# 1

我想做一个助手，和我探讨github上的项目，往往是ai相关的skill或者框架之类的，比如我发一个github链接，它能快速分析这个项目的使用目的、场景；
我来判断我是否要使用它；
它再回复我相关的环境准备，比如需要显卡、需要什么库、包或依赖。
总之是一个辅助我判断github项目的价值工具。
这个工具需要长期使用。

我现在有4个选择：
1. ChatGPT 直接讨论
2. ChatGPT 通过一个打造GPT的GPT（CCRA，智核角色架构师）讨论出来一个GPT的提示词，我做一个GitHub辅助GPT，来协助我
3. Codex上直接讨论
4. Codex打造一个Skill/Agent，然后利用这个来辅助

你推荐哪个，理由是什么？

---

## GPT

我的推荐是：**不要四选一，而是做“两层工具”**。

**第一层：ChatGPT 里的专用 GitHub 辅助 GPT，负责快速价值判断。**
**第二层：Codex 里的 Skill / Agent，负责深度技术验收、环境分析、可运行性检查。**

也就是：

> **日常入口用 ChatGPT GPT；需要动代码、看依赖、试运行时交给 Codex Skill。**

---

### 先给结论

四个选项里，我会这样排：

| 选项                           |  推荐程度 | 适合用途                |
| ---------------------------- | ----: | ------------------- |
| 1. ChatGPT 直接讨论              |   ⭐⭐⭐ | 临时问问可以，但长期使用会散      |
| 2. 用 CCRA 设计一个 GitHub 辅助 GPT | ⭐⭐⭐⭐⭐ | 最适合做长期入口、判断项目价值     |
| 3. Codex 上直接讨论               |  ⭐⭐⭐⭐ | 适合深入项目代码，但不适合轻量日常判断 |
| 4. Codex 打造 Skill / Agent    | ⭐⭐⭐⭐⭐ | 适合技术验收、依赖检查、安装风险评估  |

**最终推荐：2 + 4。**

你现在这个需求，本质上不是“帮我读一个 GitHub README”，而是一个长期使用的**项目价值判断工作流**。它至少包含三类判断：

1. **价值判断**：这个项目解决什么问题？和我已有体系有什么关系？值不值得研究？
2. **场景判断**：它适合本地 Agent、Skill、框架、论文写作、知识管理，还是只是玩具项目？
3. **工程判断**：能不能跑？需要 GPU 吗？依赖复杂吗？Windows 友好吗？和 Codex / ChatGPT / 现有工作流能否集成？

这三类判断不应该都放在一个地方做。

---

### 为什么不是只用 ChatGPT 直接讨论？

ChatGPT 直接讨论的好处是**灵活**，你发 GitHub 链接，我可以马上分析项目目的、架构、使用场景、风险点。

但问题是：**长期使用时，它会变成“每次重新发明轮子”**。

比如每次你都可能要重新提醒：

> 请先看 README，再判断项目定位，再看依赖，再判断是否需要 GPU，再判断是否适合我做 Skill / Agent，再输出使用建议。

这就很累。

ChatGPT 的自定义 GPT 支持配置说明、知识、能力等，适合把一套稳定任务流程固化下来。OpenAI 官方帮助也说明，GPTs 可以通过 instructions、knowledge、capabilities、actions 等方式配置，并且可以用对话方式创建和管理。([OpenAI Help Center][1])

所以，**直接讨论适合作为临时实验，不适合作为长期工具主入口**。

---

### 为什么推荐先做一个 GitHub 辅助 GPT？

因为你的第一需求是：

> “我来判断我是否要使用它。”

这不是纯工程问题，而是**决策辅助问题**。

你需要的是一个“项目情报官 + 技术可行性初筛员”，而不是一上来就 clone repo、跑安装、读源码。

这个 GPT 可以固定输出结构，比如：

```text
1. 项目一句话定位
2. 它解决的问题
3. 适合谁用
4. 不适合谁用
5. 和我已有工作流的关系
6. 是否值得继续研究：高 / 中 / 低
7. 需要进一步验证的问题
8. 如果进入 Codex 深挖，需要检查哪些文件
```

这类判断，ChatGPT 比 Codex 更适合，因为它更像你的“技术参谋”。你也可以通过 CCRA 先设计这个 GPT 的角色、判断框架、输出模板。这个路径和你之前做 CCPE、Skill、Agent 框架的习惯是匹配的。

