OpenAI Codex harness 是什麼？官方開源的 agent 引擎：同一個模型，分數翻 3 倍（2026）

最後更新：2026 年 8 月 21 日

同一個模型，同一套題目。先考 13.3 分，再考 38.3 分。中間沒換模型，沒重新訓練。只改了兩個設定。

一句話結論：Codex harness 是 OpenAI 開源的 agent 執行引擎，負責管記憶、叫工具、要你批准、把工作接下去。它決定同一個模型能發揮多少：官方實測在 ARC-AGI-3 上把分數從 13.3% 拉到 38.3%，輸出 token 少 6 倍。

2026 年 8 月 19 日，OpenAI 開發者部落格發了一篇叫〈Codex as a platform〉的文章。標題直白，內容其實是一次定位轉向：Codex 不再只被當成「寫 code 的助理」，而是被當成一個任何軟體都能嵌進去的 agent 引擎。

這篇把這件事拆給不寫程式的人看：harness 到底是什麼、為什麼它能讓同一個模型差三倍、OpenAI 開源了哪部分（又刻意留住哪部分），還有已經有人拿它做了什麼非程式的工作。

Codex harness 是什麼？

Codex harness 是包在模型外面那層執行系統。模型只負責「想」，harness 負責其他全部：把任務講清楚、把上下文留住、把工具遞過去、在危險動作前停下來問你、然後把結果接回系統。

用一個比喻：模型是廚師，harness 是整個廚房。同一個廚師，在有冰箱、有備料檯、有出餐窗口的廚房，跟在只有一塊砧板的角落，做出來的東西不會一樣。

誰負責什麼	模型	harness
推理、生成答案	✅	—
記住前幾輪講過什麼	—	✅
決定能碰哪些檔案 / 工具	—	✅
危險動作前要人批准	—	✅
對話太長時壓縮上下文	—	✅
把結果寫回你的系統	—	✅

你平常用的 Codex App、CLI、IDE 外掛，底下跑的都是同一套 harness。OpenAI 這次要講的是：這層東西是開源的，你可以直接拿去包自己的產品，不用重寫一個。

為什麼同一個模型，分數會差三倍？

因為 harness 決定模型「記得多少」。這不是推論，OpenAI 在 2026 年 7 月 29 日的一篇技術文裡把數字攤開了。

事情起於 ARC-AGI-3，一個讓 AI 玩陌生 2D 益智遊戲、看它能不能自己摸清規則的評測。GPT-5.6 Sol 在上面分數低得反常。OpenAI 去翻紀錄，發現問題出在評測用的那套通用 harness 有兩個設定：

1. 每走一步就把模型的私有推理丟掉。模型看得到自己上一步做了什麼，卻看不到當時「為什麼這樣做」。等於每一步都重新認識這個遊戲一次。
2. 上下文滿了就從最舊的開始砍。歷史一長，早期的觀察直接消失，連做過什麼都忘了。

OpenAI 換成自己產品在用的兩個設定，保留推理（retained reasoning）加上上下文壓縮（compaction），重跑同一套題。

設定	ARC-AGI-3 公開題組分數	輸出 token
官方通用 harness	13.3%	基準
保留推理 ＋ 壓縮	38.3%	少約 6 倍
（人類測試者估計平均）	約 48%	—

分數約三倍，成本反而降。這裡有兩件事值得記住。

第一，38.3% 仍然輸給人類的 48%。這不是「AI 超車」的故事，是「量測工具本身會影響量測結果」的故事。OpenAI 自己在結論寫得很坦白：評測很少只在量模型，它同時在量一堆看不見的設定選擇。

第二，這個發現對你有直接用處。下次看到「某模型在某榜單只拿幾分」，先問一句：那套 harness 有沒有讓它記住自己想過什麼。榜單分數低，有時候是廚房的問題，不是廚師的問題。

ARC 用通用 harness 是有道理的：不給工具、不給特殊功能，模型的短處才藏不住，比較才公平。商業開發者則相反，會照每個模型的脾氣去調 harness。兩邊都沒錯，只是量的東西不一樣。

OpenAI 到底開源了什麼？沒開源什麼？

開源的是外殼，不是腦。這句要講清楚，因為網路上很多人把它寫成「OpenAI 開源了 Codex」，那是錯的。

項目	開源？	說明
Codex CLI	✅ 是	命令列介面
Codex app-server	✅ 是	讓應用程式接進來的協定層
官方 Codex SDK	✅ 是	程式化呼叫介面
模型本身（GPT-5.6 等）	❌ 否	要透過 API，照用量付費
託管服務（雲端執行等）	❌ 否	OpenAI 自己營運

