База знаний

Как Codex собирает запрос к LLM

Вы пишете «Сравни два документа и перечисли расхождения». В окне чата видны постановка и ответ. Между ними Codex выбирает инструкции, собирает контекст, обрабатывает запросы инструментов и может выполнить несколько обращений к модели. Разберём, где происходит каждый шаг и что можно проверить в локальном репозитории.

Исходники изучены 15 ноября 2026 года, ревизия 727283cea5ba30e8cf8bbac6b68a03a4d91cf1b7. Здесь описана клиентская реализация. Внутреннее устройство сервиса OpenAI по этим файлам установить нельзя. Предлагаемые эксперименты с LLM не выдаются за выполненные.

Откуда берутся инструкции

Каталог моделей находится в codex-rs/models-manager/models.json. Это набор записей с идентификаторами моделей, параметрами контекстного окна, возможностями инструментов и семействами текстов model_messages. Модель не читает этот файл сама: его обрабатывает клиент.

  1. bundled_models_response() в models-manager/src/lib.rs использует include_str!. Файл встраивается в бинарник при сборке.
  2. OpenAiModelsManager инициализируется встроенными данными. В зависимости от режима обновления и провайдера он может использовать кеш или получить каталог через API. Ветка API-key discovery имеет собственные условия.
  3. get_model_info выбирает запись, а with_config_overrides применяет настройки. Например, явно заданные базовые инструкции заменяют instructions_template.
  4. render_model_instructions получает текст instructions_template. Остальные семейства сообщений выбираются своими потребителями; весь JSON не отправляется как одна инструкция.

При создании сессии в core/src/session/mod.rs действует порядок выбора Базовые инструкции: явное значение конфигурации → значение из сохранённой или наследуемой истории → текст выбранной модели. Поэтому совпадение фразы из лога с models.json ещё не устанавливает источник каталога именно этой сессии.

Правка файла в checkout не меняет уже собранный или установленный Codex. Для воспроизводимого исследования нужно зафиксировать бинарник, ревизию сборки, источник каталога и эффективные настройки. Даже новая сборка может использовать обновлённый каталог или сохранённые инструкции.

Поиск источников инструкций
rg -n 'include_str!' codex-rs/models-manager/src/lib.rs
rg -n 'try_load_cache|fetch_and_update_models|get_model_info' codex-rs/models-manager/src/manager.rs
rg -n -A 6 'let base_instructions = config' codex-rs/core/src/session/mod.rs
rg -n 'instructions_template' codex-rs/prompts/src/model_instructions.rs

Что входит в запрос помимо вашего сообщения

Контекст собирается из нескольких источников. Состав зависит от конфигурации, режима, подключённых расширений и текущего состояния. Следующая таблица показывает роли частей, а не обещает их обязательное наличие в каждом запросе.

Источники данных для генерации
ЧастьКто подготавливаетНазначение
Базовые инструкцииКонфигурация сессии и каталогОбщие правила поведения
Роль, режим и средаСборщики контекста CodexПоложение в команде, ограничения и условия работы
AGENTS.md и навыкиЗагрузчики инструкцийПравила проекта и выбранные процедуры
ИнструментыПланировщик набора инструментов и ToolRouterИмена, описание возможностей и формат аргументов
История и результатыМенеджер контекстаДанные предыдущих шагов, нужные текущей генерации
Сообщение пользователяИнтерфейс и очередь вводаПостановка или уточнение задачи

В run_turn история проходит через for_prompt. Затем build_responses_request добавляет префикс к input. В обычной ветке описания инструментов передаются полем tools; в Responses Lite клиент может добавить AdditionalTools с ролью developer перед базовыми инструкциями.

Все эти части собираются в конечный промпт — полный входной контекст очередной генерации. Отдельное сообщение или базовая инструкция тоже могут называться промптом, но это лишь части общего входа. При этом сериализованный API-запрос включает и технические параметры обращения, которые не являются содержанием промпта. На стороне клиента есть также адаптация отправляемых инструкций: get_prompt_base_instructions может исключать указания update_plan, не изменяя сохранённую основу.

Поиск сборки контекста
rg -n 'for_prompt|sampling_request_input|build_skills_and_plugins' codex-rs/core/src/session/turn.rs
rg -n 'AdditionalTools|BaseInstructionsFragment|input.splice' codex-rs/core/src/client.rs
rg -n 'get_prompt_base_instructions|without_update_plan_instructions' codex-rs/core/src/session/mod.rs

Кто управляет следующими шагами

Языковая модель (LLM) генерирует ответ. Если он содержит данные вызова инструмента, Обвязки (harness) разбирают их, проверяют условия и запускают исполнитель. Результат возвращается в историю и может потребовать следующего запроса к модели.

Цикл выполнения
Сообщение пользователя
  → сборка контекста в Codex
  → запрос к сервису модели
  → ответ с текстом или данными для операции
  → обработка ответа локальными обвязками
  → исполнение инструмента, если он запрошен и разрешён
  → результат в историю
  → следующая генерация или завершение хода

Это Оркестрация. В core/src/session/turn.rs цикл run_turn вычисляет необходимость продолжения по результату обработки и очереди входящих сообщений. Hooks, отмена и ошибки также влияют на дальнейшие действия.

Граница с сервером не сводится к текстовому входу и выходу: в hosted-ветке веб-поиск делегируется API, а remote compaction V2 получает элемент Compaction от сервера. При этом решение о сокращении и установка новой истории находятся в клиенте. Протокол продолжения WebSocket может передавать previous_response_id и новые элементы вместо повторения всего входа. Эти возможности не доказывают серверное управление локальной памятью или дочерними сессиями.