但我建议别把它设计得太重。不要一开始就做成“巨型专家系统”。先做一个**轻量但稳定的 GitHub 项目评估 GPT**。

---

### Codex 适合放在哪里？

Codex 更适合做第二阶段：**技术验收和实操检查**。

比如你已经初步判断一个项目有价值，接下来想知道：

* 能不能在 Windows 上跑？
* 需要 Python 多少版本？
* `requirements.txt` / `pyproject.toml` / `package.json` 里依赖是否重？
* 是否需要 CUDA / GPU？
* 是否调用了 OpenAI、Anthropic、Ollama、LangChain、MCP 等？
* 是否有 Dockerfile？
* 是否有测试？
* 是否长期维护？
* 是否适合拆成 Skill？
* 是否能融入你的 `skills-vault` 或 `ccpe-system`？

这时候 Codex 的价值就出来了。OpenAI 的 Codex CLI 官方仓库说明它是一个在本地电脑运行的 coding agent；如果想在 IDE 中使用，可以安装到 VS Code、Cursor、Windsurf 等环境；如果需要云端 agent，则有 Codex Web。([GitHub][2]) OpenAI 的 Codex cloud 文档也说明，Codex 可以在自己的云环境中处理任务，包括并行和后台任务。([OpenAI开发者][3])

所以，**Codex 不是第一判断入口，而是第二阶段的工程验证器**。

---

### 为什么不建议“Codex 上直接讨论”作为主方案？

Codex 当然能讨论，而且面对 GitHub 项目时，它有一个巨大优势：**它可以更自然地进入代码、文件、依赖、测试和运行环境**。

但你的需求不是纯代码审查，而是：

> “这个东西对我有没有价值？”

这需要结合你的长期方向：AI Skill、Agent、CCPE、知识管理、论文工作流、本地自动化。Codex 直接讨论容易把问题带进工程细节，反而可能早早陷入：

> 这个文件怎么跑、哪个包报错、要不要改 requirements。

这会让“价值判断”被“安装排错”吞掉。这个坑挺常见，堪称 GitHub 项目探索里的沼泽地：README 看着像未来，`pip install` 之后像古战场。

所以我建议：

**ChatGPT GPT 负责“是否值得深入”；Codex 负责“深入后能不能落地”。**

---

### 为什么最终推荐“GPT + Codex Skill”？

因为你这个工具要长期用，长期用就需要**流程固化**。

我建议你做成下面这个分工：

#### A. GitHub 辅助 GPT：项目价值雷达

主要回答：

```text
这个项目是什么？
解决什么问题？
适合什么场景？
和我有什么关系？
我是否值得继续看？
如果继续看，下一步让 Codex 检查什么？
```

输出风格应该短、准、可决策。

最好固定一个评分结构：

| 维度       |                              评分 |
| -------- | ------------------------------: |
| 项目定位清晰度  |                             1-5 |
| 与我工作流相关性 |                             1-5 |
| 工程成熟度    |                             1-5 |
| 学习/借鉴价值  |                             1-5 |
| 接入成本     |                             1-5 |
| 风险       |                       低 / 中 / 高 |
| 推荐动作     | 放弃 / 收藏 / 试跑 / 深挖 / 纳入 Skill 候选 |

#### B. Codex Skill / Agent：项目技术体检员

主要做：

```text
读取仓库结构
检查 README
检查依赖文件
判断运行环境
判断 GPU / CUDA / Docker / Node / Python 要求
识别外部 API 依赖
评估安装复杂度
输出本地试跑步骤
输出接入 skills-vault 的建议
```

这个 Skill 可以固定检查这些文件：

```text
README.md
docs/
examples/
requirements.txt
pyproject.toml
setup.py
package.json
pnpm-lock.yaml
Dockerfile
docker-compose.yml
.env.example
Makefile
.github/workflows/
tests/
```

然后输出：

```text
1. 环境要求
2. 安装步骤
3. 最小试跑路径
4. 可能报错点
5. 是否需要 GPU
6. 是否需要 API Key
7. 是否适合 Windows
8. 是否适合封装成 Skill
9. 是否值得 clone / fork / 仿写
```

---

### 我建议你的实际工作流

你以后看到一个 GitHub 项目，可以这样用：

#### 第一步：发给 GitHub 辅助 GPT

你发：

```text
请评估这个项目是否值得我研究：
https://github.com/xxx/yyy

重点从 AI Skill / Agent / 自动化工作流 / 本地部署价值判断。
```