OpenAI 官方原話是：開源的那層是 harness 和整合面，模型存取與託管服務維持分開。翻成白話：引擎室的圖紙給你，燃料還是要跟他們買。

這個切法對誰有利？對想把 agent 塞進自家產品、又不想被介面綁死的團隊有利。你可以檢查這層在做什麼、改它、審它，不必接受「所有互動都塞進一個聊天框」的預設。對 OpenAI 也有利：越多產品用它的 harness，越多 token 從它的 API 走。

三個整合層，你該用哪一個？

OpenAI 給了三條路，差別在「要不要留住對話」跟「agent 是不是產品的一部分」。

整合層	適合	對話狀態	典型場景
codex exec	跑完就算的任務	不保留	排程腳本、CI 檢查、每日報表
Codex SDK	自己程式裡呼叫	可續接	後端服務、自動化流程
Codex app-server	agent 就是產品本體	長期保持	儀表板內嵌助理、需要批准關卡的系統

有人真的拿它做非程式的工作嗎？

有，而且是報稅。這是目前公開資料裡細節最完整的一個案例，但時間要先講清楚。這件事 OpenAI 是在 2026 年 5 月 27 日公布的，不是最近才發生。8 月那篇平台文只是把它拿回來當例子引用。

案子由 Thrive Holdings 和 OpenAI 的工程師合作了半年，服務對象是 Crete 旗下 30 多家會計師事務所。

項目	官方數字
試點處理報稅表	7,000 份（主要是 1040、1041）
準備時間	省下約三分之一
草稿準確率	最高達 97%
處理量	提升約 50%
原本人工作業	中大型複雜案件，光資料輸入每份約 8 小時

更值得看的是準確率怎麼爬上去的。剛上線時，只有四分之一的報稅表能做到 75% 欄位正確；六週後，86% 都達標。中間沒有換模型。做法是把會計師每一次的手動修正變成結構化證據，再讓 Codex 拿這些證據去跑評測、改程式、送出待審的修改。

官方文章結尾有一段個案：一位資深會計師去年花 180 小時做報稅，今年只花 15 小時。省下的時間她拿去打電話給每一個客戶、逐份講解，還接了新客戶。

這是個案，不是平均值。官方給的平均是「省約三分之一準備時間」。看到 180 變 15 就換算成「AI 省你 92% 工時」，是自己給自己畫大餅。

其他公開案例還有：GitHub 和 JetBrains 把 Codex 接進 IDE 工作流；Cisco 在 Cloud Control 的 App Builder 裡用 Codex SDK。OpenAI 也點名了支援、營運、資安、業務、行銷這些方向，但那部分目前是「同一套模式適用」的說法，還沒有像報稅這樣的公開數字。

這篇最容易被寫錯的四件事

這題材在中文圈已經開始傳走樣，先把界線標出來：

• 「OpenAI 開源了 Codex」：開源的是 harness、CLI、SDK、app-server，模型和託管服務沒有。
• 「報稅業已被 AI 取代」：那是一個試點，7,000 份，範圍在 1040 和 1041，而且會計師仍然要複核、要簽字。官方明講：工程師負責架構與出貨，會計師負責把關。
• 「成本降三分之一」：省的是準備時間，不是成本，也不是人力編制。
• 「Codex 在 benchmark 贏了人類」：38.3% 對人類約 48%，還輸。翻三倍的是它自己的前後對比。

不用 Codex 還有什麼選擇？

harness 這層現在是兵家必爭，Codex 不是唯一解。

方案	特點	什麼時候選它
Codex harness	官方開源、三層整合齊全、綁 OpenAI 模型	已經在用 OpenAI API，要嵌進產品
自建 harness	完全掌控，但記憶、批准、壓縮全部自己寫	需求很特殊，或不想綁單一供應商
其他開源 harness	多半綁定各自的模型生態	你的模型不在 OpenAI 這邊

