วิธีใช้ Codex: คู่มือใช้งานจริงสำหรับนักพัฒนา ปี 2026

Codex ปี 2026 ไม่ได้มีหน้าตาเดียวอีกแล้ว มันคือ agent ตัวเดียวที่โผล่มาห้าที่ คือ terminal, IDE, แอป ChatGPT, cloud และช่อง comment ใน pull request บน GitHub บทความนี้พาคุณไปตั้งแต่ติดตั้ง จนถึงมอบงานรีวิว PR ให้มันทำแทน โดยยึดจากเอกสารทางการล่าสุด

Codex คืออะไรในปี 2026

Codex คือ coding agent ของ OpenAI ที่ไม่ได้แค่เติมโค้ดให้ แต่ "ลงมือทำ" ได้จริง มันอ่านไฟล์ในโปรเจกต์ แก้ไฟล์ รันคำสั่ง รัน test แล้วรายงานผลกลับมาให้คุณตรวจ จุดที่ต่างจากเครื่องมือ autocomplete คือคุณสั่งเป็นเป้าหมาย ไม่ใช่สั่งเป็นบรรทัด

สองเรื่องที่เปลี่ยนไปในปี 2026 และมักทำให้คนหาเอกสารไม่เจอ

• เอกสารทางการย้ายบ้าน — URL เดิม developers.openai.com/codex ตอนนี้ทำ 308 redirect ไปที่ learn.chatgpt.com/docs ถ้าคุณมี bookmark เก่า มันจะเด้งไปที่ใหม่เอง
• แอป desktop รวมร่าง — แอป Codex บน desktop ถูกรวมเข้ากับแอป ChatGPT แล้ว ตอนนี้คุณเลือก Codex จาก dropdown ในแอป ChatGPT แทนที่จะเปิดแอปแยก ส่วน CLI กับ IDE extension ยังอยู่เหมือนเดิม

Codex ใช้ได้กี่ทาง แล้วควรใช้ทางไหน

ทั้งห้าทางใช้บัญชีเดียวกันและอ่าน AGENTS.md ชุดเดียวกัน คุณจึงตั้งค่าครั้งเดียวแล้วได้พฤติกรรมเหมือนกันทุกที่

ติดตั้งและล็อกอินอย่างไร

วิธีที่ทางการแนะนำคือ standalone installer

# macOS / Linux
curl -fsSL https://chatgpt.com/codex/install.sh | sh

# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"

# ทางเลือกอื่น
npm install -g @openai/codex
brew install --cask codex

จากนั้นเลือกวิธีล็อกอิน มีสองแบบ ต่างกันที่วิธีคิดเงินและ feature ที่ได้

# แบบที่ 1: ใช้ quota จาก plan ChatGPT (แนะนำ)
codex login

# แบบที่ 2: ใช้ API key จ่ายตาม token
printenv OPENAI_API_KEY | codex login --with-api-key

# ตรวจสถานะ / ออกจากระบบ
codex login status
codex logout

# เครื่อง remote ที่เปิดเบราว์เซอร์ไม่ได้ (beta)
codex login --device-auth

ล็อกอินด้วยบัญชี ChatGPT รองรับ plan Plus, Pro, Business, Edu และ Enterprise ส่วน API key คิดเงินตามอัตรา API เอกสารระบุว่าบาง feature ที่ต้องใช้สิทธิ์ระดับ workspace อาจใช้ไม่ได้

งานแรกกับ Codex ทำอย่างไร

1. เคลียร์ Git ให้สะอาดก่อน — commit หรือ stash งานค้างไว้ เพราะ agent จะแก้ไฟล์จริง diff ที่อ่านง่ายคือเครื่องมือตรวจงานที่ดีที่สุดของคุณ
2. เข้าโฟลเดอร์โปรเจกต์แล้วพิมพ์ codex — Codex จะใช้โฟลเดอร์ปัจจุบันเป็น workspace ถ้าอยากชี้ที่อื่นใช้ --cd หรือ -C
3. เริ่มด้วยคำถาม ไม่ใช่คำสั่งแก้ไข — ลองสั่ง "อธิบายโครงสร้างโปรเจกต์นี้ และบอกว่า entry point อยู่ไฟล์ไหน" เพื่อดูว่ามันเข้าใจ repo แค่ไหนก่อนปล่อยให้แก้
4. สั่งงานจริงแบบมีขอบเขต — เอกสารทางการแนะนำให้ระบุสี่อย่างในโจทย์เดียว คือเป้าหมาย, บริบท, ข้อจำกัด และเกณฑ์ว่างานเสร็จเมื่อไหร่
5. สั่งให้ตรวจงานตัวเอง — บอกให้รัน test หรือ linter ที่เกี่ยวข้อง แล้วรายงานผล อย่ารับ diff ที่ไม่เคยถูกรัน
6. ใช้ /diff ก่อน commit — คำสั่งนี้แสดง Git diff รวมไฟล์ที่ Git ยังไม่ track ทำให้เห็นของที่ agent แอบสร้างทิ้งไว้

