Claude Code vs Codex CLI:AI 編程助手API調(diào)用機制的深度逆向?qū)Ρ?/h1>

  發(fā)布時間：2026-07-07 11:49:33   作者：i晟   我要評論

本文逆向分析了 Claude Code與Codex CLI的二進制文件,揭示其截然不同的Agent協(xié)議設(shè)計哲學(xué),立即點擊,掌握無狀態(tài)HTTP與有狀態(tài)WebSocket的核心差異,學(xué)習(xí)如何影響token成本、推理速度和對話持久性

目錄

• 引言
• 一、物理形態(tài)：兩個二進制文件
• 二、核心差異：有狀態(tài) vs 無狀態(tài)
• 2.1 Claude Code：無狀態(tài) HTTP，每次全量發(fā)送
• 2.2 Codex CLI：有狀態(tài) WebSocket，TurnStart/TurnSteer 分離
• 三、協(xié)議對比：一次用戶交互的全流程
• Claude Code 的流程
• Codex CLI 的流程
• 可視化對比
• 四、技術(shù)細節(jié)：Codex 的 TurnSteer 是如何工作的？
• 4.1 協(xié)議定義（從二進制逆向提取）
• 4.2 服務(wù)端狀態(tài)維護
• 4.3 為什么 TurnSteer 能這么快？
• 五、設(shè)計哲學(xué)：兩種世界觀
• 5.1 為什么 Anthropic 選擇無狀態(tài) HTTP？
• 5.2 為什么 OpenAI 選擇有狀態(tài) WebSocket？
• 5.3 上下文管理策略對比
• 六、模型配置對比（從二進制中提?。?/a>
• Claude Code 的模型列表（環(huán)境變量定義）
• Codex CLI 的模型列表（嵌入 JSON）
• 七、安全與認證對比
• 八、總結(jié)
• 后記

一次對 claude.exe (225MB) 和 codex.exe (308MB) 的二進制逆向分析，揭示了兩種截然不同的 Agent 協(xié)議設(shè)計哲學(xué)。

引言

AI 編程助手已經(jīng)成為許多開發(fā)者的日常工具。當(dāng)我們在終端里輸入"幫我修復(fù)這個 bug"，敲下回車——背后到底發(fā)生了什么？每一次工具調(diào)用、每一個 "讓我先看看這個文件"，到底對應(yīng)多少次 API 請求？每次請求都要把完整的系統(tǒng)提示詞重新發(fā)送一遍嗎？

這些問題看似是"實現(xiàn)細節(jié)"，但實際上它們直接決定了推理速度、token 成本、上下文質(zhì)量，以及為什么你在一個工具里能連續(xù)對話兩小時而在另一個里半小時就開始"失憶"。

本文通過對 Claude Code（Anthropic）和 Codex CLI（OpenAI）兩個二進制文件的逆向分析，試圖回答這些問題。

一、物理形態(tài)：兩個二進制文件

維度	Claude Code	Codex CLI
文件	claude.exe	codex.exe
路徑	npm/@anthropic-ai/claude-code/bin/	npm/@openai/codex/.../bin/
大小	225 MB	308 MB
類型	PE32+ Console x86-64	PE32+ Console x86-64
節(jié)數(shù)	12	10
語言	TypeScript → Bun 編譯	Rust → MSVC 編譯
JS 引擎	Bun (JavaScriptCore)	V8 (嵌入)
配置語言	JSON/TOML	Starlark (Bazel 方言)
API 后端	api.anthropic.com	chatgpt.com/backend-api/codex
API 協(xié)議	Anthropic Messages API (HTTP)	OpenAI Responses API (WebSocket)

兩者的共同點是都把自己編譯成了獨立可執(zhí)行文件——不是 Node.js wrapper，不是 Python 腳本，而是包含了完整運行時環(huán)境的原生二進制。這意味著你不需要安裝 Node、Python 或任何運行時依賴，下載即用。