GPT 输出：

```text
结论：值得 / 不值得 / 只值得借鉴
原因：
适合场景：
不适合场景：
风险：
建议下一步：
```

#### 第二步：如果值得，再交给 Codex

你对 Codex 说：

```text
请按 GitHub 项目技术体检 Skill 检查这个仓库：
1. 环境要求
2. 依赖复杂度
3. 是否需要 GPU
4. 最小可运行路径
5. 是否适合封装为本地 Skill
6. 给出我在 Windows 上的试跑步骤
```

#### 第三步：沉淀到你的系统里

最后让 GPT 或 Codex 输出一个项目卡片：

```md
# Project Review: xxx

## 一句话定位
## 适用场景
## 不适用场景
## 工程要求
## 依赖风险
## 与我的系统关系
## 是否纳入 skills-vault
## 后续动作
```

这样你就不只是“看 GitHub 项目”，而是在建立自己的**AI 工具雷达库**。

---

### 四个选项逐一判断

#### 1. ChatGPT 直接讨论

适合：刚开始探索、临时判断。
不适合：长期稳定使用。

优点是快，缺点是不够制度化。你已经有 CCPE、skills-vault、Codex 工作流这些长期系统了，所以不建议停留在这个层面。

**结论：可用，但只作为临时模式。**

---

#### 2. CCRA 帮你设计一个 GitHub 辅助 GPT

这是我最推荐的第一步。

因为 CCRA 的价值不是“帮你写几句提示词”，而是帮你设计：

* 角色边界
* 判断维度
* 输出模板
* 追问机制
* 项目分级标准
* 和 Codex 的交接格式

这个 GPT 不需要替你跑项目，它只要稳定完成**快速判断**。

**结论：强烈推荐，作为主入口。**

---

#### 3. Codex 上直接讨论

适合：你已经决定要研究某个项目，需要看源码、依赖、运行路径。

但不适合做第一入口，因为它容易太工程化。你还没判断值不值得，就开始查依赖、跑环境，成本偏高。

**结论：适合第二阶段，不适合第一入口。**

---

#### 4. Codex 打造 Skill / Agent

这个也非常推荐，但它应该服务于“已经筛选过的项目”。

比如 GPT 判断：

> 这个项目可能值得研究，建议进入工程体检。

然后 Codex Skill 接手：

> 我来检查它到底能不能跑、怎么跑、需不需要 GPU、适不适合改造成你的 Skill。

**结论：强烈推荐，作为深度验收工具。**

---

### 最终架构建议

我建议你做成这个结构：

```text
GitHub 链接
   ↓
ChatGPT GitHub 辅助 GPT
   ↓
快速判断：
- 值不值得看
- 适合什么场景
- 是否与我的系统有关
- 是否需要 Codex 深挖
   ↓
如果值得
   ↓
Codex GitHub 技术体检 Skill
   ↓
深度检查：
- 仓库结构
- 依赖
- GPU
- API Key
- 本地部署
- 最小试跑
- Skill 化可能性
   ↓
沉淀为项目卡片
```

一句话：

> **ChatGPT GPT 做“战略判断”，Codex Skill 做“工程验尸”。**

“验尸”这个词可能有点狠，但 GitHub 项目嘛，很多 README 活着，代码已经凉了。冷静点好。

---

### 我建议你下一步先做什么

先不要直接做 Codex Skill。
先做一个 **GitHub 项目评估 GPT 的提示词 v1**。

原因是：你的判断标准还需要先稳定下来。等你用 GPT 评估 10-20 个项目之后，自然会知道哪些问题是高频的，再把这些高频检查项固化进 Codex Skill。

推荐路线：

```text
阶段 1：ChatGPT 直接讨论 3-5 个项目
阶段 2：用 CCRA 固化为 GitHub 辅助 GPT
阶段 3：用这个 GPT 评估 10-20 个项目
阶段 4：总结高频检查项
阶段 5：在 Codex 中做 GitHub 技术体检 Skill
阶段 6：形成项目卡片库
```

所以我的最终建议是：

> **先选 2，做一个 GitHub 辅助 GPT；同时把 4 作为第二阶段建设目标。不要只选 1，也不要一开始就把全部复杂度压到 Codex Skill 上。**

