oh-my-codex
Yeachan-Heo/oh-my-codex加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：凌晨两点，你正在修复一个牵一发动全身的认证模块。AI 助手虽然能生成代码，却给不出 root cause 分析；它执行了一个 plan，但你对「为什么这么做」一无所知；多文件并行修改时，AI 不知道其他文件的改动会产生什么副作用——这就是裸用 AI 编程工具的真实痛点。
oh-my-codex（OMX） 正是为了解决这个矛盾而生的。它不是替代 OpenAI Codex，而是给它加上一层「认知外骨骼」：标准工作流、多角色 Agent 协作、持久化状态管理和主动验证机制，让 Codex 从一个「听话的代码生成器」升级为一个真正的编程协作者。
OMX 的作者 Yeachan Heo 是 Claude Code 和 GitHub Copilot 的深度用户，但在长期实践中发现了一个根本性问题：这些工具缺乏「上下文记忆」和「结构化协作」能力。当任务变得复杂——涉及多模块重构、安全审计、API 设计权衡——单 Agent 的局限性就暴露无遗。
与此同时，OpenAI 于 2024 年底发布了 Codex CLI，这是一个面向开发者的命令行编程工具，支持 AGENTS.md 协议和多轮对话。OMX 敏锐地抓住了这个机会：Codex 负责执行，OMX 负责编排——在保留 OpenAI 强大模型能力的同时，引入结构化的工作流和角色体系。
项目迅速获得了社区认可，GitHub stars 在短短数月内突破 30,000，Discord 社区已有数千名活跃用户，npm 包周下载量达数万次。OMX 的设计哲学也在开发者社区引发了关于「LLM 编程工具工作流设计」的广泛讨论。
图1：oh-my-codex mascot 形象（来源：oh-my-codex.dev）
OMX 的架构可以分为三个层次，理解它们是上手的关键。
第一层：工作流编排（Workflow Orchestration）
OMX 强制引入了一套标准工作流，而不是让用户「随便问」：
$deep-interview → $ralplan → [可选 $prometheus-strict] → $ultragoal
$deep-interview 阶段让 Codex 以分析师身份深入挖掘需求细节，确认边界条件和隐含假设；$ralplan 生成包含利弊权衡的执行计划；$prometheus-strict 是高风险任务的质量门，通过面试-批评-综合的循环强化计划健壮性；$ultragoal 负责将计划转化为可执行的多目标任务，并在 .omx/ 目录下维护持久化状态。
这个工作流不是硬性限制，而是一套「默认最佳实践」。用户可以在任意阶段介入，也可以跳过某些步骤——但 OMX 始终提供了这套结构作为安全网。
第二层：角色 Agent 体系（29 个专业角色）
OMX 提供了一个包含 29 个专业角色的 Agent 目录，分为多个专业方向：
| 方向 | Agent 角色 |
|---|---|
| 构建分析 | architect、analyst、planner、debugger、build-fixer |
| 代码质量 | code-reviewer、code-simplifier、security-reviewer |
| 运维支持 | git-master、dependency-expert、devops-specialist |
| 架构设计 | information-architect、designer |
| 研究辅助 | best-practice-research、autoresearch、autoresearch-goal |
每个角色都有精心设计的 System Prompt，通过 $角色名 "任务描述" 的方式激活。例如 $architect "review the auth module" 会让 Codex 以架构师身份分析认证模块的边界、依赖关系和潜在风险，并在 .omx/plans/ 下生成结构化分析文档。
第三层：技能扩展（Skills，30+）
除了角色，OMX 还提供了 30+ 可组合的技能（Skills），涵盖代码修正、审查、研究、构建修复等常见任务。Skills 与 Agents 的区别在于：Agents 定义了「谁来做」，Skills 定义了「做什么操作」——两者可以叠加使用，例如 $code-reviewer $build-fix "fix the test failures"。
OMX 本身是一个 TypeScript monorepo，使用 npm workspaces 管理多个子包。但有趣的是，项目还包含了 Rust 组件（crates/omx-explore-harness）——这是一个编译成原生二进制文件的代码探索引擎，配合 omx-explore Agent 提供快速、准确的代码库结构感知能力。
项目的主要目录结构：
prompts/ — 29 个 Agent 的 System Prompt 定义skills/ — 30+ 可组合技能定义crates/ — Rust 原生组件（代码探索引擎）src/ — TypeScript CLI 和核心逻辑docs/ — 112 个文档文件，覆盖架构、集成、基准测试.agents/ — Codex Agent 配置文件missions/ — 14 个实战任务案例（ML 优化、CLI 可发现性、Kaggle 模型优化等）测试覆盖也相当全面：团队关键路径覆盖率要求 lines≥78%、functions≥90%、branches≥70%、statements≥78%，并有专门的 Node.js 测试套件、Rust 兼容测试和跨平台测试脚本。
OMX 的安装极其简单：
# 安装 OMX
npm install -g oh-my-codex
# 运行引导配置（自动安装 prompts、skills、AGENTS.md）
omx setup
# 验证安装
omx doctor
omx setup 会执行 7 步引导：创建 .omx/ 目录、安装 30 个 Agent Prompts、安装 40 个 Skills、更新 Codex 配置文件、生成项目级 AGENTS.md、配置通知钩子和 HUD。运行 omx doctor 可快速诊断安装状态。
安装完成后，在任意 Git 项目中运行 omx 即可启动增强版 Codex 会话。需要注意的是，OMX 官方仅推荐 macOS/Linux + Codex CLI 组合，Windows 原生支持处于次优状态。
对 Codex CLI 的强依赖：OMX 本质上是 Codex 的「壳」，如果 Codex CLI 本身出现问题，OMX 无法绕过。这意味着 OMX 的命运与 OpenAI Codex 的发展紧密绑定。
Windows 支持不足：官方明确表示「Native Windows 体验可能不一致」，Windows 用户可能需要额外配置或面临功能缺失。
Python REPL 缺失：OMX 的 Feature Coverage 文档中明确标注 Python REPL 支持为 0%，对于以 Python 为主力语言的开发者来说是个遗憾。
学习曲线：尽管文档完善，29 个 Agent 角色 + 30+ Skills 的组合需要一定的学习成本，并非开箱即用的「傻瓜式」工具。
状态管理的复杂性：.omx/ 目录下的持久化状态虽然强大，但也增加了项目复杂度——状态文件冲突、多会话并行时的状态一致性等问题需要开发者自行处理。
oh-my-codex 的出现代表了一个趋势：AI 编程工具正在从「单点功能」向「平台化工作流」演进。
传统观点认为，AI 编程工具的核心竞争力在于「模型能力」——模型越强，工具越好用。但 OMX 证明了另一条路：在模型能力相近的情况下，工作流设计和 Agent 协作模式可以成为差异化的核心竞争力。
OMX 与 Claude Code 的「oh-my-claudecode」项目（功能覆盖率已达 95%）形成了一个有趣的对照：两者都在探索「如何给 AI 编程工具加一层工作流框架」，但 OMX 选择了与 OpenAI Codex 深度绑定，oh-my-claudecode 则与 Anthropic Claude Code 绑定。这反映了 AI 编程工具生态正在走向「开放模型 + 可插拔工作流」的平台化路径。
从增长数据看，项目自发布以来持续保持活跃更新（最近更新于 2026-06-11），维护团队已扩展至 3 人（Creator + 2 Maintainers），并有 5 位 Top Collaborators 持续贡献代码。这种社区驱动的增长模式表明，OMX 已经度过了「个人项目」阶段，正在走向成熟的开源生态。