最近 codex 新增了 5.4 能控制电脑，然后为啥不做个聊天控制 codex 呢？

最近看 openclaw 这波，有点离谱了

我自己的感觉是，既然 5.4 能操作电脑，为啥不直接用 codex 呢。（当然还包含 codex 送的一个月会员太好使了，而且最近老充值额度，还有 2 倍，外加必须电脑使用）

考虑到 codex 是分项目的，所以就选了 Discord 这个，一个频道绑定一个 Project 感觉挺合适的

所以我顺手做了个小东西： discord-codex-bridge

它做的事情很简单，就是把 Discord 频道变成一个项目入口。

大概是这样：

一个 Discord 频道绑定一个本地项目目录
频道里发的消息，直接变成这个项目上的 Codex 任务
每个频道自己保留 session ，上下文能续上
同一频道串行执行，避免跑乱
现在也加了 /review 、/cancel 、sandbox 这些基础能力

我自己主要是拿它当一个更轻一点的远程入口。比如电脑在家里挂着，本地跑着 Codex ，手机上 Discord 直接丢一句：

“帮我 review 一下这个仓库” “看看这个报错” “改下 README”

当然也适合直接操作电脑，回复消息。

当然这东西现在还是偏 MVP 。也不是给公开群随便开的，更适合可信环境，或者自己、小团队内部折腾。本质上还是把本地 agent 的能力，用一个更顺手的入口接出来。

仓库在这里： https://github.com/comeran/discord-codex-bridge

zhangsimon

3 月 11 日

请教下大佬
GPT5.4 说增强了电脑操作能力，能接近人类水平

我让 codex 打开小红书浏览某个话题前 100 的笔记给我总结下
为什么 codex 完全做不到
codex 并不会模拟人类操作，一条条翻开笔记，而是尝试爬虫浏览，结果又爬取失败
最终也没有完成我这个任务😭

是我描述的不够具体吗？还是我对 codex 或 GPT5.4 能力存在什么误解

yeekal

3 月 11 日

@zhangsimon 这确实是宣传上的容易误导的地方。我理解 gpt5.4 的电脑操作能力是指“如果你提供给他操控电脑的环境，那么他就能比其他模型更准确的操控电脑”，注意这里的重点是它本质上还是一个大模型，不能直接操控电脑，他需要环境，需要配套的 skill ，需要能截图，能控制鼠标。所以回到你的问题，你需要在 codex 上安装能操控电脑的 skill 。比如针对小红书，那需要安装浏览器自动化的工具或者专门针对小红书自动化的工具。不过我没研究过，推测是这样

zhangsimon

3 月 11 日

@yeekal 感谢回复，我刚发完贴又把问题发给了 GPT 问了下，大致回答意思和你说的一致；但 GPT 也给了我一个解决方案：让我在 codex 里说清楚不要用脚本而是真实浏览，拆解一步步来执行。我刚按照他说的试了下，确实跑通了。

不过过程频繁蹦出来在让我确认执行的提示（我印象起码点了 20 多次……）
有没有可能给他最大权限别提醒？
还有就是你说的调用浏览器能力，有没有好用的 skill 推荐的？感谢大佬

HomeZane

3 月 11 日

@zhangsimon 打开我本机安装的小红书 app ，然后搜索 #openclaw 前 100 条标记，总结一下内容

我使用这个，他的操作是打开了我的小红书，但是的确尝试了一会说
discover 的可访问性树基本拿不到内容，像是内嵌 WebView 。改用截图和坐标驱动：先看当前主界面，再定位搜索框和结果页。
当前截图里没拿到应用内容，说明窗口虽然存在，但不在当前可见层或被全透明渲染。先把它强制前置并读窗口属性，再截窗口区域。
桌面端应用本身不暴露可抓取的 UI 内容，系统截图也拿不到实际视图。我先转到更稳的取数路径：复用你现有的小红书登录态，直接拉 #openclaw 的前 100 条结果，再做聚类总结

用 playwright 取网页结果，原因很直接：桌面端 discover 是受保护渲染层，UI 自动化和截图都拿不到可用内容。先验证你当前网页登录态，再决定是走页面抓取还是直接用本地 SDK/API 。

出现这些问题，然后也是转去干爬虫了

我让他去微信的话，能够进行点击开始总结，但是的确很慢，要强调不要走爬虫

我和 @yeekal 理解差不多，毕竟是大模型，大模型里是比较好的，还得看后续发展