改 bug、读代码三类分开看。混在一起记,只能看出总量涨了,看不出是哪一类在涨。

  • 单任务用量连续几次超过同类任务的常见量级,回头查上下文和轮次设置,而不是换模型
  • 单价和倍率别用记忆里的数字算,去站内页面看当时的数
  • 每轮任务结束后顺手记一行:任务类型、涉及文件数、轮次,比事后翻日志快
下一步当期单价、倍率和用量口径都在变,别拿旧印象做预算,去价格追踪页核对当时的数字,再回来调你的轮次上限和上下文范围。

常见问题

codex 改代码总是改错文件,是模型不行吗?

多数不是。先看这次请求里带了哪些文件,锁文件、构建产物混进去时模型很容易被带偏。改成先给目录结构、只放目标模块的源文件,再试一次;同一任务连试两轮还是落到别的文件,基本可以确定是上下文范围的问题。

自动重试开着是不是更省事?

分任务看。格式化、批量改名这类确定性任务,重试基本没副作用;需要模型判断的改动,重试等于把同样的错误再跑一遍,费用也会叠加。建议只对网络超时类错误开自动重试,逻辑报错停下来人工看。

为什么实际用量比我自己估的多?

最常见的原因是上下文里塞了没注意的大文件,另外重试和多轮对话都会累积。估之前先把一次任务的完整输入输出记下来,再按任务类型算平均,别用「大概每行代码多少 token」这种粗估。

本文依据各平台公开文档与官方公告整理,只做中文归纳;具体做法、参数与限制以官方文档为准。