阿里妹导读
文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。
背景
近期 Codex 开源项目频繁更新，重点引入了 Memory 和上下文压缩的新机制。相比 DeepSeek Harness，Codex CLI（核心 Harness）虽桌面端闭源但核心代码开源，其架构演化显著，值得深入解析其 Harness 架构及最新的记忆与压缩更新。
Codex 的核心 Harness 架构
整体架构：模块化解耦设计
Codex 源码包含约 118 个 Crate（Rust 子项目模块），通过模块化实现逻辑隔离，避免复杂耦合。核心模块 codex-core 遵循“Resist adding code”原则，强制将新功能置于独立 Crate，以实现高内聚、低耦合及增量编译优化。
关键 Crate 包括：
- codex-core：核心运行层，包含 Session、主 Loop、工具执行、上下文管理与压缩等。
- codex-protocol：数据定义层，定义 Op（用户操作）、Event（Agent 事件）及 Response Item 等底层协议。
- codex-api：模型 API 层，封装 OpenAI Response API，支持 HTTP 和 WebSocket。
- codex-app-server：协议服务层，封装核心逻辑并暴露 JSON-RPC 接口，统一对接 TUI 或 Desktop 端。
- 其他模块：codex-tui（终端界面）、codex-exec（无头执行前端）、codex-rollout（会话持久层/Agent Trace）、codex-arg0（基于入口参数的身份识别）。
事件驱动：Op 与 Event 的双向通信
Codex 采用事件驱动模型，区别于 DeepSeek 的插件广播机制，其体现在双向通信中：
- 客户端至 Agent：用户操作封装为 Op（如 TurnInput、Interrupt、Compact、Shutdown），通过 Submission 传输。
- Agent 至客户端：Agent 返回 Event Message（如 TurnStarted、TurnComplete、AgentMessage、ExecCommandBegin 等），驱动流程并汇报状态。
三层循环：Task、Turn 与 Sampling
Agent 运行时采用嵌套的三层 Loop 结构：
- Task Loop：最外层，处理用户具体需求及新消息 Pending。
- Turn Loop：中间层，单轮对话循环，对标 DeepSeek 的 Turn，包含上下文压缩。
- Sampling Loop：最内层，单次模型请求、工具调用或文字输出，对标 DeepSeek 的 Step。
工具并发：并行执行与有序拼装
针对模型单次响应中的多个工具调用，Codex 使用 FuturesOrdered 队列实现并发执行以提升速度，但在结果回传时严格保持调用顺序（如 A->B->C），确保模型上下文的确定性，避免顺序混乱影响推理准确性。
World State：通过 Diff 优化上下文
为解决环境信息（如 Shell 权限、AGENTS.md）变化导致的 Context Window 浪费问题，Codex 引入 World State 设计。系统将“世界”拆分为带 ID 和快照类型的 Section，初始读取全量信息，后续仅注入 Diff 补丁。此举保护了 Prefix KV Cache，避免前缀断裂，提升推理速度并降低 Token 消耗。
SubAgent 与 Mailbox：精细化的协同
主 Agent 可 Spawn 嵌套的子 Agent，并通过 Mailbox 进行异步通信。
Fork Turns 模式：
- 全部继承：完整继承上下文，用于并行处理无关联任务。
- 继承最近三轮：保留近期信息，适度隔离上下文。
- 无上下文（None）：全新干净环境，用于需彻底隔离的任务。
Mailbox 通信机制：
- Send Message：消息入箱不触发新轮次，待目标下次活动时自动投递，不打断当前状态。
- Follow-up Task：若目标空闲则触发新轮次唤醒；若忙碌则在边界投递，实现实时感知。
arg0 参数：身份识别
通过启动程序的 arg0 参数值识别身份（如 codex 为主 CLI，codex-linux-sandbox 为沙箱助手，apply-patch 为打补丁工具），使模型明确自身角色。
Codex 的 Memory 和上下文压缩设计
上下文压缩：“交接文档”式策略
传统压缩在上下文达到窗口阈值（如 80%）或模型切换时触发。Codex 改进压缩提示词，要求模型生成“交接文档”而非简单 Summary，强调结构化、清晰和重点完整，以提升压缩质量。压缩从最早消息开始，虽损失部分 Prefix KV Cache，但后续轮次可重建稳定缓存。
Memory 机制：两阶段记忆与可遗忘机制
跨会话长期记忆分为两个阶段：
- 逐会话提取（Rollout Extraction）：从旧会话中提取重要信息，脱敏后存入数据库。
- 全局巩固（Global Consolidation）：基于引用次数（Citation）筛选 Top-N 关键信息存盘。高频信息被频繁召回，低频信息逐渐遗忘，实现记忆衰减与系统自进化。
全新方案 Token Budget：跨窗口短期记忆
8月更新的 Token Budget 机制解决单会话内跨 Context Window 的状态衔接问题，替代传统压缩。
核心思想是让主 Agent 自行管理记忆。当窗口满时，开启带 ID 的新窗口，通过以下机制衔接：
- Thread Hint：注入约 4KB 背景提示至新窗口 Developer Message，简述上一窗口进度。
- Notes：服务端托管的虚拟文件系统，记录任务细节（文件修改、错误等）。新窗口按需读取 Notes 回忆上下文，避免全量加载或信息丢失。
- History：存储完整 Agent Trace，支持搜索和读取，供模型渐进式获取详细信息。
Token Budget 与长期 Memory 正交：前者管理单会话任务状态衔接，后者管理跨会话长期积累。
总结
Codex 在架构解耦、事件驱动、工具并发及上下文管理方面具有创新设计。特别是 Token Budget 机制，通过 Notes 和 History 实现了高效的跨窗口短期记忆，为 Agent 开发提供了新的参考思路。随着 AI 技术快速迭代，深入理解此类架构有助于优化自有 Agent 系统，提升业务效率。