Codex 設定怎麼調？9 個 config.toml 參數，讓它不再燒光額度、更快更省更聽話

💡 核心結論速覽 (TL;DR)

• 最省的一顆旋鈕是推理強度：model_reasoning_effort 有 minimal／low／medium／high／xhigh 五檔（最新家族還多一檔 max），官方互動預設是 medium。routine 丟 low、難題才開 high 以上，光這一項就能砍掉一半的時間與用量。
• 模型也要分流：現行 GPT-5.6 家族分強（Sol）、均衡（Terra）、快省又額度最高（Luna）三檔——雜事走快的、硬骨頭才動用最強的，別讓每則小指令都用旗艦。
• 裝不了套件、連不上 API 的元凶：workspace-write 沙箱的 network_access 預設是 false（斷網）。要嘛開成 true、要嘛設網域白名單，不是你網路壞掉。
• 行動：打開 ~/.codex/config.toml，把推理分流＋模型＋沙箱網路＋審批一次設好，再用 profile 在「嚴格」和「全自動」間切換。文末有一份可直接複製的範例設定檔。

你有沒有過這種時候：交代 Codex 一件不難的事，它慢吞吞跑了二十分鐘，最後還給你一句「失敗」；或者早上才開工，幾個小 prompt 下去，五小時的滾動額度就見底了，剩下的時間只能乾等。我自己每天用 AI 超過十小時，連這個部落格的排程都靠 agent 在跑，這種「又慢、又貴、又不受控」的挫敗感，老實說我太熟了。

但用久了我發現一件事：大部分的慢和貴，不是 Codex 有問題，是它的預設值不適合你手上這件事。而這些預設值，幾乎全都藏在同一個檔案裡——~/.codex/config.toml。Codex 設定的核心，就是把這個檔案調成「順手、省錢、受控」的樣子。

這篇我不打算把每個參數字典式地列一遍（那種東西你問 AI 就有）。我想用「怎麼把它調到不再燒光額度」的角度，挑出 9 個我天天在動、真正有感的 config.toml 設定，告訴你每個該怎麼調、什麼情境用哪一檔，順便把最多人卡住的「沙箱斷網」講清楚。準備好把 Codex 從「愛亂衝的實習生」調成「聽話的老手」了嗎？

先搞懂 config.toml：Codex 設定的總開關在哪、管什麼？

一句話：Codex 設定的總開關就是 ~/.codex/config.toml 這一個 TOML 檔，模型、推理強度、沙箱、審批、MCP 全部在這裡定。你不用記一堆指令，改這個檔就等於一次把 Codex 的行為調到你要的樣子。

先把位置講清楚，免得你找半天。全域設定在 ~/.codex/config.toml（Windows 是 %USERPROFILE%\.codex\config.toml）；如果你只想針對某個專案改，也可以在專案根目錄放一份 .codex/config.toml 蓋掉全域。OpenAI Codex 其實有三個面貌——終端機裡的 Codex CLI、塞在編輯器裡的 IDE 擴充、還有跑在雲端的版本——這篇講的是最多人用、也最需要調教的本機 CLI。

我的體感是這樣：config.toml 之於 Codex，就像遊戲一開始的難度與畫質設定。你當然可以全用預設硬玩，但花五分鐘把畫質、手感、輔助調成適合自己的樣子，後面幾百個小時都會順很多。Codex 也一樣，開頭調一次，天天受用。

這裡先劃清一件事，免得你期待錯：這篇只管「設定檔」，不管「你怎麼下指令」。提示詞的四要素、AGENTS.md 該寫什麼、工作流怎麼安排，是另一個題目——我另外寫在Codex 提示詞怎麼下、AGENTS.md 怎麼放才聽話那篇，兩篇搭著看才完整。如果你現在的狀況是「它動不動就報錯、越用越卡」，那多半是別的問題，我把 Codex 和 Claude Code 常見毛病的成因整理在這篇常見問題總整理，可以先去對照一下是不是設定以外的坑。

下一步：先用文字編輯器打開 ~/.codex/config.toml（沒有就自己建一個），確認你改的是全域還是專案級，這是所有調校的起點。

最省的一個旋鈕：把 Codex 的 model_reasoning_effort 推理強度分流

如果你只調一個參數，我會叫你調這個。model_reasoning_effort 控制 Codex「想多久、想多深」，它直接決定了速度、花費和品質的三角平衡。大部分人燒額度、等到不耐煩，就是因為所有任務都用同一檔高強度在硬想。