คำสั่ง slash ที่ควรจำตั้งแต่วันแรก

• /init สร้างโครง AGENTS.md
• /status ดูค่าปัจจุบันของ session
• /permissions ปรับสิทธิ์
• /model เลือก model และระดับ reasoning
• /review ให้รีวิวโค้ด
• /compact ย่อบทสนทนาเมื่อ context เริ่มเต็ม
• /clear เริ่มใหม่

sandbox กับ approval ต่างกันอย่างไร

นี่คือหัวใจของการใช้ Codex อย่างปลอดภัย และเป็นจุดที่คนเข้าใจผิดบ่อยที่สุด เพราะมันไม่ใช่ปุ่มเดียว แต่เป็น สองปุ่มที่หมุนแยกกัน

ปุ่มที่ 1: sandbox — agent แตะอะไรได้บ้าง

ปุ่มที่ 2: approval — เมื่อไหร่ที่มันต้องหยุดถามคุณ

# คุยและวางแผนอย่างเดียว ไม่ให้แก้อะไร
codex --sandbox read-only

# mode ทำงานปกติ แก้ไฟล์ในโฟลเดอร์ได้ ถามเมื่อจำเป็น
codex --sandbox workspace-write --ask-for-approval on-request

# สลับกลางทางโดยไม่ต้องออกจาก session
/permissions

AGENTS.md คืออะไร ควรเขียนอะไรลงไป

AGENTS.md คือไฟล์ markdown ที่ Codex อ่านทุกครั้งก่อนลงมือทำงาน มองเป็น onboarding doc สำหรับ agent ก็ได้ สร้างโครงเริ่มต้นด้วย /init

ไฟล์นี้ทำงานเป็นชั้น Codex ไล่อ่านจาก global ที่ ~/.codex/AGENTS.md ลงมาที่ root ของ repo แล้วลงไปตามโฟลเดอร์ย่อยจนถึงตำแหน่งที่คุณอยู่

ในแต่ละโฟลเดอร์ มันจะดู AGENTS.override.md ก่อน แล้วค่อยดู AGENTS.md จากนั้นนำมาต่อกันจาก root ลงล่าง ไฟล์ที่ใกล้คุณกว่าจึงชนะ เพราะไปอยู่ท้ายสุดของ prompt

# AGENTS.md

## Build & test
- ติดตั้ง: pnpm install
- รันเทสต์เฉพาะที่แก้: pnpm test -- <path>
- ห้าม commit ถ้า pnpm typecheck ไม่ผ่าน

## Conventions
- ใช้ named export เท่านั้น ห้าม default export
- error message ที่ผู้ใช้เห็น เขียนเป็นภาษาไทย

## Code Review Rules
- ทัก ถ้ามี query ใน loop ที่ควรเป็น batch
- ทัก ถ้า endpoint ใหม่ไม่มีการเช็คสิทธิ์
- ไม่ต้องทักเรื่อง format ปล่อยให้ CI จัดการ

ส่วนหัวข้อ ## Code Review Rules ไม่ใช่ชื่อมั่ว มันเป็นหัวข้อที่ Codex มองหาโดยเฉพาะตอนรีวิว pull request บน GitHub วางกฎไว้ในไฟล์ที่ใกล้โค้ดที่กฎนั้นคุมมากที่สุด

รันในเครื่องกับรันบน cloud เลือกอย่างไร

หลักง่าย ๆ คือ รันในเครื่องเมื่อคุณอยากคุมทีละก้าว รันบน cloud เมื่อคุณอยากมอบงานแล้วเดินไปทำอย่างอื่น

Codex cloud รันงานใน container แยกที่ OpenAI โฮสต์ เริ่มได้จาก chatgpt.com/codex โดยต่อบัญชี GitHub แล้วตั้ง environment ให้ตรงกับ repo หรือจะสั่งจาก terminal ก็ได้

