Tutorial: AIHubMix in Codex CLI einbinden

​

Installation

​

Offizieller Download (macOS-Version)

​

Installation per Kommandozeile

npm install -g @openai/codex

​

Konfiguration der Umgebungsvariablen

​

Konfiguration über Konfigurationsdateien

1. Bearbeiten Sie die Konfigurationsdatei ~/.codex/config.toml und fügen Sie die folgenden Einstellungen hinzu:

profile = "aihubmix"

[model_providers.aihubmix]
name = "aihubmix"
base_url = "https://aihubmix.com/v1"
personality = "pragmatic"
wire_api = "responses"

[profiles.aihubmix]
model = "gpt-5.2"
model_provider = "aihubmix"
model_reasoning_effort = "high"

2. Bearbeiten Sie die Konfigurationsdatei ~/.codex/auth.json und ändern Sie die folgenden Einstellungen:

{
  "OPENAI_API_KEY": "AIHUBMIX_API_KEY"
}

​

Konfiguration via cc-switch

1. Starten Sie CC-Switch und fügen Sie den Anbieter hinzu.

2. Wählen Sie aus der Voreinstellungsliste „AiHubMix”.

3. Geben Sie Ihren Key in das Feld „API Key” ein und klicken Sie auf „Add”, um die Einstellungen zu speichern.

4. Kehren Sie zur Startseite zurück, wählen Sie „AiHubMix” aus der Anbieterliste und klicken Sie auf „Enable”, um es zu verwenden.

​

Codex verwenden

​

Verwendung im Terminal

1. Öffnen Sie das Terminal, navigieren Sie in Ihr Projektverzeichnis und führen Sie den Befehl codex aus.

cd /your/project/path
codex

2. Legen Sie die Berechtigungen nach Bedarf fest.

3. Wählen Sie das benötigte Modell anhand Ihrer Anforderungen.

4. Geben Sie natürliche Sprache ein; wenn Sie eine normale Antwort erhalten, war die Konfiguration erfolgreich.

​

Verwendung in der Codex-Desktop-App

1. Öffnen Sie die Codex-Desktop-App und wählen Sie das Arbeitsverzeichnis.
2. Geben Sie die Aufgabe in das Eingabefeld ein; wenn Sie eine normale Antwort erhalten, war die Konfiguration erfolgreich.

​

Nützliche Befehlsreferenzen

​

Hilfe-Befehl

codex -h

​

Vollständige Befehlsoptionen

Usage
  $ codex [options] <prompt>

Options
  -h, --help                 Show help information and exit
  -m, --model <model>        Specify the model to use (default: codex-mini-latest)
  -i, --image <path>         Path to the file containing image input
  -v, --view <rollout>       View previously saved session records
  -q, --quiet                Non-interactive mode, only prints the final output of the assistant
  -a, --approval-mode <mode> Override approval policy: 'suggest', 'auto-edit', or 'full-auto'

  --auto-edit                Automatically approve file edits; will still prompt for command confirmation
  --full-auto                Automatically approve edits and commands in sandbox environment

  --no-project-doc           Do not automatically include 'codex.md' file from the repository
  --project-doc <file>       Include specified Markdown file as context
  --full-stdout              Do not truncate stdout/stderr of command output

Dangerous Options
  --dangerously-auto-approve-everything
                             Skip all confirmation prompts and execute commands directly (no sandbox protection)
                             For use only in temporary local testing environments

Experimental Options
  -f, --full-context         Start in "full context" mode, loading the entire repository into context
                             and applying bulk edits in a single operation
                             Only compatible with --model parameter

Examples
  $ codex "Write and run a Python program that prints ASCII art"
  $ codex -q "Fix build issues"

​

Benutzerdefinierte Modelle in Codex verwenden

Offizielle Dokumentation: Advanced Configuration · OSS mode / local providers

​

Zwei Anbindungswege

​

Schritt 1: Modellkatalog-Datei erzeugen

​

1.1 Zuerst das Format verstehen: ein festes Modell

{
  "models": [
    {
      "slug": "glm-5.2",
      "display_name": "GLM 5.2",
      "description": "GLM 5.2 (via AIHubMix)",
      "context_window": 1000000,
      "max_context_window": 1000000,
      "supported_reasoning_levels": [
        { "effort": "low",    "description": "Fast responses" },
        { "effort": "medium", "description": "Balanced" },
        { "effort": "high",   "description": "Deeper reasoning" }
      ],
      "shell_type": "shell_command",
      "visibility": "list",
      "supported_in_api": true,
      "priority": 0,
      "availability_nux": null,
      "upgrade": null,
      "base_instructions": "You are Codex, a coding agent.",
      "supports_reasoning_summaries": true,
      "support_verbosity": false,
      "default_verbosity": null,
      "apply_patch_tool_type": null,
      "truncation_policy": { "mode": "tokens", "limit": 10000 },
      "supports_parallel_tool_calls": true,
      "experimental_supported_tools": []
    }
  ]
}