它有五檔：minimal、low、medium、high、xhigh（最新的 GPT-5.6 家族還多一檔 max）。官方互動模式的預設是 medium，而官方最佳實踐的建議也很清楚：範圍明確的小任務用 low，複雜改動或除錯用 medium／high，長時間、重推理的大工程才開到 xhigh。下面這張表是我天天在用的分配。

我踩過最蠢的坑，就是把全域預設一直開在 high 圖個安心，結果連「幫我把這個變數改個名」都要它深思熟慮半天，額度掉得莫名其妙。後來我把全域降到 low，只在難題時臨時切高，速度和帳單立刻有感改善。你也可以在 config.toml 裡替計畫模式單獨設一檔（例如日常 low、進 plan 模式才 high），讓它「想方向時認真、做雜事時俐落」。

推理強度只是省用量的其中一環。如果你發現帳單還是很嚇人，那通常是上下文塞太肥、背景代理偷跑之類的問題——我把「帳單暴增到砍半」的一整套實戰心法寫在AI 代理省 token 十招那篇，跟這裡的推理分流搭起來效果最好。

下一步：現在就把 config.toml 的 model_reasoning_effort 設成 low，跑一整天雜事看看，難題再手動切高——你會很快抓到那個「夠用就好」的甜蜜點。

模型分流：Codex 有哪些模型、預設哪個、Sol／Terra／Luna 怎麼挑？

先給結論：Codex 現行是 GPT-5.6 家族，分成強、均衡、快省三檔，聰明的用法是「雜事走快省的、難題才動用最強的」，而不是全部都用旗艦。推理強度是「想多深」，模型分流是「派哪個腦袋去想」，兩個一起調才是省錢的完整解。

目前這三檔的名字是 Sol（最強、也最貴）、Terra（均衡主力）、Luna（最快、最便宜、額度上限最高）。官方範例設定檔裡寫的是 model = "gpt-5.6"，你可以進一步指定 gpt-5.6-sol／gpt-5.6-terra／gpt-5.6-luna 這些變體。要提醒一句：這些型號名字改版很勤，你看到這篇時未必一模一樣，所以與其死背名字，不如記住「強／均衡／快省三檔」這個結構，實際名稱以 codex --help 或官方 changelog 為準。

我自己的配置是把全域 model 設成均衡的 Terra 當主力，另外開一個「難題 profile」切到 Sol（等一下第 7 段會教你怎麼設）。這個「便宜的做雜事、旗艦留難題」的分工邏輯，其實跟我在怎麼挑 AI 寫程式工具那篇講的判斷是同一套——不是選一個最強的贏家，是讓對的工具做對的事。順帶一提，config.toml 裡還有個 service_tier 可以設 "fast" 走優先通道，趕時間時有感，但通常要吃更多用量，我只在真的等不及時才開。

下一步：把全域 model 設成均衡檔當日常主力，先別預設用最強的；哪天真的撞牆，再手動切到強檔，你會發現九成的任務均衡檔就夠了。

沙箱斷網雷：為什麼 Codex 裝不了套件、連不上 API？

這段是最多人卡住、也最少人講清楚的地方。如果你的 Codex 跑 npm install、pip install 一直失敗，或連不上某個 API，十之八九不是你網路壞了，是沙箱預設斷網。這是 Codex 刻意的安全設計，不是 bug。

先講沙箱本身。sandbox_mode 有三檔：read-only（只能讀、不能改，最保守）、workspace-write（可以改工作區裡的檔，日常主力）、danger-full-access（整台機器隨它動，顧名思義危險）。官方範例預設給的是最保守的 read-only，多數人日常會用 workspace-write。

雷就在這裡：當你用 workspace-write，它底下那個 [sandbox_workspace_write] 區塊的 network_access 預設是 false——也就是說，Codex 可以改你的檔，但預設不准連網。所以裝套件、打外部 API 才會莫名其妙失敗。想通這件事那天，我對著螢幕翻了個大白眼，原來我 debug 半天的「網路問題」根本是自己沒開權限。

解法有兩種，看你多在意安全：

❶ 全開（最省事）。在 config.toml 裡把 network_access 設成 true，Codex 就能自由連網裝東西。方便，但等於把這道防線放掉了。

❷ 只開白名單（推薦）。新版的 [permissions] 權限模型可以做到「只准連特定網域」，比整個放開安全得多。大致長這樣：

[permissions.dev]
extends = ":workspace"

[permissions.dev.network]
enabled = true

[permissions.dev.network.domains]
"registry.npmjs.org" = "allow"
"pypi.org" = "allow"
"*.internal.local" = "deny"

