Codex，1 个月吃掉 150GB 流量，写满 4T 硬盘，疯了吗？

最近在社交媒体上刷到一个让人直呼“离谱”的数字——有用户反馈，安装OpenAI的Codex桌面端后，光是一个月，流量就硬生生干到了150GB。评论区里一片共鸣，显然不是孤例，很多人都在说类似的事情。

150GB是什么概念？大概相当于每天24小时不间断刷4K视频，连续刷上五六天。而这些流量，全被一个“帮你写代码”的工具吃掉了。

更离谱的是，问题还不止于网络流量。

V2EX上有用户发帖说，

。平时就是正常开发工作，Codex不用的时候也没退出，就放在后台。一个月下来，硬盘的写入强度远超“轻度办公”的范畴。

这背后到底发生了什么？Codex究竟做了什么，需要消耗这么多资源？

01 150GB去哪了？

要理解这个数字，得先搞清楚Codex到底是个什么东西。

很多人以为Codex就是个“AI代码助手”，跟GitHub Copilot差不多，帮你补补代码、改改bug。但实际上，

——它有独立的桌面客户端（基于Electron），有云端沙盒执行引擎，有GitHub深度集成，有手机远程操控，甚至可以同时派出8个AI agent并行帮你出PR。这意味着Codex在你电脑上运行时，远不只是“聊天”那么简单。

Codex桌面端默认使用WebSocket长连接做实时双向通信。这不是普通的“发一个请求、等一个回复”，而是一条始终保持的数据管道，模型推理的中间过程、工具调用的实时状态、代码diff的流式传输，全都通过这条管道持续灌输。当网络环境不稳定时（这在很多开发者的实际场景中极为常见），WebSocket会反复重连——从“Reconnecting 1/5”一直试到“5/5”，然后回退到HTTP流式传输。这些重试本身就在消耗带宽。

Codex的核心设计是“云端沙盒执行”。你提交一个编码任务，Codex在OpenAI的云端启动一个隔离环境，加载你的代码仓库，执行修改，跑测试，最后把结果传回来。每一轮交互都涉及大量数据的双向传输——上传代码上下文，下载执行结果，同步中间状态。如果同时开了多个并行任务，这个数据量还要乘以并发数。

Codex桌面端不是一个“用完就关”的工具。它要保持GitHub代码审查的实时同步，维护任务队列的状态，处理MCP服务器的连接，支持从手机端远程操控。这些后台服务都需要持续的网络连接。即使你没有主动使用Codex，它也在后台默默工作——索引你的项目文件，维护缓存，保持心跳。这也解释了为什么有用户发现，“放在后台不退出”一个月就写了将近5TB的硬盘数据。

把这些加在一起，一个重度用户每天使用Codex六到八个小时，配合GPT-5.5的超高推理模式，日均网络流量达到3-5GB完全正常。一个月下来，100GB-150GB并不是夸张的数字。

02 为什么Claude Code没事？

有趣的是，Anthropic的Claude Code作为Codex最直接的竞争对手，几乎从未出现过类似的抱怨。没人讨论Claude Code吃了多少流量，也没人说它把硬盘写坏了。原因很简单——

Claude Code是一个纯粹的终端CLI工具。你打开终端，输入命令，它帮你干活，干完了它就安静了。没有Electron桌面客户端，没有后台常驻进程，没有WebSocket长连接，没有云端沙盒。代码的读写、文件操作、命令执行，全部在本地机器上完成。网络传输的只有一样东西——你发给Anthropic API的prompt，和它流式返回的response文本。一个标准的HTTPS请求，拿完结果，连接就断了。

这个架构差异带来了一个反直觉的现象。多项评测显示，

——有开发者记录到，同一个复杂重构任务，Claude Code花了155美元的API费用，Codex只花了15美元。Codex的token效率大约是Claude Code的四倍。但token消耗大，不等于网络流量大。

Claude Code虽然单次任务吃的token更多，但它的交互模式是“一次吃饱”——大块上下文丢进去，大块结果拿回来，中间不需要反复通信。Codex则是把任务拆成很多小步骤、很多轮次，每一步都要在本地和云端之间来回传输数据。token效率高了，但网络开销反而更大了。更关键的是，Claude Code没有后台静默消耗。你不用它的时候，它不存在。不会有进程在后台索引你的项目，不会有服务在维护缓存，不会有心跳包在保持连接。用完即走，干干净净。

03 AI工具越来越“重”

如果把视角拉远一点，会发现Codex的150GB流量不是一个孤立事件，而是AI编程工具这几年“重量级化”趋势的一个缩影。回顾这条演进路径——

GitHub Copilot刚出来的时候，它做的事情很简单：在你写代码时补全下一行。它本质上是一个编辑器插件，轻得几乎感觉不到存在。

然后是Cursor、Windsurf这一代。它们开始接管整个文件的修改，能理解项目结构，能跨文件做重构。开发者的角色从“写代码”变成了“审代码”。工具变重了一点，但还是在编辑器框架里。

Claude Code再进一步。它跳出了编辑器，直接在终端里操作——读文件、改文件、跑命令、装依赖，一整套开发工作流都能接管。开发者的角色进一步后退到“下指令、审结果”。但它仍然是一个CLI工具，用完即走。

——一个始终运行的、多agent并行的、云端和本地融合的、从写代码到出PR全包的AI开发平台。Remote Control功能甚至让你在地铁上用手机就能指挥家里电脑上的Codex继续干活。每升级一代，AI编程工具就重一圈。而

问题在于——这条“越来越重”的路，是唯一的路吗？

Claude Code提供了一个有趣的反例。它在SWE-bench Verified上的分数（Opus 4.8拿到了88.6%）和Codex的GPT-5.5（88.7%）几乎打平，代码质量在盲测中被评为更好的比例甚至更高。但它的产品形态选择了完全相反的方向——保持终端原生，保持轻量，把算力留给模型推理而不是客户端基础设施。一个越来越“重”，一个刻意保持“轻”。

两条路都有各自的拥趸。一个500多名开发者参与的Reddit调查显示，65%的人日常更偏好Codex——因为它确实更省心，丢进去一个任务就不用管了。但盲测代码质量时，67%的人认为Claude Code的输出更干净。很多顶级开发者已经用脚投票选择了“混合路线”——用Claude Code做初始架构和功能生成（因为它的上下文理解更深），再用Codex做代码审查和debug（因为它更快更省token）。一位开发者的总结流传很广——

。

这大概就是当前AI编程工具最真实的图景。

。重有重的好处——Codex的后台并行执行和GitHub深度集成确实让很多工作流变得更流畅。轻有轻的好处——Claude Code的纯终端设计让开发者对自己的环境保有完全的控制权。但如果你看到150GB流量这个数字会本能地觉得“这也太夸张了”，那或许值得认真想一想——而这个重量，你的硬盘知道，你的网络流量知道，你的电费账单也会慢慢知道。