[1]: https://help.openai.com/en/articles/8554397-creating-and-editing-gpts?utm_source=chatgpt.com "Creating and editing GPTs"
[2]: https://github.com/openai/codex?utm_source=chatgpt.com "openai/codex: Lightweight coding agent that runs in your ..."
[3]: https://developers.openai.com/codex/cloud?utm_source=chatgpt.com "Codex web"

我的推荐是：**不要四选一，而是做“两层工具”**。

**第一层：ChatGPT 里的专用 GitHub 辅助 GPT，负责快速价值判断。**
**第二层：Codex 里的 Skill / Agent，负责深度技术验收、环境分析、可运行性检查。**

也就是：

> **日常入口用 ChatGPT GPT；需要动代码、看依赖、试运行时交给 Codex Skill。**

---

## 先给结论

四个选项里，我会这样排：

| 选项                           |  推荐程度 | 适合用途                |
| ---------------------------- | ----: | ------------------- |
| 1. ChatGPT 直接讨论              |   ⭐⭐⭐ | 临时问问可以，但长期使用会散      |
| 2. 用 CCRA 设计一个 GitHub 辅助 GPT | ⭐⭐⭐⭐⭐ | 最适合做长期入口、判断项目价值     |
| 3. Codex 上直接讨论               |  ⭐⭐⭐⭐ | 适合深入项目代码，但不适合轻量日常判断 |
| 4. Codex 打造 Skill / Agent    | ⭐⭐⭐⭐⭐ | 适合技术验收、依赖检查、安装风险评估  |

**最终推荐：2 + 4。**

你现在这个需求，本质上不是“帮我读一个 GitHub README”，而是一个长期使用的**项目价值判断工作流**。它至少包含三类判断：

1. **价值判断**：这个项目解决什么问题？和我已有体系有什么关系？值不值得研究？
2. **场景判断**：它适合本地 Agent、Skill、框架、论文写作、知识管理，还是只是玩具项目？
3. **工程判断**：能不能跑？需要 GPU 吗？依赖复杂吗？Windows 友好吗？和 Codex / ChatGPT / 现有工作流能否集成？

这三类判断不应该都放在一个地方做。

---

## 为什么不是只用 ChatGPT 直接讨论？

ChatGPT 直接讨论的好处是**灵活**，你发 GitHub 链接，我可以马上分析项目目的、架构、使用场景、风险点。

但问题是：**长期使用时，它会变成“每次重新发明轮子”**。

比如每次你都可能要重新提醒：

> 请先看 README，再判断项目定位，再看依赖，再判断是否需要 GPU，再判断是否适合我做 Skill / Agent，再输出使用建议。

这就很累。

ChatGPT 的自定义 GPT 支持配置说明、知识、能力等，适合把一套稳定任务流程固化下来。OpenAI 官方帮助也说明，GPTs 可以通过 instructions、knowledge、capabilities、actions 等方式配置，并且可以用对话方式创建和管理。([OpenAI Help Center][1])

所以，**直接讨论适合作为临时实验，不适合作为长期工具主入口**。

---

## 为什么推荐先做一个 GitHub 辅助 GPT？

因为你的第一需求是：

> “我来判断我是否要使用它。”

这不是纯工程问题，而是**决策辅助问题**。

你需要的是一个“项目情报官 + 技术可行性初筛员”，而不是一上来就 clone repo、跑安装、读源码。

这个 GPT 可以固定输出结构，比如：

```text
1. 项目一句话定位
2. 它解决的问题
3. 适合谁用
4. 不适合谁用
5. 和我已有工作流的关系
6. 是否值得继续研究：高 / 中 / 低
7. 需要进一步验证的问题
8. 如果进入 Codex 深挖，需要检查哪些文件
```

这类判断，ChatGPT 比 Codex 更适合，因为它更像你的“技术参谋”。你也可以通过 CCRA 先设计这个 GPT 的角色、判断框架、输出模板。这个路径和你之前做 CCPE、Skill、Agent 框架的习惯是匹配的。

