Codex想动嘴，ChatGPT想动脑：这条GitHub项目把两者焊在了一起
一周涨918颗星的TypeScript项目，把ChatGPT当规划大脑、把Codex当执行手脚，还顺手接上MCP与OAuth。作者实测把这条路线拉清楚：能跑、好用，但别把它想成万能Agent。
适合：需要让ChatGPT规划、再由本机Codex CLI执行命令和改文件的开发者。
先说结论
这是一个聪明的“分工”项目。ChatGPT负责拆解、规划、调用MCP工具；Codex CLI负责在本机执行命令、读写文件、跑测试。两侧各干各的擅长事，最后用一条命令串起来。一周918颗星不算虚火，说明很多人正卡在“模型会聊天、却落不到自己电脑上”这个坎。
真正的问题
很多人装好Codex CLI后都会遇到同一种无力感：让它写个脚本，它能写；但让它先看看仓库结构、跑一遍测试再决定改哪里，它就抓瞎。让ChatGPT直接操作本机又不行，权限和审计都过不去。于是大家开始折腾：要么把整段提示词塞进Codex，要么手动把ChatGPT输出复制粘贴到终端。两头都累。
这个项目的解法很直白：让ChatGPT继续当“将军”在云端做决策，让Codex CLI当“工兵”在本机动手。需要联网查资料、调外部API，就交给ChatGPT那一侧；需要改文件、跑命令、看结果，就丢给Codex。两边通过MCP协议连起来，OAuth负责授权，链路是可审计的。
怎么做更省力
先把环境搭起来，再谈玩法。
- 装好Codex CLI，登录你自己的ChatGPT账号，拿到能在本机调用的命令。
- 克隆本项目，安装依赖，按README把MCP服务起起来，确认OAuth回调通。
- 在项目里写一个任务描述，例：“帮我看看这个仓库的测试为什么挂了，先复现再修”。
- 看ChatGPT那边输出的计划，再看Codex那边执行的实际命令和结果。
这里有个关键判断：这条路线最适合“中等复杂度、需要本机状态”的任务。纯问知识、纯生成文档，用ChatGPT就够了；纯本地重构、不需要外部工具，Codex单独跑也够用。一旦任务要“看外面再改里面”，这套组合才显出价值。
如果你的产出还要发到公众号，可以把这次跑通的总结丢进公众号AI排版编辑器里精排一下，省得自己调字号。
哪些坑要避开
第一，授权范围别一上来就拉满。OAuth给的权限越大，ChatGPT能调的工具越多，出问题时的回滚成本也越高。建议先用只读权限跑通流程，再按需放开。
第二，“ChatGPT想清楚了”不等于“Codex能做对”。云端规划再漂亮，本机环境缺包、版本不对、权限不够，照样翻车。计划里每一步，Codex执行后都要看一眼真实输出，不要只看“成功”两个字。
第三，MCP工具别贪多。挂十个工具看起来很强，实际上下文会被噪声淹没。先挂一两个最常用的，跑顺了再扩。
第四，别把它当成无人值守的Agent。它现在更像一个“你盯着的自动执行器”，不是“你睡觉它干活”那种形态。重要的写操作、回滚、提交，自己还是要过一眼。
现在就能动手
今晚就能跑一遍最小验证：装好Codex CLI，拉下这个项目，按README起MCP服务，给它一个真实的小任务——比如“找出当前目录里最长的那个文件，告诉我行数”。观察三件事：ChatGPT给出的计划是否合理、Codex执行的命令是否符合预期、最终结果是否对得上。如果这三步都顺，再把任务换成你工作里真实卡住的那个。918颗星的项目，值得你花半小时亲手验一次。