Codex Auto Review 倍率与接入

Q: 能不能接入 GitHub Actions？

可以。在 workflow 里用 curl 或任意 HTTP 客户端调 /v1/chat/completions，把 diff 作为输入，解析返回的 JSON 或结构化文本再回帖到 PR。密钥放 repository secret 里。

模型名 codex-auto-review。这是面向代码审查的专用型号，输出偏向「指出问题和风险」而不是「直接重写代码」，用在 PR 自动评审、补丁检查这类流水线上。

代码审查专用PR 评审全分组可用输出偏诊断

分组与倍率

它是 GPT 系列里覆盖最广的型号之一，6 个分组都有。

分组	倍率	特点
GPT-超低价（不保稳定）	0.1x	低价混池，价格最低，稳定性不作保证
GPT-pro	0.2x	纯 pro 号池，速度与稳定性最好
GPT-稳绿不降智	0.24x	不降智，首字更快
GPT-不降智	0.24x	不做降智处理
GPT-企业	0.32x	企业号池，基本不断线；pro 正常时没必要用
GPT-专用	0.4x	专用号池，含图像生成与 5.x 全系

倍率是相对官方定价的计费倍数：0.43x 就是按官方价的 43% 计费，数字越小越便宜。实际扣费 = 该模型的官方单价 × 你所在分组的倍率，再按实际 token 数结算。倍率会随上游成本调整，以控制台内实时展示的数值为准。

接入信息

接入参数与其他 GPT 模型一致。

项目	填什么
模型名（model）	`codex-auto-review`
Chat Completions 端点	`https://turingapi.space/v1/chat/completions`
Responses 端点	`https://turingapi.space/v1/responses`
Base URL（OpenAI SDK）	`https://turingapi.space/v1`
认证方式	`Authorization: Bearer sk-xxx`

调用示例

典型的审查型请求写法：把 diff 放进输入，要求按固定结构输出意见。

curl（Chat Completions）

curl https://turingapi.space/v1/chat/completions \
  -H "Authorization: Bearer $TURING_KEY" \
  -H "content-type: application/json" \
  -d '{
    "model": "codex-auto-review",
    "messages": [{"role": "user", "content": "你好"}]
  }'

输出长度用 max_completion_tokens 控制；老参数 max_tokens 在新一代模型上可能不被接受。

审查型 prompt 写法

curl https://turingapi.space/v1/chat/completions \
  -H "Authorization: Bearer $TURING_KEY" \
  -H "content-type: application/json" \
  -d '{
    "model": "codex-auto-review",
    "messages": [
      {"role": "system", "content": "你是代码审查员。只输出问题清单，按严重程度排序，每条给出文件、行号、问题和建议。"},
      {"role": "user", "content": "<把 diff 贴在这里>"}
    ]
  }'

把输出格式写死在 system 里，下游才能稳定解析。审查结果的可用性，八成取决于这个格式约束。

Python（openai 官方 SDK）

from openai import OpenAI

client = OpenAI(
    api_key="sk-你的密钥",
    base_url="https://turingapi.space/v1",   # 含 /v1
)

r = client.chat.completions.create(
    model="codex-auto-review",
    messages=[{"role": "user", "content": "你好"}],
)
print(r.choices[0].message.content)

OpenAI SDK 的 base_url 必须带 /v1，这和 Anthropic SDK 正好相反。

怎么选分组

审查任务对稳定性要求高，但单次成本不必高：

审查流水线用 0.2x 就够

PR 评审是高频但单次很轻的任务，用 0.2x 的 pro 池比 0.4x 专用池划算得多。真正卡住的时候再临时切。

只审 diff，不审全仓库

把整仓库塞进去费用高且噪声大。只传变更文件和必要的上下文，审查质量反而更高。

把「不要重写代码」写进系统提示

审查模型有时会直接输出整段重写。如果你的流水线只需要意见，就在 system 里明确禁止重写。

在客户端里用这个模型

最常出现在这些场景：

Codex CLI

走 Responses 协议，配置写在 config.toml

Cursor

Override OpenAI Base URL，模型要手动加

Cline

模型不支持 tools 会静默卡住

Cherry Studio

桌面聊天，模型名手填

常见问题

它和普通模型做审查的区别，是问得最多的。

它和普通模型做代码审查有什么区别？

它的输出取向更偏诊断：指出风险、边界条件、潜在回归，而不是替你改代码。用在自动化流水线上，解析和归类更容易。

能不能接入 GitHub Actions？

可以。在 workflow 里用 curl 或任意 HTTP 客户端调 /v1/chat/completions，把 diff 作为输入，解析返回的 JSON 或结构化文本再回帖到 PR。密钥放 repository secret 里。

审查结果误报多怎么办？

在 system prompt 里明确约束：只报能定位到具体行的问题、要求给出复现条件、禁止泛泛而谈的风格建议。比事后过滤有效。

支持哪些编程语言？

语言能力来自底层模型，主流语言都没问题。冷门语言或私有 DSL 的效果取决于训练覆盖，建议先小样本验证。

成本和普通模型比高吗？

倍率与其他 GPT 型号同档，差别不大。真正的成本变量是你传进去的代码量。