Codex 实测中一次审批耗去六分钟
同一模型完成同一任务,T3 Code 耗时 10 分 26 秒,原生 CLI 耗时 6 分 07 秒。T3 Code 有 6 分 06 秒在等待人工批准清理操作,两次运行的沙箱配置也不同。
AI 深度解读
同一个 gpt-6-sol 做同一道题,原生 Codex CLI 用了 6 分 07 秒,放进 T3 Code 却用了 10 分 26 秒。作者翻完时间戳发现,T3 Code 有 6 分 06 秒在等一次清理审批。扣掉这段,剩下的工作用时是 4 分 20 秒。
作者还检查了三个交付版本,发现功能能跑、检查能过,多标签页仍可能互相覆盖数据,键盘焦点也可能在操作后丢失。这次对比最适合拿来改两件事:怎么给 AI 编程任务计时,怎么验收它交付的前端页面。
多出来的时间花在哪了?
作者基于同一个提交 3974f307,在独立的 git worktree 中跑了三次。任务是做一个单文件、可离线使用的文章选题工具。前两次分别用原生 codex exec 和 T3 Code 里的 Codex,模型都是 gpt-6-sol。第三次用 T3 Code 里的 Claude Sonnet 5.5,只作参考。三次都走同一个 OpenAI 兼容端点 https://api.crazyrouter.com/v1。原生 CLI 的沙箱是 workspace-write,T3 Code 这次用的是权限更宽的 danger-full-access,但它另有一条规则,操作超出工作区就要询问。
T3 Code 里的 Codex 在 03:01:24 做完功能和自测,随后尝试删除自己创建的 Chrome 临时配置目录。目录在工作区外,流程停下来等审批。从弹出审批到模型恢复,一共 6 分 06 秒,其中 44 秒发生在作者已经作出决定之后。扣掉这段,T3 Code 的工作用时比原生 CLI 少 1 分 47 秒。这里的工作用时包含工具执行,不能直接当作模型推理耗时。
为什么原生 CLI 多调了 13 次工具?
原生 CLI 调了 20 次工具,T3 Code 调了 7 次。多出来的调用大多在摸环境,比如跑 git status、确认工作目录、找 AGENTS.md、检查有没有 playwright、puppeteer 和 jsdom,以及确认 Node 和 WebSocket 支持情况。T3 Code 提前准备了环境和操作边界,省去了这些探测。
原生 CLI 在清理同一个临时目录时也触发了策略拒绝,但拒绝在毫秒级返回。代理改用 fs.rmSync,约 3 秒完成。它在浏览器上花的时间更多,约 2 分 24 秒。Edge 创建了临时配置,却没开调试端口,computer-use 也连不上窗口,最后只能在 Node 的 vm 里用模拟 DOM 做验证。
功能都交了,为什么还会覆盖数据、丢焦点?
作者按同一组 8 项要求检查三个版本,把越权编辑和凭空捏造文件列为硬失败,三个版本都没触发这一判定。验证覆盖有差别。原生版设了 680px 断点,报告里写明没在浏览器里看过。T3 Code 的 Codex 版在 360px 下实测没有横向滚动,Claude 版在 Edge 里通过了 28 项检查。
一个不知道代码作者是谁的 Claude 会话审查了 Codex 的产物,找出两个能复现的问题。第一,页面把状态留在内存,又没处理 storage 事件。两个标签页先后写入时,后写的页面可能用旧状态覆盖前一次修改。两个 Codex 版本都有这个问题,Claude 版自己做了标签页同步,避开了它。第二,每次操作都重新渲染整个列表,原本获得焦点的元素被移除,键盘焦点掉到 <body>。T3 Code 的 Codex 版和 Claude 版都有这处缺陷。
我的判断
把审批耗时从总耗时里拆出来,能解释这次为什么看起来慢。至于 T3 Code 能不能稳定省下 1 分 47 秒,三组各只跑了 1 次,网络波动、供应商排队和浏览器启动失败都可能影响结果,沙箱设置也不同。作者建议每组至少跑 3 次再下判断,也没测过缩短 AGENTS.md 能省多少时间。提前准备环境、在提示词里写清允许操作的路径,都是经验做法,原文没有单独做对照来量化收益。
末尾审查在 41 秒里找出两个真实缺陷,这个结果也有边界。360px 下没有横向滚动,回答的是窄屏布局问题。28 项检查全部通过,只能说明这些检查覆盖的行为过关。相比继续加通用检查,直接把「两个标签页交错写入」和「键盘操作后焦点落在哪里」写进验收条件,更贴近这道题暴露的缺陷。
能拿来做什么
- 比较 AI 编程工具的速度时,分别记下功能和自测完成、审批发起、人工决定、任务恢复的时间,再比较工作用时和总用时。
- 让代理做浏览器自测时,提前把临时 profile 放进工具明确允许操作的工作区路径,并指定可清理的目录,减少收尾时的审批等待。
- 验收用本地存储的离线页面时,开两个标签页交错新增和删除,再只用键盘操作列表,分别检查修改是否被覆盖、焦点是否还在可操作的控件上。
- 对响应式页面,明确要求在真实浏览器里验证目标宽度和横向滚动,并在交付说明里标出哪些检查只在模拟 DOM 中跑过。