這樣它就只能連你點頭的那幾個網域，既能裝套件、又擋掉亂連外的風險。要注意這個新的 [permissions] 模型跟舊的 sandbox_mode 是互斥的（不能同一份檔混用），你挑一種寫就好。

🚧 最容易踩的雷：很多人看到 workspace-write 就以為「可寫＝可連網」，其實寫檔權限和網路權限是兩件事、各自獨立。改得動檔案，不代表連得上網。記住這句話，能省你一整個下午的 debug。

沙箱和權限這塊，跟「AI 代理會不會亂刪你的檔」是同一組安全考量。我把「喊很多次『不要動』還是被刪光」的真實案例和我設的五道防線寫在這篇 AI 代理安全防線，看完你就懂為什麼沙箱不能隨手全開。另外，如果你好奇雲端版的 Codex 網路怎麼管，其實邏輯一樣（agent 階段預設斷網、要自己開白名單），我在Codex 雲端 vs 本機環境那篇有更完整的對照。

下一步：如果你最近有「裝套件一直失敗」的困擾，先去 config.toml 確認 network_access 是不是 false；要開就優先用網域白名單，而不是無腦全放。

審批模式 approval_policy：讓 Codex 該問才問，怎麼選？

先講判斷：approval_policy 決定 Codex 動手前要不要先問你，設太嚴會被問到煩、設太鬆會被它嚇到，關鍵是配合場景切換。它跟沙箱是一組的——沙箱管「它能碰多大範圍」，審批管「碰之前要不要先舉手」。

主要有三個值：

❶ untrusted——最謹慎。幾乎每個會動到系統的指令都先問過你。適合你在一個完全陌生、或很敏感的專案裡摸索時，寧可煩一點也不要出事。

❷ on-request——平衡點，也是我的日常預設。Codex 自己判斷，遇到有風險的動作才停下來問你。官方範例設定檔用的就是這一檔，大多數人日常這個最順手。

❸ never——完全不問，全自動。適合你很清楚它要做什麼、或跑在容器／VM 裡的無人值守任務。但拜託不要在自己的主機上長期掛 never，那等於把方向盤交出去還閉上眼睛。（另外你可能會看到舊的 on-failure，那個已經棄用了，別再用。）

我的做法是：日常用 on-request，要放它背景跑大批次時，才切到一個「全自動 profile」（never ＋ 更嚴的沙箱），跑完立刻切回來。這個「平常聽話、偶爾放飛、但邊界先畫好」的節奏，跟我在Claude Code 隱藏功能那篇講的 /permissions deny 清單其實是同一套思路——自動化越強，越要先把邊界設死。

下一步：把日常 approval_policy 設成 on-request；真的要無人值守，先確認是在容器／VM 裡，再考慮 never，絕不在主力機上裸奔。

掛上 MCP：讓 Codex 直接用你的工具（[mcp_servers] 設定）

一句話：MCP 讓 Codex 不只會改程式，還能直接呼叫外部工具——查文件、碰資料庫、接你自己的服務——設定就寫在 config.toml 的 [mcp_servers] 區塊。這是把 Codex 從「寫程式的」升級成「能辦事的」關鍵一步。

MCP（Model Context Protocol）你可以想成 AI 世界的萬用插座：只要某個工具做成 MCP server，Codex 就能插上去用。掛法分兩種傳輸方式：

❶ 本機 stdio（在你電腦上跑一支程式），你給它啟動指令和參數：

[mcp_servers.docs]
command = "docs-server"
args = ["--port", "4000"]

❷ 遠端 HTTP（連到一個網址上的服務），重點是 token 一定要放環境變數、別寫死在檔案裡：

[mcp_servers.github]
url = "https://your-mcp.example.com/mcp"
bearer_token_env_var = "GITHUB_TOKEN"

掛好之後還有兩個實用細節：一是可以用 enabled_tools／disabled_tools 做白／黑名單，只放行你要的那幾個工具，避免一個 server 塞一堆你用不到的功能污染上下文；二是不想手寫 TOML 的話，直接跑 codex mcp add 用指令加也行。我自己會刻意只留真正常用的兩三個 MCP，因為掛越多、每次啟動載入的工具描述越吃 token，這跟並行太多代理會拖垮資源是同一個道理——那次我清掉上百個殘留背景程序的慘痛經驗，寫在背景程序殘留怎麼清那篇。