但它們的共同點到此為止。在 API 調(diào)用機制上，兩者做出了截然不同的選擇。

二、核心差異：有狀態(tài) vs 無狀態(tài)

2.1 Claude Code：無狀態(tài) HTTP，每次全量發(fā)送

Claude Code 的每次 API 調(diào)用都是一個獨立的 HTTP POST 請求：

POST https://api.anthropic.com/v1/messages
Authorization: x-api-key sk-ant-...
anthropic-version: 2023-06-01
Content-Type: application/json
?
{
  "model": "claude-fable-5",
  "system": "You are Claude... [~8000 tokens 的系統(tǒng)提示詞]",
  "messages": [
 ?  {"role": "user", "content": "幫我修復(fù)這個 bug"},
 ?  {"role": "assistant", "content": [
 ? ?  {"type": "tool_use", "name": "Grep", ...}
 ?  ]},
 ?  {"role": "user", "content": [
 ? ?  {"type": "tool_result", ...}
 ?  ]},
 ?  // ... 完整歷史 ...
  ],
  "tools": [/* ~50+ 工具定義，每個包含完整 JSON Schema */],
  "max_tokens": 32000,
  "thinking": {"type": "enabled", "budget_tokens": 16000}
}

關(guān)鍵特征：

• 每次請求都攜帶完整上下文：系統(tǒng)提示詞、工具定義、完整對話歷史——全部重新發(fā)送
• 服務(wù)端無狀態(tài)：每個請求之間沒有關(guān)聯(lián)，服務(wù)端不維護任何會話狀態(tài)
• Prompt Caching 補償：Anthropic 的服務(wù)端緩存機制將重復(fù)的系統(tǒng)提示詞成本降低約 90%

2.2 Codex CLI：有狀態(tài) WebSocket，TurnStart/TurnSteer 分離

通過對 codex.exe 二進制的逆向分析，我們發(fā)現(xiàn)它實現(xiàn)了一個精巧的 有狀態(tài)協(xié)議，核心是兩個消息類型：

TurnStartParams（20 個字段）——創(chuàng)建會話

TurnStart 請求 = {
 ?  clientUserMessageId: string, ? ? ? // 客戶端消息 ID
 ?  input: UserInput, ? ? ? ? ? ? ? ?  // 用戶輸入
 ?  responsesapiClientMetadata: {...}, // 客戶端元數(shù)據(jù) (版本/OS/終端類型)
 ?  additionalContext: [...], ? ? ? ?  // Skills, Memory, Git status...
 ?  environments: {...}, ? ? ? ? ? ? ? // 環(huán)境變量
 ?  runtimeWorkspaceRoots: [...], ? ?  // 工作區(qū)根目錄
 ?  approvalPolicy: string, ? ? ? ? ?  // on-request | never | always
 ?  approvalsReviewer: string, ? ? ? ? // 審核者設(shè)置
 ?  sandboxPolicy: string, ? ? ? ? ? ? // readonly | workspace-write | ...
 ?  serviceTier: string, ? ? ? ? ? ? ? // Free | Plus | Pro | Team | Enterprise
 ?  effort: string, ? ? ? ? ? ? ? ? ?  // low | medium | high | xhigh
 ?  outputSchema: {...}, ? ? ? ? ? ? ? // 輸出格式約束
 ?  collaborationMode: string, ? ? ? ? // primary | review | ...
 ?  multiAgentMode: string, ? ? ? ? ?  // disabled | proactive | ultra
 ? ?
 ?  // 系統(tǒng)提示詞和工具定義也在此發(fā)送！
 ?  system_prompt: "...",
 ?  tools: [...]
}

TurnSteerParams（6 個字段）——增量追加

TurnSteer 請求 = {
 ?  expectedTurnId: string, ? //  服務(wù)端狀態(tài)索引
 ?  // 只發(fā)送工具調(diào)用的結(jié)果，不重復(fù)系統(tǒng)提示詞和工具定義！
 ?  tool_results: [...]
}