Память имеет собственный клиентский pipeline в memories/write/src: выбор заданий, извлечение через генерацию, сохранение и консолидация. В репозитории также есть клиент memories/trace_summarize, но его наличие нельзя считать доказательством использования: в исследованном pipeline вызывается stream_stage_one_prompt.

Что получают субагенты и кто делит задачу

Несколько смысловых частей сообщения не превращаются автоматически в несколько процессов. Декомпозиция задачи может остаться планом одной сессии. Обработчик update_plan только публикует PlanUpdate. Для создания исполнителя используется отдельный вызов spawn_agent.

В обычном пути создания Субагент обвязка копирует базовые инструкции родительской сессии в дочернюю конфигурацию, применяет настройки роли и передаёт поручение. Родитель не генерирует весь контекст ребёнка с нуля. Наследование истории задаётся отдельно режимом fork.

В каталоге есть тексты multi_agent.role.root и multi_agent.role.subagent. Роль в дереве влияет на добавляемые инструкции. Набор инструментов может отличаться: действуют настройки роли, возможности модели и feature flags; например, наследование динамических инструментов свежим ребёнком V2 зависит от MultiAgentV2DynamicTools.

Ребёнок может создавать потомков, если у него есть инструменты делегирования и запуск допустим. V1 проверяет глубину, V2 — условия выдачи native tools и поддержку моделью; запуск также ограничен ёмкостью. В коде роли не получают права произвольно расширить полномочия родителя.

Дочерняя сессия имеет свой цикл. Локальный backend создаёт её через ThreadManager; выполнение задач использует tokio::spawn. Это асинхронные задачи, а не доказательство отдельного PID на каждого агента. Процесс ОС действительно создаётся, например, когда TypeScript SDK запускает CLI через node:child_process.

Программный completion watcher отслеживает статус ребёнка и доставляет сообщение родителю. В V2 wait_agent просыпается от mailbox, нового ввода или тайм-аута. Поэтому родитель может отвечать на уточнения во время работы детей. Следующий ответ LLM строится на полученном контексте; непрерывного фонового «наблюдения самой LLM» этот код не показывает.

Проверка делегирования
rg -n 'PlanUpdate' codex-rs/core/src/tools/handlers/plan.rs
rg -n 'ThreadSpawnRequest|thread_spawn::spawn' codex-rs/core/src/tools/handlers/multi_agents_v2/spawn.rs
rg -n 'config.base_instructions =|apply_spawn_agent_role' codex-rs/core/src/agent/child_config.rs
rg -n 'collab_tools_enabled|agent_max_depth|disable_native_tools' codex-rs/core/src/tools/spec_plan.rs
rg -n 'maybe_start_completion_watcher|tokio::spawn' codex-rs/core/src/agent/control.rs
rg -n 'InputQueueActivity::Steer|InputQueueActivity::Mailbox' codex-rs/core/src/tools/handlers/multi_agents_v2/wait.rs

Как проверить путь от сообщения к результату

Начните с подготовки к упражнениям: зафиксируйте ревизию, путь и версию бинарника. Команды выше проверяют устройство кода. Наблюдение запущенной сессии решает другую задачу: установить, какая ветка действительно сработала.

  1. Выполните опыт из статьи Инструмент. Найдите реальные события операции и её результат, затем итоговый ответ. Не ограничивайтесь утверждением модели о чтении файла.
  2. Выполните опыт из статьи Декомпозиция задачи. Сравните текстовый план с двумя фактическими дочерними сессиями.
  3. При активных детях отправьте вопрос о статусе. В статье Параллельное выполнение указано, какие моменты времени и состояния сопоставить.
  4. Для проверки полного запроса проследите сборку Prompt и ResponsesApiRequest в отладчике выбранной сборки. Остановки у build_prompt и build_responses_request позволяют различить историю, базовые инструкции, инструменты и итоговый input. При оптимизированной сборке понадобится сборка с доступными отладочными символами.

codex exec --json показывает поток событий приложения, но не следует считать его дампом полного сетевого запроса. Даже prompt_debug::build_prompt_input возвращает prompt.input, а сериализация клиента выполняет дополнительные шаги. Не выводите секреты и содержимое чужих документов в публикуемые примеры трассировок.

Задача для закрепления

В логе видна инструкция из models.json и один ответ от субагента. Что ещё нужно установить, чтобы доказать происхождение инструкции и параллельное выполнение?

Нужно установить источник эффективного каталога и приоритет конфигурации/истории, проверить отправленный контекст дочерней сессии, а для параллелизма — сопоставить идентификаторы и временные интервалы двух работ. Совпадение текста и наличие одного результата этих выводов не обеспечивают.

Что это даёт для собственных задач

Неинтерактивный запуск подтверждён интерфейсом exec: он принимает постановку и stdin, выдаёт JSONL и поддерживает схему финального ответа. Поэтому исследование Codex можно начинать с обработки текстов и документов, а не только с изменений кода.

  • Извлечение решений из протокола. Передать текст через stdin, получить результат и проверить его по исходнику. Пример команды есть в статье о неинтерактивном запуске.
  • Сравнение независимых документов. Два исполнителя извлекают факты, родитель сопоставляет результаты. Механизмы создания и доставки сообщений реализованы; качество сравнения проверяется отдельным опытом.
  • Подключение собственной операции. MCP-обработчик даёт путь к внешнему инструменту, например поиску документа. Конкретный сервер, его авторизация и корректность операции требуют собственной реализации и проверки.

Это сценарии применения подтверждённых интерфейсов, а не отчёт об уже проверенных интеграциях. Для каждого процесса определяйте вход, доступные действия, ожидаемый результат и критерий завершения. Термины помогают не подменять эти проверки общим утверждением «агент всё сделал».

Написать мне