下一步：先掛一個你天天會用的 MCP（例如查官方文件的那種），用 enabled_tools 只留必要工具；有用再慢慢加，別一次塞十個。

Profiles：Codex 設定一鍵在「嚴格審查」和「全自動」之間切換

先講它解決什麼問題：Profiles 是具名的設定變體，讓你不用每次手動改 config.toml，就能在「嚴格」和「放飛」兩套設定之間一鍵切換。前面講的推理強度、模型、審批、沙箱，其實會隨場景需要不同組合——profile 就是幫你把每組打包好。

用法很單純：在 config.toml 裡宣告不同的 [profiles.名稱] 區塊，各自寫上那組要蓋掉的設定，之後啟動時用 codex --profile 名稱 挑一個。舉例來說，我會有一個 hard（切到最強模型＋高推理，專打難題）和一個 yolo（全自動＋full-access，只在容器裡背景跑）。要提醒的是，Codex 各版本放 profile 的位置略有差異（有的用獨立的 名稱.config.toml 檔），實際以 codex --help 為準，但 --profile 這個切換方式是穩定的。

這招最爽的地方是「情境切換」變成一個指令的事。要嚴格 code review 時 --profile strict，要放它整晚跑批次時 --profile yolo，不用每次進檔案手改一堆參數、還常常忘了切回來。對我這種同時開好幾個專案、每個信任程度不一樣的人來說，這是保持理智的關鍵。

下一步：先建兩個 profile——一個「嚴格日常」、一個「難題加強」，用 codex --profile 切切看，你會回不去手動改檔的日子。

一份可以直接複製的 config.toml 範例（推理分流＋沙箱＋審批＋MCP）

講了這麼多參數，直接給你一份能複製的成品最實在。下面這份 config.toml 把前面所有旋鈕整合成一套「日常省錢、難題加強、背景全自動」的設定，你貼進 ~/.codex/config.toml 再按需要改幾個值就能用。

# ~/.codex/config.toml
# 全域預設：偏保守、routine 省錢
model = "gpt-5.6-terra"            # 均衡檔當日常主力（強檔留給難題 profile）
model_reasoning_effort = "low"     # 雜事用低強度，最省時省錢
approval_policy = "on-request"     # 該問才問，不整段放飛
sandbox_mode = "workspace-write"   # 只能改工作區，不能亂碰整台機器

[sandbox_workspace_write]
network_access = false             # 預設斷網（安全）。要裝套件再改 true，或用白名單
writable_roots = []                # 需要多開放幾個資料夾就列在這

# 難題才切這個：codex --profile hard
[profiles.hard]
model = "gpt-5.6-sol"              # 最強檔留給硬骨頭
model_reasoning_effort = "high"    # 難題才開高強度
approval_policy = "on-request"

# 背景全自動，只在容器／VM 用：codex --profile yolo
[profiles.yolo]
approval_policy = "never"
sandbox_mode = "danger-full-access"

# 掛一個本機 MCP server（stdio）
[mcp_servers.docs]
command = "docs-server"
args = ["--port", "4000"]

# 掛一個遠端 MCP server（HTTP）；token 放環境變數、別寫死
[mcp_servers.github]
url = "https://your-mcp.example.com/mcp"
bearer_token_env_var = "GITHUB_TOKEN"

幾個使用提醒：型號名字（Sol／Terra／Luna）請對照你當下版本，可能已經改版；MCP 的 docs-server、網址和 token 變數名都換成你自己的；writable_roots 留空代表只讓它寫當前工作區，要多開資料夾再往裡加。我的建議是別一次貼滿，先留全域那段＋一個 hard profile 跑順了，再慢慢加 MCP。一開始就想把設定調到完美，通常只會卡在細節上動不了。

下一步：把這份範例貼進你的 config.toml，只改 model 和 MCP 那幾行成你自己的值，先跑一天再微調。

這樣調值得嗎？要不要升級 Pro、適合誰不適合誰？

先給答案：調 config.toml 本身零成本、人人都該做；但要不要升級付費方案，取決於你是「偶爾寫幾行」還是「天天長時間跑」。設定調得再好，額度不夠一樣卡；但額度買再多，設定沒調好也是浪費。兩件事要一起看。

先把方案攤開（以官方美金為準，新台幣為約略換算、匯率會浮動）：

這裡有個很關鍵、很多人沒搞懂的機制：你的本機訊息和雲端任務是共用一個「五小時滾動額度視窗」的，另外還有每週上限。也就是說，你不是「一個月幾則」用到底，而是每五小時一個池子。以均衡的 Terra 為例，官方給的級距大概是 Plus 每五小時約 20–110 則本機訊息、Pro 5x 約 100–550、Pro 20x 約 400–2200（會隨模型和負載變動）。這也是為什麼推理分流和模型分流這麼重要——同樣的額度池，你用 low＋快省模型能撐的任務數，是全開 high＋旗艦的好幾倍。先把設定調好，往往比急著升級方案划算。