關(guān)鍵特征：

• TurnStart 全量，TurnSteer 增量：一個 turn 內(nèi)只有第一次發(fā)送完整上下文
• expectedTurnId 作為狀態(tài)索引：服務(wù)端通過它查找內(nèi)存中的會話狀態(tài)
• 服務(wù)端有狀態(tài)：維護 system prompt + tools + conversation history + KV cache
• 驗證機制：如果 expectedTurnId 不匹配當(dāng)前活躍 turn → 返回 400 "no active turn to steer"

三、協(xié)議對比：一次用戶交互的全流程

假設(shè)用戶輸入"幫我修復(fù) login 模塊的空指針異常"，模型需要 5 步完成（搜索 → 讀取 → 分析 → 編輯 → 總結(jié)）。

Claude Code 的流程

用戶消息 #1 (Turn 開始)
│
├─ API 請求 #1: POST /v1/messages
│  ├─ system: [8,000 tokens]
│  ├─ tools: [2,000 tokens]
│  ├─ user_msg: "幫我修復(fù)..."
│  └─ 總輸入: ~11,000 tokens
│
├─ API 請求 #2: POST /v1/messages
│  ├─ system: [8,000 tokens] ← 再次發(fā)送
│  ├─ tools: [2,000 tokens]  ← 再次發(fā)送
│  ├─ 完整歷史 + tool_result
│  └─ 總輸入: ~15,000 tokens
│
├─ API 請求 #3: POST /v1/messages
│  ├─ system: [8,000 tokens] ← 再次發(fā)送
│  ├─ tools: [2,000 tokens]  ← 再次發(fā)送
│  ├─ 完整歷史 + tool_result
│  └─ 總輸入: ~18,000 tokens
│
├─ API 請求 #4: ... (繼續(xù)累積)
│
└─ API 請求 #5: ...
   └─ 總輸入: ~25,000 tokens
?
   累計 input tokens: 
   原始 ≈ 11K + 15K + 18K + 21K + 25K = 90,000 tokens
   考慮 Prompt Caching (system+tools 緩存后降價 90%):
   實際 ≈ 11K + 6K + 9K + 12K + 16K = 54,000 tokens

Codex CLI 的流程

用戶消息 #1 (Turn 開始)
│
├─ TurnStart (WebSocket msg #1)
│  ├─ system_prompt: [3,000 tokens]
│  ├─ tools: [5,000 tokens]
│  ├─ context: [2,000 tokens]
│  └─ 總輸入: ~10,000 tokens (截斷限制)
│
├─ TurnSteer (WebSocket msg #2)
│  ├─ 只發(fā)增量: tool_result + next_prompt
│  ├─ 不重復(fù) system_prompt 
│  ├─ 不重復(fù) tools 
│  └─ 總增量: ~2,000 tokens
│
├─ TurnSteer (WebSocket msg #3)
│  └─ 增量: ~3,000 tokens
│
├─ TurnSteer (WebSocket msg #4)
│  └─ 增量: ~3,000 tokens
│
└─ TurnSteer (WebSocket msg #5)
   └─ 增量: ~2,000 tokens
?
 累計 input tokens: ~10K + 2K + 3K + 3K + 2K = 20,000 tokens

可視化對比

同一個任務(wù)（5 步完成），input tokens 消耗:
?
Claude Code (無緩存):  ████████████████████████████████████████  90,000
Claude Code (有緩存):  ████████████████████████                  54,000
Codex CLI:             ████████                                 20,000
                       ├────────────────────────────────────────┤
                       0                                    90,000 tokens

四、技術(shù)細節(jié)：Codex 的 TurnSteer 是如何工作的？

4.1 協(xié)議定義（從二進制逆向提取）

在 codex.exe 的 .rdata 段中，找到了嵌入的 TypeScript 類型定義文件：

// TurnSteerParams.ts (嵌入在 codex.exe 中的源文件)
/**
 * Required active turn id precondition.
 * The request fails when it does not match the currently active turn.
 */
expectedTurnId: string