# เปิดตัวเลือกงาน cloud แบบ interactive
codex cloud

# ส่งงานเข้า cloud ตรง ๆ
codex cloud exec

# ดูงาน cloud ล่าสุด
codex cloud list

# ดึง diff จากงาน cloud มาลงเครื่อง
codex apply

สิ่งที่ต้องรู้เกี่ยวกับ environment บน cloud

• setup script รันตอน container เริ่ม ใช้ติดตั้ง dependency และเครื่องมือ ช่วงนี้ต่อเน็ตได้
• maintenance script เป็นตัวเลือกเสริม รันเมื่อ container ที่ cache ไว้ถูกปลุกกลับมา
• secrets เข้ารหัสเพิ่มอีกชั้น เปิดให้เฉพาะ setup script และถูกลบก่อน agent เริ่มทำงาน ต่างจาก environment variable ที่อยู่ตลอด chat
• อินเทอร์เน็ตช่วง agent ปิดไว้เป็น default เปิดเป็นแบบจำกัดหรือแบบเต็มได้ traffic วิ่งผ่าน proxy
• cache 12 ชั่วโมง Codex เก็บสถานะ container ไม่เกิน 12 ชั่วโมงเพื่อให้งานถัดไปเริ่มเร็วขึ้น และรีเซ็ตเองเมื่อคุณแก้ script หรือ env

คุณยังเริ่มงาน cloud จาก GitHub pull request, Linear issue หรือ Slack ได้ด้วย ถ้าทีมคุณใช้เครื่องมือพวกนี้อยู่แล้ว การมอบงานก็ไม่ต้องสลับหน้าจอ

ทีมที่ใช้ GitLab อ่านตรงนี้ — ตั้งแต่ 19 สิงหาคม 2026 Codex cloud รองรับ GitLab แบบ beta บนทุกแผนของ ChatGPT ทั้งการต่อโปรเจกต์ สร้าง environment และสั่งรีวิว merge request จาก issue หรือจาก MR ได้โดยตรง ก่อนหน้านี้ฝั่ง Codex ผูกกับ GitHub เป็นหลัก ข้อนี้จึงเปลี่ยนคำตอบสำหรับหลายทีมในไทยที่โฮสต์โค้ดบน GitLab

ให้ Codex รีวิว pull request แทนได้อย่างไร

มีสองระดับ ระดับแรกคือรีวิวในเครื่องก่อน push ระดับที่สองคือรีวิวบน GitHub ให้ทั้งทีมเห็น

รีวิวในเครื่องด้วย /review

พิมพ์ /review ใน CLI หรือ IDE extension แล้วเลือกได้สี่แบบ คือเทียบกับ base branch, ตรวจการแก้ที่ยังไม่ commit, ตรวจ commit ใด commit หนึ่ง หรือใส่โจทย์รีวิวเอง

ผลลัพธ์เป็นรายการปัญหาเรียงตามความสำคัญ โดย ไม่แตะ working tree ของคุณ ถ้าอยากใช้ model คนละตัวกับตอนเขียนโค้ด ให้ตั้ง review_model ใน config.toml

รีวิวบน GitHub

ต้องตั้ง Codex cloud ให้ repo นั้นก่อน และคุณต้องมีสิทธิ์ push หรือ admin จากนั้น

1. เปิด Code Review ในตั้งค่า Codex — ผูกกับ organization หรือเฉพาะ repo ก็ได้
2. comment @codex review ใน PR — Codex จะตอบรับ แล้วโพสต์รีวิวเป็น comment inline ตามบรรทัดใน diff
3. อยากได้มุมความปลอดภัย ใช้ @codex security review — เป็นการวิเคราะห์เชิงลึกด้านความปลอดภัยแยกจากรีวิวปกติ
4. ให้มันแก้ต่อเลย ด้วย @codex fix it — จะเปิดงาน cloud เพื่อแก้ตามที่ทักไว้แล้วอัปเดต PR ให้
5. เปิด Automatic reviews ถ้าอยากได้ทุก PR — Codex จะรีวิวเองเมื่อมีคนเปิด PR ใหม่ โดยไม่ต้อง comment เรียก

คุณภาพของรีวิวขึ้นกับ ## Code Review Rules ใน AGENTS.md อย่างมาก ให้เขียนกฎที่พูดถึงพฤติกรรมซึ่งมีผลจริงกับระบบ และบอกด้วยว่า "ทางที่ถูก" คืออะไร Codex จะได้แยกบั๊กจริงออกจาก pattern ที่ทีมตั้งใจใช้ ส่วน format กับ lint ปล่อยให้ CI ทำ

