Tutoriel : connecter AIHubMix dans Codex CLI

​

Installation

​

Téléchargement officiel (version macOS)

​

Installation via la ligne de commande

npm install -g @openai/codex

​

Configuration des variables d’environnement

​

Configurer à l’aide des fichiers de configuration

1. Modifiez le fichier de configuration ~/.codex/config.toml en ajoutant les paramètres suivants :

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. Modifiez le fichier de configuration ~/.codex/auth.json pour modifier les paramètres suivants :

{
  "OPENAI_API_KEY": "AIHUBMIX_API_KEY"
}

​

Configurer via cc-switch

1. Lancez CC-Switch et ajoutez le fournisseur.

2. Sélectionnez « AiHubMix » dans la liste prédéfinie.

3. Saisissez votre clé dans le champ « API Key » et cliquez sur « Add » pour enregistrer les paramètres.

4. Revenez à la page d’accueil, sélectionnez « AiHubMix » dans la liste des fournisseurs et cliquez sur « Enable » pour commencer à l’utiliser.

​

Utilisation de Codex

​

Utilisation dans le terminal

1. Ouvrez le terminal, accédez au répertoire de votre projet et exécutez la commande codex.

cd /your/project/path
codex

2. Définissez les autorisations selon vos besoins.

3. Sélectionnez le modèle dont vous avez besoin en fonction de vos exigences.

4. Saisissez du langage naturel ; si vous recevez une réponse normale, la configuration est réussie.

​

Utilisation dans l’application de bureau Codex

1. Ouvrez l’application de bureau Codex et sélectionnez le répertoire de travail.
2. Saisissez la tâche dans la zone de saisie ; si vous recevez une réponse normale, la configuration est réussie.

​

Références de commandes utiles

​

Commande d’aide

codex -h

​

Options de commande complètes

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"

​

Utiliser des modèles personnalisés dans Codex

Documentation officielle : Advanced Configuration · OSS mode / local providers

​

Deux méthodes d’intégration

​

Étape 1 : générer le fichier de catalogue de modèles

​

1.1 Comprendre d’abord le format : un modèle fixe

{
  "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 Générer en masse les 30 premiers modèles

mkdir -p ~/.codex/model-catalogs

# 1) Utiliser un modèle intégré comme modèle de référence : il contient déjà base_instructions et tous les champs obligatoires
codex debug models --bundled > /tmp/_tpl.json

# 2) Récupérer la liste des modèles AIHubMix
curl -s "https://aihubmix.com/api/v1/models?type=llm" > /tmp/_aihubmix.json

# 3) Cloner le modèle de référence pour chaque modèle, en ne remplaçant que les champs propres à chacun
python3 - <<'PY' > ~/.codex/model-catalogs/custom-models.json
import json, sys
tpl = json.load(open("/tmp/_tpl.json"))["models"][0]   # n'importe quel modèle intégré comme modèle de référence
api = json.load(open("/tmp/_aihubmix.json"))["data"]
# ignorer les modèles de génération d'images (types contenant image_generation), puis prendre les 30 premiers
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)                                       # cloner tous les champs du modèle de référence
    ctx = m.get("context_length") or 200000
    e["slug"] = m["model_id"]                           # doit être identique au model_id de l'API
    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

Le fichier généré est volumineux (chaque entrée contient les base_instructions complètes, soit environ 1 à 2 Mo), ce qui est normal. Après l’exécution, vérifiez avec codex debug models qu’il est correctement analysé (voir l’étape 5).

La ligne de filtrage image_generation du script est intentionnellement conservée : parmi les résultats de type=llm, quelques rares modèles portent aussi le label image_generation (par exemple gpt-image-2), qui ne conviennent pas au dialogue ; le script les ignore automatiquement avant de prendre les 30 premiers.