以及錯誤處理邏輯：

"expectedTurnId must not be empty"
"no active turn to steer"

4.2 服務(wù)端狀態(tài)維護

OpenAI 的服務(wù)端維護一個 Turn Session Store，結(jié)構(gòu)大致如下：

TurnSession {
    turn_id: "turn_abc123",
    thread_id: "thread_xyz",
    // ? 以下內(nèi)容在 TurnSteer 時不再傳輸
    system_prompt: {                    // 完整的系統(tǒng)指令
        base_instructions: "...",
        personality: "friendly",
        skills: [...],
        memory_entries: [...]
    },
    tool_registry: {                    // 完整的工具注冊表
        "fs/readFile": { schema: {...} },
        "fs/writeFile": { schema: {...} },
        "command/exec": { schema: {...} },
        // ... 50+ 工具
    },
    conversation: [                     // 累積的完整對話
        {role: "user", content: "..."},
        {role: "assistant", tool_calls: [...]},
        {role: "tool", content: "..."},
        // ...
    ],
    settings: {                         // Turn 級設(shè)置快照
        approval_policy: "on-request",
        sandbox_policy: "workspace-write",
        service_tier: "plus",
        effort: "medium"
    },
    model_state: {                      // GPT-5.5 推理狀態(tài)
        kv_cache: [...],                // 已計算的 KV Cache
        position: 15432                 // 當(dāng)前 token 位置
    }
}

4.3 為什么 TurnSteer 能這么快？

關(guān)鍵是 KV Cache 復(fù)用。當(dāng) GPT-5.5 處理 TurnStart 時，它對 system prompt + tools + user message 進行了 prefill，計算結(jié)果保存在 KV cache 中。當(dāng) TurnSteer 到達時：

0. 服務(wù)端通過 expectedTurnId 找到對應(yīng)的 session
1. 將 tool_result 追加到 conversation_history
2. 直接從已有的 KV cache 繼續(xù)解碼，不需要重新 prefill

這意味著 TurnSteer 的 Time-To-First-Token (TTFT) 接近零——模型不需要重新處理系統(tǒng)提示詞和工具定義，直接產(chǎn)出下一個 token。

對比 Claude Code，每次 HTTP POST 都要完整地 prefill system prompt + tools + history，即使有 Prompt Caching 降低了計費成本，prefill 的延遲是無法跳過的。

五、設(shè)計哲學(xué)：兩種世界觀

5.1 為什么 Anthropic 選擇無狀態(tài) HTTP？

Claude Code 的設(shè)計哲學(xué):
  "可靠性 > 效率"
  "簡單 > 精巧"

優(yōu)點:
├─ 容錯性極強: 任何一個請求失敗，重試就是完整的
├─ 服務(wù)端簡單: 不需要維護 WebSocket 會話狀態(tài)
├─ 無狀態(tài)擴展: 請求可以路由到任意服務(wù)器
├─ 跨 turn 復(fù)用: Prompt Caching 可以橫跨多個請求
├─ 調(diào)試友好: 每個請求都是可獨立復(fù)現(xiàn)的
└─ 1M 上下文窗口: 有空間容納重復(fù)發(fā)送的開銷

代價:
├─ 每次請求都要發(fā)送完整 payload（網(wǎng)絡(luò)開銷）
├─ 每次請求都要 prefill（延遲）
└─ 依賴服務(wù)端緩存來降低成本（不是所有場景都生效）

5.2 為什么 OpenAI 選擇有狀態(tài) WebSocket？

Codex CLI 的設(shè)計哲學(xué):
  "效率 > 簡單"
  "精巧 > 通用"

優(yōu)點:
├─ Token 成本極低: turn 內(nèi)不重復(fù)發(fā)送上下文
├─ TTFT 極低: KV Cache 持續(xù)復(fù)用
├─ 實時性好: WebSocket 天然支持 streaming + 通知
├─ 分層設(shè)計: TurnStart/TurnSteer/TurnInterrupt 各司其職
└─ 協(xié)議級支持: turn 是一等概念，不是通過無狀態(tài)模擬