Codex ใช้ model อะไร แล้วควรเลือกตัวไหน

ค่า default คือ gpt-5.6-sol ที่ reasoning effort ระดับ medium ซึ่งเอกสารอธิบายว่าเป็นจุดสมดุลระหว่างความเร็วกับความลึก เปลี่ยนได้สามทาง

# ระหว่าง session
/model

# ตอนเรียกใช้
codex --model gpt-5.6-terra
codex -m gpt-5.6-luna

# ตั้งถาวรใน ~/.codex/config.toml
model = "gpt-5.6-terra"
model_reasoning_effort = "high"

แต่ละ plan มี limit การใช้งานเท่าไหร่

Codex คิด limit เป็นสองชั้นซ้อนกัน ชั้นแรกคือหน้าต่างแบบ rolling 5 ชั่วโมง ชั้นที่สองคือ limit รายสัปดาห์ที่ทับอยู่อีกที จุดสำคัญคือ ข้อความในเครื่อง งาน cloud และ code review ใช้หน้าต่าง 5 ชั่วโมงร่วมกัน ไม่ได้แยก quota กัน

ตัวเลขเป็นช่วงกว้างเพราะหนึ่งข้อความไม่เท่ากัน ระบบคิดเป็น credit ตาม token จริง อัตราต่อ 1 ล้าน token คือ Sol 125 เข้า / 750 ออก, Terra 50 / 300 และ Luna 5 / 30 การสั่งงานให้ตรงจุดและใช้ /compact เมื่อบทสนทนายาว จึงมีผลกับ quota โดยตรง

ถ้าล็อกอินด้วย API key จะไม่ติด limit สองชั้นนี้ แต่จ่ายตาม token จริงในราคา API เหมาะกับงาน automation ที่รันเยอะและคาดเดาปริมาณได้

เคล็ดลับใช้งานจริงที่ช่วยได้มาก

• ให้วางแผนก่อนลงมือ — สำหรับงานยาก เอกสารทางการแนะนำให้สั่งวางแผนก่อนเขียนโค้ด เพื่อให้มันเก็บบริบทและถามกลับให้ครบก่อน
• @ mention ไฟล์ที่เกี่ยวข้อง — ใน repo ใหญ่ การชี้ไฟล์ตรง ๆ ให้ผลดีกว่าปล่อยให้เดา และประหยัด token กว่ามาก
• แยก config สองชั้น — ค่าส่วนตัวไว้ที่ ~/.codex/config.toml ค่าที่ผูกกับ repo ไว้ที่ .codex/config.toml ในโปรเจกต์ ทีมจะได้พฤติกรรมเดียวกัน
• ใช้ profile เมื่อสลับบริบทบ่อย — วางไฟล์ $CODEX_HOME/profile-name.config.toml ข้าง config แล้วเรียกด้วย --profile
• รู้จัก web_search — ค่า default คือ cached ถ้าต้องการข้อมูลสด ใช้ flag --search ซึ่งเท่ากับตั้ง web_search = "live"
• อะไรที่ทำซ้ำ ให้กลายเป็น skill — เอกสารแนะนำตรง ๆ ว่าถ้าคุณพิมพ์ prompt เดิมซ้ำ สิ่งนั้นควรถูกทำเป็น skill ดูได้จาก /skills
• ใช้ MCP เมื่อบริบทอยู่นอก repo — เช่นข้อมูลใน ticket system หรือฐานข้อมูลที่เปลี่ยนบ่อย ดีกว่าก๊อปวางทุกครั้ง

ยัด Codex เข้า CI ด้วย codex exec

non-interactive mode ใช้สำหรับสคริปต์และ pipeline โดยเฉพาะ

# รันครั้งเดียวแล้วจบ
codex exec "สรุป breaking change จาก diff ล่าสุดเป็น bullet"

# รับ input จาก pipe
cat prompt.txt | codex exec -

# ให้ผลลัพธ์เป็น JSON Lines สำหรับเครื่องอ่านต่อ
codex exec --json "ตรวจว่ามี TODO ค้างในโค้ดที่แก้ไหม"

# ทำงานต่อจาก session เดิม
codex exec resume --last "ทำขั้นตอนถัดไป"

ใน GitHub Actions เอกสารแนะนำให้ใช้ action ทางการ openai/codex-action แทนการใส่ key ตรง ๆ เพื่อไม่ให้ credential หลุดใน log ถ้าจำเป็นต้องส่ง key แบบ inline จริง ๆ ให้ใช้ตัวแปร CODEX_API_KEY