​

Étape 2 : modifier config.toml

# ⚠️ model_catalog_json doit être au niveau racine, pas dans [model_providers.*]
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"                   # modèle par défaut au démarrage ; doit exister dans le fichier de catalogue
model_provider = "aihubmix"
model_catalog_json = "~/.codex/model-catalogs/custom-models.json"
model_reasoning_effort = "high"     # niveau de raisonnement par défaut : minimal / low / medium / high

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

​

Étape 3 : définir la variable d’environnement

export AIHUBMIX_API_KEY=sk-xxx

​

Étape 4 : redémarrer et choisir le modèle

codex
# saisissez /model dans l'interface interactive pour voir les 30 modèles déclarés à l'étape précédente et en changer

​

Étape 5 : vérifier la prise en compte

1. Une fois dans Codex, saisissez /model, vérifiez que vous voyez bien les modèles déclarés dans le catalogue et basculez sur l’un d’eux (par exemple glm-5.2).
2. Posez une question quelconque pour vérifier que la chaîne fonctionne. Attention : ne vous fiez pas à la question « quel modèle es-tu ? » — base_instructions indique « You are Codex… based on GPT-5 », si bien que tous les modèles se présenteront comme GPT-5 ; la question ne permet pas de distinguer le modèle réel. Pour confirmer le modèle réellement appelé, connectez-vous à la console AIHubMix, ouvrez la page « Journaux » et consultez le model_id de cette requête : c’est cela qui fait foi.

​

Questions fréquentes sur les modèles personnalisés

• Vous ne voyez pas les modèles personnalisés dans /model ? Vérifiez dans l’ordre suivant :
  1. Exécutez d’abord codex debug models. S’il signale missing field ... (le plus fréquent, champ obligatoire manquant) ou unknown variant ... (nom de champ / valeur incorrect), c’est que l’intégralité du catalogue a échoué à l’analyse et a été ignorée — régénérez-le avec le script « cloner le modèle intégré » de l’étape 1.
  2. Vérifiez que model_catalog_json est bien au niveau racine de config.toml, et non dans une section [model_providers.*] ;
  3. Vérifiez que le JSON utilise les champs officiels en snake_case et que visibility vaut list ;
  4. Si codex debug models affiche déjà tous les modèles mais que, dans l’application de bureau (Desktop App), il n’en reste qu’un ou deux et que le modèle courant s’affiche comme « personnalisé », il s’agit d’un bug connu de l’application de bureau : elle superpose, au-dessus du catalogue local, un filtre par liste blanche de slugs officiels, qui supprime du sélecteur les modèles non officiels (voir les GitHub Issues #19694 et #15138). Dans ce cas, le modèle est en réalité toujours appelé conformément au model = "..." de config.toml (les journaux AIHubMix le confirment) ; seul son nom ne s’affiche pas. Pour un affichage correct, utilisez la CLI codex / le TUI dans le terminal ; sur l’application de bureau, vous ne pouvez que coder en dur model = "le modèle souhaité" dans config.toml, en attendant un correctif officiel.
• Le catalogue « remplace », il ne « fusionne » pas. model_catalog_json remplace l’intégralité de la liste de modèles au lieu d’y ajouter des entrées (vérifié : avec seulement 2 modèles dans le catalogue, codex debug models n’en montre plus que 2, tous les gpt-5.x intégrés ayant disparu). Si vous voulez les deux types, écrivez-les ensemble dans votre catalogue personnalisé.
• La requête signale une erreur de protocole / impossible de se connecter. C’est le plus souvent que le base_url ou le wire_api du fournisseur n’est pas correctement apparié. Pour AIHubMix, il faut impérativement wire_api = "responses" + base_url = "https://aihubmix.com/v1". Si vous intégrez un tiers ne prenant en charge que Chat Completions, un proxy de conversion local est nécessaire ; les utilisateurs d’AIHubMix n’ont pas besoin de cette étape.
• Reconnexions « Reconnecting » fréquentes. Dans certains environnements réseau / proxy, le WebSocket (WSS) ne passe pas ; vous pouvez ajouter supports_websockets = false dans la section du fournisseur pour forcer l’usage de HTTP.
• L’analyse signale missing field ... (par exemple missing field base_instructions). Une entrée n’a pas de champ obligatoire. Les versions récentes de Codex appliquent une analyse stricte : 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, etc., doivent tous être présents. Le script « cloner le modèle intégré » de l’étape 1 permet de tout compléter en une fois.
• L’analyse signale unknown variant. Le JSON du catalogue contient un nom de champ ou une valeur que Codex ne reconnaît pas (souvent des anciens formats camelCase comme displayName / hidden). Passez au jeu de champs snake_case présenté dans cet article.

​

Articles de référence

• Documentation officielle : Advanced Configuration ｜ Configuration Reference
• Format de référence du catalogue officiel intégré : codex-rs/models-manager/models.json
• Guide communautaire : Codex config.toml : intégrer n’importe quel fournisseur personnalisé en 6 lignes