代價:
├─ 服務(wù)端復(fù)雜度高: 需要維護大量并發(fā) Turn Session
├─ 容錯性差: 斷連 = 整個 turn 丟失
├─ 不可跨 turn 復(fù)用: 每個用戶消息都是新 TurnStart
├─ 硬截斷風(fēng)險: 10K tokens 的截斷上限
└─ 調(diào)試困難: 無法獨立復(fù)現(xiàn)單個 TurnSteer

5.3 上下文管理策略對比

策略	Claude Code	Codex CLI
窗口大小	最高 1M tokens	272K tokens
截斷方式	Auto-compact 自動摘要	10K tokens 硬截斷
長對話管理	漸進壓縮 → 摘要	激進截斷 → 丟失
跨 turn 記憶	Memory 文件系統(tǒng)	Memory 系統(tǒng) (類似)
子 Agent	獨立上下文窗口	共享 session

這解釋了為什么很多用戶感覺 Claude Code 在長對話中更"持久"——不是因為它不丟上下文，而是因為 1M 的窗口太大，在達到極限之前 Auto-compact 已經(jīng)幫你摘要了。而 Codex 的 10K 硬截斷意味著，如果你的對話 + system prompt + tools 超過了這個閾值，早期內(nèi)容會被直接丟棄。

六、模型配置對比（從二進制中提?。?/h2>

Claude Code 的模型列表（環(huán)境變量定義）

ANTHROPIC_DEFAULT_FABLE_MODEL     → claude-fable-5
ANTHROPIC_DEFAULT_OPUS_MODEL      → claude-opus-4-8
ANTHROPIC_DEFAULT_SONNET_MODEL    → claude-sonnet-4-6
ANTHROPIC_DEFAULT_HAIKU_MODEL     → claude-haiku-4-5
ANTHROPIC_SMALL_FAST_MODEL        → (備選快速模型)

Opus 4.8 配置：1M context window, 支持 extended thinking Fable 5 配置：Mythos-class tier, 共享底層模型

Codex CLI 的模型列表（嵌入 JSON）

{
  "slug": "gpt-5.5",
  "display_name": "GPT-5.5",
  "description": "Frontier model for complex coding, research, and real-world work.",
  "context_window": 272000,
  "max_context_window": 272000,
  "auto_compact_token_limit": null,
  "truncation_policy": { "mode": "tokens", "limit": 10000 },
  "default_reasoning_level": "medium",
  "supports_parallel_tool_calls": true
}

GPT-5.4：同樣 272K 窗口，但 max_context_window: 1,000,000（預(yù)留擴展） GPT-5.4-Mini：小型快速模型 GPT-5.3-Codex：編程優(yōu)化模型（前代） GPT-5.2：長運行 Agent 優(yōu)化

七、安全與認證對比

維度	Claude Code	Codex CLI
認證方式	API Key / OAuth / AWS Bedrock / GCP Vertex / Foundry	ChatGPT OAuth / API Key / AWS Bedrock
沙箱策略	readonly / workspace-write / danger-full-access / linux-seccomp	readonly / workspace-write / danger-full-access / windows-sandbox
審批機制	never / on-request / always + Reviewer Agent	never / on-request / always + Guardian Agent
遙測端點	api.anthropic.com	ab.chatgpt.com/otlp/v1/metrics + Sentry
聯(lián)邦認證	OIDC Federation + WIF	JWT Agent Identity

兩者在安全模型上高度相似——都有沙箱分層、審批門控、代碼審查 Agent，這是這個品類的基本安全基線。差異主要在于實現(xiàn)細節(jié)：Claude Code 支持更多企業(yè)認證方式（Vertex AI、Foundry），Codex 的 Windows 沙箱集成更深。

八、總結(jié)