提醒一句：無論選哪個，「保留推理」和「上下文壓縮」這兩件事都要確認做了沒有。ARC-AGI-3 那組數字證明，這兩個設定的影響大過很多人以為的模型差距。

不寫程式的人，能從這裡拿到什麼？

報稅案例真正的重點不是報稅，是它示範了一種可複製的結構。拆開來看只有三步：

1. 找一個「每次都差不多、但每次都要重做」的流程。報稅的資料輸入就是這種。你手上可能是每月對帳、整理客戶資料、把報價填進固定表格。
2. 讓每一次修正都留下痕跡。這是整個案子最關鍵的一步。重點不在讓 AI 一次做對，而在讓它每次做錯都被記下來，變成下次的教材。
3. 把重複出現的錯誤變成明確的改進目標。偶爾出錯不用管，同一個地方錯三次才值得動手。

這三步不需要你會寫程式，需要的是你說得出自己的流程哪裡最花時間、哪裡最常出錯。能把流程講清楚的人，在這一輪比會打字的人值錢。

從變現角度看，這裡有一條很實際的縫：多數中小企業有一堆「每次都差不多」的流程，但沒人有空把它寫下來。幫他們梳理流程、標出可自動化的環節、再接上現成的 agent 工具。這件事的門檻不在技術，在耐心。願意做的人不多，這就是空間。

新手行動清單

• ☐ 先確認你在用的 AI 工具有沒有「記住上一輪推理」，這比換模型更影響結果
• ☐ 對話一長就開新視窗？先找找有沒有上下文壓縮的設定
• ☐ 列出手上三個最重複的流程，標出每個每週花幾小時
• ☐ 挑最花時間的那個，記錄一週：AI 做到哪一步、你補了什麼
• ☐ 一週後看那份記錄。重複出現三次以上的錯誤，才是值得處理的目標
• ☐ 真的要嵌進產品，用上面的選擇器決定從哪一層下手

常見問題

Codex harness 免費嗎？

harness 本身是開源的，可以免費取用和修改。但它要接 OpenAI 的模型才能跑，模型呼叫按 API 用量付費。所以「工具免費、油錢自付」。實際費率以官網為準（截至 2026 年 8 月）。

不會寫程式，能用 Codex harness 嗎？

直接接 harness 需要開發能力。但你可以用 Codex App、CLI 或 IDE 外掛，它們底下跑的就是同一套 harness，等於是已經包好的成品。這篇講的是引擎，你平常開的是車。

「保留推理」和「上下文壓縮」差在哪？

保留推理是讓模型看得到自己上一輪「為什麼這樣想」，不只是「做了什麼」。上下文壓縮是對話太長時把舊內容摘要保留，而不是從最舊的直接砍掉。前者管品質，後者管記憶不斷片。ARC-AGI-3 的三倍差距，是兩個一起開出來的。

Codex 真的能取代會計師嗎？

就公開資料看，不能。試點裡會計師負責複核、修正、簽署最終申報，而且他們的修正正是系統改進的燃料。變的是工作內容：資料輸入的比重下降，判斷和客戶溝通的比重上升。

Codex harness 和一般的 AI API 差在哪？

直接呼叫 API 是「送一段話、收一段話」，記憶、工具、權限、批准全部要自己實作。harness 已經把這些做好了，你只要決定要開放哪些工具、哪些動作需要人批准。

延伸閱讀

• YC QM 開源拆解：50 個 AI 助理管到爆炸，他們重寫了一套全公司共用的｜另一套 harness 的做法，可以跟 Codex 對照
• Apache 收編的 AI agent 出自華人團隊：Maka 把每一步變成刪不掉的帳｜同樣在處理「agent 怎麼記住自己做過什麼」
• Prime Agent 是什麼？開源 AI agent 考贏人類專家基準，然後它自己學會了作弊｜同一個 ARC-AGI-3 評測的另一面
• codex-plugin-cc 是什麼？OpenAI 官方外掛，讓 Claude Code 裡直接叫 Codex review 程式
• Claude Skills 刪檔事件：swyx 的事後檢討｜上下文管理出錯的實例
• OpenWorker 是什麼？吳恩達開源 AI 同事：交成品不交對話

參考資料

• OpenAI Developers，〈Codex as a platform: build on the open agent harness〉，2026 年 8 月 19 日
• OpenAI，〈How enabling two settings tripled our scores on the ARC-AGI-3 benchmark〉，2026 年 7 月 29 日
• OpenAI，〈Building self-improving tax agents with Codex〉，2026 年 5 月 27 日
• GitHub：openai/codex（開源 Codex harness）

本文為資訊整理，非投資或商業建議。文中數據引自 OpenAI 官方部落格，各項功能與定價以官網最新公告為準（截至 2026 年 8 月）。文中未含任何返佣或聯盟連結。