传统大模型应用开发的主要优势在于依赖 LLM 对自然语言的理解与生成能力，在给定上下文和预置流程下，能够完成问答、总结、改写、邮件润色、闲聊等相对明确的任务。从工程架构上看，它本质上更接近一种确定性流水线：开发者提前设计好 Prompt、检索、模型调用、结果解析等执行步骤，模型只负责在固定环节完成语言处理。一旦面临任务复杂度升高，涉及多步骤协同、动态决策、外部系统交互、工具调用和执行结果反馈时，传

在turn_run初期扫描并缓存所有可用Skill的元数据，构建目录索引始终注入模型上下文；用户触发时按需注入完整SKILL.md内容；资源文件由模型自主读取；整个过程受上下文预算控制，超预算时按层级优先级裁剪。Skill系统要解决的根本矛盾是：大模型的上下文窗口是稀缺资源，而可扩展的能力描述是无限增长的。如果没有Skill系统，扩展模型能力的方式只能是：每次对话都把所有可能的指导信息塞进去。但这

这里分析的内容对于Codex上下文管理，只是冰山一角，例如去重机制、安全阀控制都没有说到。但是也是收益匪浅。Skill 系统的核心矛盾是无限增长的能力描述 vs 稀缺的上下文窗口。Codex 的应对方式不是"超了就砍"，而是构建了一套分级的资源调度体系——预算计算定边界、目录裁剪在边 界内分配、内容截断防溢出止损。每一级都比上一级更激进，但都有明确的触发条件。按需。​​​​​​​目录始终注入，因为

很多人第一次接触沙箱，会把它理解成“一个隔离目录”或者“一个受限容器”。这种理解不能说错，但不够本质。沙箱环境更准确的定义是：让一个执行体可以运行，但只能在被限制的能力边界内运行。这个“边界”不是抽象概念，而是具体的资源访问边界。最常见的通常有三类：文件系统边界：它能读哪些目录，能写哪些目录。网络边界：它能不能联网，能访问哪些目标地址。系统能力边界：它能不能启动子进程，能不能访问桌面、设备、注册表

这是最基础但也最直观的压缩方式。核心思路是：用一段特殊的提示词让模型回顾整个对话历史，生成一份"交接摘要"，然后用这份摘要替换冗长的原始历史。如果清楚常规的压缩策略的，可以看Langchain的记忆策略。需要注意的是，摘要生成后，codex 不是简单地用摘要替换所有历史，而是执行一个精密的"筛选+拼接"算法这个算法的精髓在于从最新到最旧的贪心选择策略从最新的用户消息开始向前遍历，优先保留最新的信息

是Codex 的对话 thread 对象的协调者，它负责决定“这个 thread 是复用已有运行时，还是新建一套运行时”，并在运行时创建完成后把它注册到内存中的。

是Codex 的对话 thread 对象的协调者，它负责决定“这个 thread 是复用已有运行时，还是新建一套运行时”，并在运行时创建完成后把它注册到内存中的。

模型知道要调用工具还不够，它必须用应用程序能解析的格式表达出来。这就是 OpenAI、Claude、DeepSeek、Gemini 等厂商定义 tool calling 协议的原因。模型不会直接返回一句“我要查询订单”，而是返回结构化数据，例如工具名、参数、调用 ID 等。这一层的本质，是把自然语言意图转成机器可解析的结构。没有协议层，应用程序就很难稳定判断模型到底想调用哪个工具、传什么参数。

很多人第一次接触沙箱，会把它理解成“一个隔离目录”或者“一个受限容器”。这种理解不能说错，但不够本质。沙箱环境更准确的定义是：让一个执行体可以运行，但只能在被限制的能力边界内运行。这个“边界”不是抽象概念，而是具体的资源访问边界。最常见的通常有三类：文件系统边界：它能读哪些目录，能写哪些目录。网络边界：它能不能联网，能访问哪些目标地址。系统能力边界：它能不能启动子进程，能不能访问桌面、设备、注册表

这是最基础但也最直观的压缩方式。核心思路是：用一段特殊的提示词让模型回顾整个对话历史，生成一份"交接摘要"，然后用这份摘要替换冗长的原始历史。如果清楚常规的压缩策略的，可以看Langchain的记忆策略。需要注意的是，摘要生成后，codex 不是简单地用摘要替换所有历史，而是执行一个精密的"筛选+拼接"算法这个算法的精髓在于从最新到最旧的贪心选择策略从最新的用户消息开始向前遍历，优先保留最新的信息