問題	Claude Code 的答案	Codex CLI 的答案
每次 API 調(diào)用都發(fā)系統(tǒng)提示詞嗎？	是。但 Prompt Caching 將成本降到 10%	不。TurnStart 發(fā)一次，TurnSteer 不發(fā)
一個用戶消息調(diào)用多少次 API？	N 次（每個 tool round-trip 一次 HTTP POST）	1 次 TurnStart + (N-1) 次 TurnSteer
誰能用更少的 token 完成同樣任務(wù)？	~54,000（有緩存時）	~20,000（無緩存也低）
誰的首字延遲更低？	每次都要 prefill	TurnSteer 時 KV Cache 直接續(xù)，接近零延遲
誰的長對話體驗更好？	1M 窗口 + auto-compact	272K 窗口 + 10K 硬截斷
誰的架構(gòu)更簡單？	無狀態(tài) HTTP，水平擴展友好	有狀態(tài) WebSocket，運維復(fù)雜度高
誰更容易調(diào)試？	每個請求是獨立的、可復(fù)現(xiàn)的	依賴會話狀態(tài)，復(fù)現(xiàn)需要模擬整個序列

后記

差異在于它們在同一個根本問題上做出了相反的選擇：上下文狀態(tài)應(yīng)該由客戶端管理還是服務(wù)端管理？

Anthropic 的回答是："客戶端負責(zé)每次把完整上下文發(fā)給我，我用緩存幫你省錢。" OpenAI 的回答是："你第一次發(fā)完整上下文，后面只發(fā)增量，我?guī)湍阍诜?wù)端記著。"

兩種方案經(jīng)過各自優(yōu)化后的總成本和體驗差距并沒有看起來那么大——真正的差異在于生態(tài)位。Claude Code 靠 1M 窗口 + Prompt Caching 在"持久對話"這個場景里占優(yōu)，Codex CLI 靠 KV Cache 復(fù)用在"快速迭代"的場景里更敏捷。

最終用戶感受到的差異，往往不是協(xié)議層的選擇導(dǎo)致的，而是上下文管理策略——你是愿意用大窗口容納全量歷史，還是用小窗口 做激進截斷。在這個意義上，協(xié)議設(shè)計反映的其實是產(chǎn)品理念：你要的是一個能陪你聊一下午的編程搭檔，還是一個快速高效完成當(dāng)前任務(wù)的工具。

以上就是Claude Code vs Codex CLI:AI 編程助手API調(diào)用機制的深度逆向?qū)Ρ鹊脑敿殐?nèi)容，更多關(guān)于Claude Code與Codex CLI對比的資料請關(guān)注腳本之家其它相關(guān)文章！

• Tag：Codex   code   Claude  

相關(guān)文章

• 

  Codex 與 Claude Code 安裝配置實戰(zhàn)指南

  本教程詳細介紹 Codex 與 Claude Code 在 Windows、Mac、Linux 三大主流操作系統(tǒng)上的安裝與配置方法，本文給大家介紹的非常詳細，感興趣的朋友一起看看吧

  2026-06-02
• 

  Claude Code 與 Codex Harness 設(shè)計對比分析:一種加法，一種減法

  文章對比了ClaudeCode和CodexCLI的設(shè)計哲學(xué),從技術(shù)棧、主循環(huán)、工具系統(tǒng)、壓縮、權(quán)限、子agent、擴展機制、跨端、成本與可觀測性等8個維度進行了深入分析,感興趣的朋友跟隨

  2026-05-20
• 

  Cursor vs Claude Code vs Codex三款A(yù)I編程工具深度對比及實戰(zhàn)建議

  在AI編程工具快速發(fā)展的2025年，Claude Code和Codex展現(xiàn)出差異化優(yōu)勢,下面這篇文章主要介紹了Cursor vs Claude Code vs Codex三款A(yù)I編程工具深度對比及實戰(zhàn)建議的相關(guān)資料,

  2026-04-20

最新評論