​

1.2 Top 30 im Batch generieren

mkdir -p ~/.codex/model-catalogs

# 1) Ein integriertes Modell als Vorlage holen: es bringt base_instructions und alle weiteren Pflichtfelder mit
codex debug models --bundled > /tmp/_tpl.json

# 2) Die AIHubMix-Modellliste abrufen
curl -s "https://aihubmix.com/api/v1/models?type=llm" > /tmp/_aihubmix.json

# 3) Die Vorlage klonen und Einträge einzeln erzeugen, dabei nur die je Modell spezifischen Felder überschreiben
python3 - <<'PY' > ~/.codex/model-catalogs/custom-models.json
import json, sys
tpl = json.load(open("/tmp/_tpl.json"))["models"][0]   # beliebiges integriertes Modell als Vorlage
api = json.load(open("/tmp/_aihubmix.json"))["data"]
# Bildgenerierungsmodelle überspringen (types enthält image_generation), dann die ersten 30 nehmen
api = [m for m in api if "image_generation" not in (m.get("types") or "")][:30]
out = []
for i, m in enumerate(api):
    e = dict(tpl)                                       # alle Felder der Vorlage klonen
    ctx = m.get("context_length") or 200000
    e["slug"] = m["model_id"]                           # muss mit model_id der API übereinstimmen
    e["display_name"] = m.get("model_name") or m["model_id"]
    e["description"] = (m.get("model_name") or m["model_id"]) + " (via AIHubMix)"
    e["context_window"] = ctx
    e["max_context_window"] = ctx
    e["visibility"] = "list"
    e["supported_in_api"] = True
    e["priority"] = i
    e["availability_nux"] = None
    e["upgrade"] = None
    out.append(e)
json.dump({"models": out}, sys.stdout, ensure_ascii=False, indent=2)
PY

Die erzeugte Datei ist relativ groß (jeder Eintrag enthält die vollständigen base_instructions, etwa 1–2 MB), das ist normal. Prüfen Sie nach dem Ausführen mit codex debug models, ob sie korrekt geparst wird (siehe Schritt 5).

Die Zeile mit dem image_generation-Filter im Skript ist bewusst beibehalten: In der Antwort von type=llm tragen einige wenige Modelle gleichzeitig das image_generation-Label (z. B. gpt-image-2), die nicht für Dialoge geeignet sind; das Skript überspringt diese automatisch und nimmt dann die ersten 30.

​

Schritt 2: config.toml anpassen

# ⚠️ model_catalog_json muss auf Wurzelebene stehen und darf nicht in einen [model_providers.*]-Abschnitt
model_provider = "aihubmix"
model_catalog_json = "~/.codex/model-catalogs/custom-models.json"

[model_providers.aihubmix]
name = "Aihubmix"
base_url = "https://aihubmix.com/v1"
wire_api = "responses"
env_key = "AIHUBMIX_API_KEY"

model = "glm-5.2"                   # Standardmodell beim Start, muss in der Katalogdatei vorhanden sein
model_provider = "aihubmix"
model_catalog_json = "~/.codex/model-catalogs/custom-models.json"
model_reasoning_effort = "high"     # Standard-Reasoning-Stufe: minimal / low / medium / high

[model_providers.aihubmix]
name = "Aihubmix"
base_url = "https://aihubmix.com/v1"
wire_api = "responses"
env_key = "AIHUBMIX_API_KEY"

​

Schritt 3: Umgebungsvariable setzen

export AIHUBMIX_API_KEY=sk-xxx

​

Schritt 4: Neu starten und Modell auswählen

codex
# Geben Sie in der interaktiven Oberfläche /model ein, um die im vorherigen Schritt deklarierten 30 Modelle zu sehen und zu wechseln

​

Schritt 5: Überprüfen, ob es wirkt

1. Geben Sie nach dem Start von Codex /model ein, vergewissern Sie sich, dass die in der Katalogdatei deklarierten Modelle sichtbar sind, und wechseln Sie zu einem davon (z. B. glm-5.2).
2. Stellen Sie eine beliebige Frage, um die Verbindung zu prüfen. Beachten Sie: Verlassen Sie sich nicht auf „Welches Modell bist du?” – in base_instructions steht „You are Codex… based on GPT-5”, sodass sich alle Modelle entsprechend als GPT-5 ausgeben; die Frage gibt also keinen Aufschluss über das tatsächliche Modell. Um das wirklich aufgerufene Modell zu bestätigen, melden Sie sich in der AIHubMix-Konsole an und sehen Sie auf der Seite „Logs” die model_id dieses Anfrageeintrags – das ist die Wahrheit.