但我建议别把它设计得太重。不要一开始就做成“巨型专家系统”。先做一个**轻量但稳定的 GitHub 项目评估 GPT**。

---

## Codex 适合放在哪里？

Codex 更适合做第二阶段：**技术验收和实操检查**。

比如你已经初步判断一个项目有价值，接下来想知道：

* 能不能在 Windows 上跑？
* 需要 Python 多少版本？
* `requirements.txt` / `pyproject.toml` / `package.json` 里依赖是否重？
* 是否需要 CUDA / GPU？
* 是否调用了 OpenAI、Anthropic、Ollama、LangChain、MCP 等？
* 是否有 Dockerfile？
* 是否有测试？
* 是否长期维护？
* 是否适合拆成 Skill？
* 是否能融入你的 `skills-vault` 或 `ccpe-system`？

这时候 Codex 的价值就出来了。OpenAI 的 Codex CLI 官方仓库说明它是一个在本地电脑运行的 coding agent；如果想在 IDE 中使用，可以安装到 VS Code、Cursor、Windsurf 等环境；如果需要云端 agent，则有 Codex Web。([GitHub][2]) OpenAI 的 Codex cloud 文档也说明，Codex 可以在自己的云环境中处理任务，包括并行和后台任务。([OpenAI开发者][3])

所以，**Codex 不是第一判断入口，而是第二阶段的工程验证器**。

---

## 为什么不建议“Codex 上直接讨论”作为主方案？

Codex 当然能讨论，而且面对 GitHub 项目时，它有一个巨大优势：**它可以更自然地进入代码、文件、依赖、测试和运行环境**。

但你的需求不是纯代码审查，而是：

> “这个东西对我有没有价值？”

这需要结合你的长期方向：AI Skill、Agent、CCPE、知识管理、论文工作流、本地自动化。Codex 直接讨论容易把问题带进工程细节，反而可能早早陷入：

> 这个文件怎么跑、哪个包报错、要不要改 requirements。

这会让“价值判断”被“安装排错”吞掉。这个坑挺常见，堪称 GitHub 项目探索里的沼泽地：README 看着像未来，`pip install` 之后像古战场。

所以我建议：

**ChatGPT GPT 负责“是否值得深入”；Codex 负责“深入后能不能落地”。**

---

## 为什么最终推荐“GPT + Codex Skill”？

因为你这个工具要长期用，长期用就需要**流程固化**。

我建议你做成下面这个分工：

### A. GitHub 辅助 GPT：项目价值雷达

主要回答：

```text
这个项目是什么？
解决什么问题？
适合什么场景？
和我有什么关系？
我是否值得继续看？
如果继续看，下一步让 Codex 检查什么？
```

输出风格应该短、准、可决策。

最好固定一个评分结构：

| 维度       |                              评分 |
| -------- | ------------------------------: |
| 项目定位清晰度  |                             1-5 |
| 与我工作流相关性 |                             1-5 |
| 工程成熟度    |                             1-5 |
| 学习/借鉴价值  |                             1-5 |
| 接入成本     |                             1-5 |
| 风险       |                       低 / 中 / 高 |
| 推荐动作     | 放弃 / 收藏 / 试跑 / 深挖 / 纳入 Skill 候选 |

### B. Codex Skill / Agent：项目技术体检员

主要做：

```text
读取仓库结构
检查 README
检查依赖文件
判断运行环境
判断 GPU / CUDA / Docker / Node / Python 要求
识别外部 API 依赖
评估安装复杂度
输出本地试跑步骤
输出接入 skills-vault 的建议
```

这个 Skill 可以固定检查这些文件：

```text
README.md
docs/
examples/
requirements.txt
pyproject.toml
setup.py
package.json
pnpm-lock.yaml
Dockerfile
docker-compose.yml
.env.example
Makefile
.github/workflows/
tests/
```

然后输出：

```text
1. 环境要求
2. 安装步骤
3. 最小试跑路径
4. 可能报错点
5. 是否需要 GPU
6. 是否需要 API Key
7. 是否适合 Windows
8. 是否适合封装成 Skill
9. 是否值得 clone / fork / 仿写
```

---

## 我建议你的实际工作流

你以后看到一个 GitHub 项目，可以这样用：

### 第一步：发给 GitHub 辅助 GPT

你发：

```text
请评估这个项目是否值得我研究：
https://github.com/xxx/yyy

重点从 AI Skill / Agent / 自动化工作流 / 本地部署价值判断。
```