用一個「適合／不適合」幫你快速定位：

✅ 值得升級 Pro，如果你：一天用好幾個小時、常常五小時額度就見底、需要同時跑好幾個長任務、時間成本遠高於那點月費。

❌ 先別急著升，如果你：只是偶爾寫幾行、常常一整天用不完 Plus 的額度、或者根本還沒把 config.toml 的推理分流調好——那先調設定，你可能會發現現有方案突然夠用了。

還有一個常被忽略的小錢坑：這些方案多半刷美金訂閱，記得用有海外刷卡回饋信用卡去付，那 1.5% 上下的回饋跟手續費長期下來也是一筆。至於本機的 ~/.codex 資料夾會隨著 session log 越積越大、動輒幾十 G，那是另一個要定期處理的成本，我把清理方法寫在Codex 硬碟暴增與 SSD 耗損怎麼救那篇。

下一步：先把 config.toml 的推理＋模型分流調好，用兩週看額度夠不夠；真的天天撞上限，再升級 Pro，順序別反過來。

FAQ 常見問題

Codex 太慢又很燒額度，最先該調哪個設定？

先調 model_reasoning_effort，再調 model。把全域推理強度從預設的 medium 降到 low，routine 任務會明顯變快、變省；同時把日常主力模型設成均衡的 Terra、而不是最強的 Sol，只在真正的難題才切高強度＋強模型。這兩個「分流」動作是投報率最高的調校，通常不用升級方案就能解掉大半的慢和貴。

Codex 跑 npm install / pip install 一直失敗，是設定問題嗎？

幾乎可以確定是。workspace-write 沙箱底下的 network_access 預設是 false，所以 Codex 能改檔卻不能連網裝套件。到 config.toml 的 [sandbox_workspace_write] 把 network_access 設成 true，或用新版 [permissions] 的網域白名單只放行 registry.npmjs.org、pypi.org 這類必要網域。可寫和可連網是兩回事，別搞混。

approval_policy 設 never 全自動，會不會很危險？

在你自己的主機上會，在容器／VM 裡才安全。never 代表 Codex 動任何指令都不再問你，一旦方向錯了或碰到惡意內容，沒有煞車。安全的做法是：日常用 on-request（該問才問），只有在隔離環境跑無人值守批次時，才切到一個 never ＋嚴格沙箱的專用 profile，跑完立刻切回來。自動化的前提永遠是邊界先畫好。

config.toml 改了沒反應，是不是要重開？

先確認三件事：一是你改的是不是對的檔（全域 ~/.codex/config.toml 還是專案級 .codex/config.toml，專案級會蓋掉全域）；二是有沒有用 --profile 啟動，profile 會覆蓋你以為在改的全域值；三是 TOML 有沒有打錯（引號、區塊名拼錯整段就會被忽略）。改完重開一個 Codex session 最保險，用 codex --help 也能確認目前生效的設定。

結論：先調設定，再談要不要花錢

寫到這裡，回頭看我那些「跑二十分鐘還失敗、幾個 prompt 就燒光額度」的抓狂時刻，其實答案一直都在同一個檔案裡。Codex 不是天生又慢又貴又不受控，是它的預設值沒為你手上這件事調過。推理強度分流、模型分流、沙箱網路、審批模式——這四個旋鈕轉對，速度、帳單和安全感全都會回來。

如果你今天只想做一件事，我會說：打開 ~/.codex/config.toml，把 model_reasoning_effort 降到 low、日常模型設成均衡檔，光這兩行就能讓你有感。其他的沙箱、審批、MCP、profile，等你摸熟了再慢慢加，不用一次到位。工具是拿來服務你的工作流的，設定調對了，它才會真的幫你省時間，而不是反過來吃你的時間和錢。

如果這種「幫你篩掉雜訊、只留真正有用的設定」的風格對你有幫助，歡迎追蹤夜羽凌的部落格，我會不定期把每天跟 AI agent 磨出來的實戰心得整理給你。訂閱我的部落格，會不定期收到這類踩坑筆記。

參考資料

• OpenAI Codex — Configuration Reference（config.toml 完整參數）
• OpenAI Codex — Sample config.toml（官方範例設定檔）
• OpenAI Codex — Best Practices（推理強度與沙箱建議）
• ChatGPT / Codex 官方定價與額度說明
• OpenAI Codex CLI（GitHub 官方 repo）
• Model Context Protocol（MCP）官方網站