​

Häufige Fragen zu benutzerdefinierten Modellen

• In /model sind die benutzerdefinierten Modelle nicht zu sehen? Gehen Sie der Reihe nach vor:
  1. Führen Sie zuerst codex debug models aus. Meldet es missing field ... (am häufigsten, fehlendes Pflichtfeld) oder unknown variant ... (falscher Feldname / Wert), ist der gesamte Katalog beim Parsen fehlgeschlagen und wurde verworfen – erzeugen Sie ihn mit dem Skript „integrierte Vorlage klonen” aus Schritt 1 einfach neu.
  2. Vergewissern Sie sich, dass model_catalog_json in config.toml auf Wurzelebene steht und nicht in einem [model_providers.*]-Abschnitt;
  3. Vergewissern Sie sich, dass das JSON die offiziellen snake_case-Felder verwendet und visibility auf list steht;
  4. Wenn codex debug models bereits alle Modelle anzeigt, in der Desktop-App aber nur ein oder zwei übrig bleiben und das aktuelle Modell als „benutzerdefiniert” erscheint – das ist ein bekannter Bug der Desktop-App: Sie legt über den lokalen Katalog hinaus noch eine Whitelist-Filterung auf offizielle Slugs und entfernt nicht-offizielle Modelle aus dem Auswahlmenü (siehe GitHub Issue #19694, #15138). Das Modell wird dabei tatsächlich weiterhin gemäß dem model = "..." in config.toml korrekt aufgerufen (in den AIHubMix-Logs nachweisbar), nur der Name wird nicht angezeigt. Für die korrekte Anzeige verwenden Sie die Terminal-codex-CLI / das TUI; in der Desktop-App können Sie nur direkt in config.toml ein festes model = "Ihr gewünschtes Modell" eintragen, bis es offiziell behoben ist.
• Der Katalog „ersetzt”, nicht „ergänzt”. model_catalog_json ersetzt die gesamte Modellliste, statt anzuhängen (in der Praxis getestet: stehen im Katalog nur 2 Modelle, zeigt codex debug models auch nur diese 2 – die integrierten gpt-5.x verschwinden alle). Wenn Sie beides möchten, schreiben Sie sie zusammen in den benutzerdefinierten Katalog.
• Anfrage meldet Protokollfehler / keine Verbindung. Meist ist base_url oder wire_api des Providers falsch konfiguriert. Für AIHubMix muss es wire_api = "responses" + base_url = "https://aihubmix.com/v1" sein. Wenn Sie einen Drittanbieter anbinden, der nur Chat Completions unterstützt, benötigen Sie einen lokalen Konvertierungs-Proxy; AIHubMix-Nutzer brauchen diesen Schritt nicht.
• Häufiges „Reconnecting”. In manchen Netzwerk-/Proxy-Umgebungen funktioniert WebSocket (WSS) nicht; fügen Sie im Provider-Abschnitt supports_websockets = false hinzu, um HTTP zu erzwingen.
• Parsing meldet missing field ... (z. B. missing field base_instructions). Dem Eintrag fehlt ein Pflichtfeld. Neuere Codex-Versionen parsen streng; base_instructions, availability_nux, upgrade, supports_reasoning_summaries, support_verbosity, default_verbosity, apply_patch_tool_type, truncation_policy, supports_parallel_tool_calls, experimental_supported_tools usw. müssen alle vorhanden sein. Mit dem Skript „integrierte Vorlage klonen” aus Schritt 1 lässt sich das auf einen Schlag ergänzen.
• Parsing meldet unknown variant. Im Katalog-JSON gibt es einen Feldnamen oder Wert, den Codex nicht kennt (häufig veraltete camelCase-Formate wie displayName / hidden). Wechseln Sie einfach zum snake_case-Feldsatz aus diesem Artikel.

​

Referenzartikel

• Offizielle Dokumentation: Advanced Configuration ｜ Configuration Reference
• Referenz für das offizielle integrierte Katalogformat: codex-rs/models-manager/models.json
• Community-Leitfaden: Codex config.toml: einen beliebigen benutzerdefinierten Provider in 6 Zeilen anbinden