OpenAI 发布技术深度文章，详细解析 Codex CLI 的 Agent Loop 实现机制，这是理解 AI Agent 如何工作的重要参考。
Agent Loop 基本流程
- 用户输入 → 构建提示（prompt）
- 模型推理 → 生成响应或工具调用请求
- 工具执行 → 将结果追加到提示中
- 循环迭代 → 直到模型返回最终消息
每次对话轮次（turn）可能包含多次推理-工具调用迭代，对话历史会累积到后续请求的提示中。
提示构建细节
Codex 通过 Responses API 发送请求，JSON payload 包含三个关键字段：
- instructions：系统/开发者消息
- tools：可用工具列表（Codex 内置 + MCP 服务器提供）
- input：文本/图片/文件输入列表
初始提示的 input 包含（按优先级）：
role=developer消息：沙箱规则说明role=developer消息：用户配置的 developer_instructionsrole=user消息：聚合的用户指令（AGENTS.md、技能元数据等）- 用户的实际消息
性能优化：提示缓存
由于对话历史不断增长，请求的 JSON 大小呈二次增长。但通过提示缓存，实际采样成本是线性的：
- 缓存仅对提示的精确前缀匹配有效
- 静态内容（指令、工具定义）放在前面，动态内容放在后面
- 配置变更通过追加新消息而非修改旧消息来保持缓存命中
导致缓存失效的操作：
- 中途更改可用工具列表
- 切换模型
- 修改沙箱配置或审批模式
上下文窗口管理
当 token 数超过阈值时，Codex 使用 /responses/compact 端点压缩对话：
- 返回新的 input 列表，包含特殊的
type=compaction项 - 该项的
encrypted_content保留模型对原始对话的理解 - 支持零数据保留（ZDR）配置
技术亮点
- 无状态请求：不使用
previous_response_id，简化服务端实现并支持 ZDR - 开源透明：实现细节在 github.com/openai/codex 公开
- SSE 流式响应：通过 Server-Sent Events 实时返回推理结果
这是 OpenAI 技术博客系列的第一篇，后续将深入探讨 CLI 架构、工具实现和沙箱模型。