GPT 输出：

```text
结论：值得 / 不值得 / 只值得借鉴
原因：
适合场景：
不适合场景：
风险：
建议下一步：
```

### 第二步：如果值得，再交给 Codex

你对 Codex 说：

```text
请按 GitHub 项目技术体检 Skill 检查这个仓库：
1. 环境要求
2. 依赖复杂度
3. 是否需要 GPU
4. 最小可运行路径
5. 是否适合封装为本地 Skill
6. 给出我在 Windows 上的试跑步骤
```

### 第三步：沉淀到你的系统里

最后让 GPT 或 Codex 输出一个项目卡片：

```md
# Project Review: xxx

## 一句话定位
## 适用场景
## 不适用场景
## 工程要求
## 依赖风险
## 与我的系统关系
## 是否纳入 skills-vault
## 后续动作
```

这样你就不只是“看 GitHub 项目”，而是在建立自己的**AI 工具雷达库**。

---

## 四个选项逐一判断

### 1. ChatGPT 直接讨论

适合：刚开始探索、临时判断。
不适合：长期稳定使用。

优点是快，缺点是不够制度化。你已经有 CCPE、skills-vault、Codex 工作流这些长期系统了，所以不建议停留在这个层面。

**结论：可用，但只作为临时模式。**

---

### 2. CCRA 帮你设计一个 GitHub 辅助 GPT

这是我最推荐的第一步。

因为 CCRA 的价值不是“帮你写几句提示词”，而是帮你设计：

* 角色边界
* 判断维度
* 输出模板
* 追问机制
* 项目分级标准
* 和 Codex 的交接格式

这个 GPT 不需要替你跑项目，它只要稳定完成**快速判断**。

**结论：强烈推荐，作为主入口。**

---

### 3. Codex 上直接讨论

适合：你已经决定要研究某个项目，需要看源码、依赖、运行路径。

但不适合做第一入口，因为它容易太工程化。你还没判断值不值得，就开始查依赖、跑环境，成本偏高。

**结论：适合第二阶段，不适合第一入口。**

---

### 4. Codex 打造 Skill / Agent

这个也非常推荐，但它应该服务于“已经筛选过的项目”。

比如 GPT 判断：

> 这个项目可能值得研究，建议进入工程体检。

然后 Codex Skill 接手：

> 我来检查它到底能不能跑、怎么跑、需不需要 GPU、适不适合改造成你的 Skill。

**结论：强烈推荐，作为深度验收工具。**

---

## 最终架构建议

我建议你做成这个结构：

```text
GitHub 链接
   ↓
ChatGPT GitHub 辅助 GPT
   ↓
快速判断：
- 值不值得看
- 适合什么场景
- 是否与我的系统有关
- 是否需要 Codex 深挖
   ↓
如果值得
   ↓
Codex GitHub 技术体检 Skill
   ↓
深度检查：
- 仓库结构
- 依赖
- GPU
- API Key
- 本地部署
- 最小试跑
- Skill 化可能性
   ↓
沉淀为项目卡片
```

一句话：

> **ChatGPT GPT 做“战略判断”，Codex Skill 做“工程验尸”。**

“验尸”这个词可能有点狠，但 GitHub 项目嘛，很多 README 活着，代码已经凉了。冷静点好。

---

## 我建议你下一步先做什么

先不要直接做 Codex Skill。
先做一个 **GitHub 项目评估 GPT 的提示词 v1**。

原因是：你的判断标准还需要先稳定下来。等你用 GPT 评估 10-20 个项目之后，自然会知道哪些问题是高频的，再把这些高频检查项固化进 Codex Skill。

推荐路线：

```text
阶段 1：ChatGPT 直接讨论 3-5 个项目
阶段 2：用 CCRA 固化为 GitHub 辅助 GPT
阶段 3：用这个 GPT 评估 10-20 个项目
阶段 4：总结高频检查项
阶段 5：在 Codex 中做 GitHub 技术体检 Skill
阶段 6：形成项目卡片库
```

所以我的最终建议是：

> **先选 2，做一个 GitHub 辅助 GPT；同时把 4 作为第二阶段建设目标。不要只选 1，也不要一开始就把全部复杂度压到 Codex Skill 上。**

[1]: https://help.openai.com/en/articles/8554397-creating-and-editing-gpts?utm_source=chatgpt.com "Creating and editing GPTs"
[2]: https://github.com/openai/codex?utm_source=chatgpt.com "openai/codex: Lightweight coding agent that runs in your ..."
[3]: https://developers.openai.com/codex/cloud?utm_source=chatgpt.com "Codex web"