我把 Codex 默认模型换成了 Kimi K3：真香，但这 3 个坑必须提前避开

一句话结论：Codex 桌面端可以直连 Kimi K3，1M 上下文 + 原生多模态，能用且效果不错；但桌面端多模型切换有 bug，配置前建议先看完第 3 节。

老张最近折腾了一下，把天天在用的 Codex 默认模型切到了 Kimi K3。K3 最近确实火：2.8 万亿参数、1M 上下文、原生多模态，Kimi Code 套餐价格也香。整个过程踩了几个坑，全部记录在这篇里，给想上车的运维和开发朋友做个参考。

项目	说明
目标	Codex 默认模型切换为 Kimi K3
前提	Kimi Code 会员（Allegretto 及以上）+ Kimi Code API Key
难度	⭐⭐（改两个配置文件）
耗时	顺利的话 10 分钟
最大坑点	桌面端模型与 provider 不同步

一、最终效果

配置完成后：

Codex 直接走 Kimi K3，原生支持 Responses API，不需要 CC Switch 之类的本地代理；
1M 上下文，整个代码仓库丢进去不担心截断；
多模态能力配合截图排障很实用；
提供 k3（1M）和 k3-256k（256K）两个模型可选，日常任务用 256K 版本省一半配额。

二、前置准备

Codex 桌面应用（macOS 或 Windows 都行）
Kimi Code 会员：Allegretto 及以上档位才能用 K3 的 1M 上下文
Kimi Code API Key：在 Kimi Code 控制台新建

⚠️ 注意：Kimi Code 的 API Key 和 Kimi 开放平台的通用 Key 不是一回事，要用专门的 Kimi Code Key。这是本文第 2 个坑，后面细说。

三、操作步骤（四步搞定）

第一步：获取 API Key

第二步：创建模型目录文件

Codex 需要一个 models.json 文件来识别第三方模型的元数据（上下文大小、是否支持图片、推理档位等）。

打开终端：

mkdir -p ~/.codex

然后在 ~/.codex/models.json 里写入 K3 系列模型的定义：

{
  "models": [
    {
      "slug": "k3",
      "display_name": "Kimi K3",
      "description": "Kimi K3，1M 上下文，原生多模态",
      "default_reasoning_level": "high",
      "supported_reasoning_levels": [
        { "effort": "low", "description": "Light reasoning" },
        { "effort": "high", "description": "Enhanced reasoning" },
        { "effort": "max", "description": "Deep reasoning" }
      ],
      "shell_type": "shell_command",
      "visibility": "list",
      "supported_in_api": true,
      "priority": 0,
      "base_instructions": "",
      "supports_reasoning_summaries": true,
      "default_reasoning_summary": "none",
      "support_verbosity": false,
      "truncation_policy": { "mode": "bytes", "limit": 10000 },
      "context_window": 1048576,
      "max_context_window": 1048576,
      "effective_context_window_percent": 95,
      "supports_parallel_tool_calls": true,
      "experimental_supported_tools": [],
      "input_modalities": ["text", "image"]
    },
    {
      "slug": "k3-256k",
      "display_name": "Kimi K3 256K",
      "description": "Kimi K3 256K 上下文，日常代码任务更省配额",
      "default_reasoning_level": "high",
      "supported_reasoning_levels": [
        { "effort": "low", "description": "Light reasoning" },
        { "effort": "high", "description": "Enhanced reasoning" },
        { "effort": "max", "description": "Deep reasoning" }
      ],
      "shell_type": "shell_command",
      "visibility": "list",
      "supported_in_api": true,
      "priority": 1,
      "base_instructions": "",
      "supports_reasoning_summaries": true,
      "default_reasoning_summary": "none",
      "support_verbosity": false,
      "truncation_policy": { "mode": "bytes", "limit": 10000 },
      "context_window": 262144,
      "max_context_window": 262144,
      "effective_context_window_percent": 95,
      "supports_parallel_tool_calls": true,
      "experimental_supported_tools": [],
      "input_modalities": ["text", "image"]
    }
  ]
}

两个模型的区别：

k3：1M 上下文，适合大项目、长文档
k3-256k：256K 上下文，效果一样，消耗只有 k3 的一半，日常开发更省

第三步：修改 Codex 主配置

编辑 ~/.codex/config.toml：

model = "k3"
model_provider = "kimi"
model_reasoning_effort = "high"
disable_response_storage = true
model_catalog_json = "/Users/<你的用户名>/.codex/models.json"

[model_providers]
[model_providers.kimi]
name = "Kimi"
base_url = "https://api.kimi.com/coding/v1"
experimental_bearer_token = "<KimiCodeAPIKey>"
wire_api = "responses"

[desktop]
enabled-reasoning-efforts = ["low", "high", "max"]

三个重点，错一个就连不上：

wire_api 必须是 "responses"，不能写成 "chat"
base_url 是 https://api.kimi.com/coding/v1，不是开放平台的地址
experimental_bearer_token 填 Kimi Code API Key（明文存储，注意别泄露配置文件）

第四步：重启验证

完全关闭 Codex 再打开，新开一个对话输入：

你好，请确认你当前使用的模型是什么？

回复里提到 Kimi ，就说明成功了。

四、老张踩的 2 个坑

坑 1：桌面端模型和 Provider 不同步（最大的坑）

现象：老张配置了 GLM 和 Kimi 两个模型，桌面端选择器里都能看到。切到 Kimi K3 后，左下角还显示 "ZAI"（智谱的 provider 名），发消息直接报 modelCode：不存在。

原因：Codex 桌面端的模型选择器只切模型名，不切 provider。选了 Kimi K3，请求却还是发到智谱的服务器，智谱不认识 k3 这个模型名，自然报错。

解决办法：

桌面端只保留一个模型，别搞多模型切换
需要多模型就用 CLI + Profiles，--profile 参数会同时切换 model 和 provider
或者等官方修复（目前是已知问题）

坑 2：环境变量读不到

配置里用 env_key 方式（从环境变量读 Key），macOS 桌面端死活读不到。

原因：从 Dock 启动的 GUI 应用读不到终端里的环境变量。

解决办法：

用 launchctl setenv 注入用户会话（重启后失效，不推荐）
直接用 experimental_bearer_token 写进配置文件（简单粗暴，推荐，一劳永逸）

五、实际体验

用了几天，说几个直观感受。

优点：

1M 上下文真的大，整个仓库丢进去不慌
多模态实用，截图丢进去分析 bug 很方便
中文理解好，写中文文档、做中文项目更顺手

不足：

桌面端多模型切换 bug 影响体验
工具调用稳定性偶尔抽风，需要重试
推理速度比轻量模型稍慢（毕竟参数多）

老张的用法：

场景	模型
日常写代码、改 bug	Kimi K3 256K（省配额）
大项目、长文档	Kimi K3（1M 上下文）
Hermes agent	GLM-5.3-Flash、DeepSeek

🎯 老张建议

桌面端只留一个模型：多模型切换 bug 没修之前，桌面端单模型 + CLI 多 profile 是最稳的组合；
日常任务用 k3-256k：效果一样、配额减半，1M 留给真正需要的大上下文场景；
有 Kimi Code 会员的都建议试试：额度用不完也是浪费，多一个模型就多一个选择，别把鸡蛋放一个篮子里。

💬 互动话题

你现在 Codex 默认用的是什么模型？体验如何？
你在配置第三方模型时踩过什么坑？
Kimi K3、GLM、DeepSeek，你日常主力是哪个？为什么？

🔗 关注老张

公众号：老张聊运维小程序：观简国学个人博客：https://www.shanwaiyun.top/