Внезапно осознал, что первая линия поддержки может быть автоматизирована через Codex.

Сегодня обсуждал с клиентом первичную оценку задач в сервис-деске. Обычно задачи ждут разработчиков, которые должны прочитать тикет, залезть в код, оценить объем. Кажется это дорогой человеческий труд, который может быстро решаться через ИИ за несколкьо минут.

Клиент изначально ориентировался на обучение разработчиков использованию ИИ, чтобы ускорить оценки, а тут оказалось, что разработчик вообще не нужен.

Просто запускаешь процесс, который после получения вебхука запускает codex exec. Если немного подумать получаются связки задача-сессия и полная автоматизация службы поддержки. На парадигму отлично ложится и работа со скиллами агентов и подключение локальных кодинг моделей через кастомизацию API-эндпоинта.

🔌 Есть даже SDK

В пятницу OpenAI выложил Python-SDK для Codex (pip install openai-codex).

То есть просто запускаем

thread = codex.thread_start(

    working_directory="/path/to/repo",   # где работать

    skip_git_repo_check=True,            # если репо нет — снять требование

    sandbox=Sandbox.read_only,           # для оценки: только чтение

)

Даже Codex CLI отдельно ставить не надо: официальный openai-codex тащит рантайм с собой.

Внутри библиотеки:
🔸 песочница тремя режимами: read_only для оценки (агент только читает код), workspace_write — если надо ещё и патч предложить
🔸 уровень рассуждений задаётся в конфиге: low/medium/high.
🔸 по умолчанию Codex ждёт, что рабочая папка — git-репозиторий, поэтому может пригодиться флаг skip_git_repo_check

💸 Где подвох — два места

Первое: это работает, только если оценка реально лезет в код. Если задача — классифицировать текст тикета (приоритет, категория), Codex здесь выглядит пушка по воробьям. Дешевле и быстрее один вызов Responses API. Агент оправдан там, где надо зайти в репозиторий, использовать MCP и различные тулы со скиллами.

Второе: деньги и правила. Подписочная авторизация под такую автоматизацию — серая зона ToS OpenAI, а чистый путь, API-ключ — может быть дорогим. И тут красиво ложится Kimi K2.6: открытые веса, OpenAI-совместимый эндпоинт, токены в разы дешевле, а при желании модель поднимаешь локально — данные не уходят наружу вообще.

❓Кто уже отдал агенту первичную оценку задач — что он реально тянет, а где всё равно зовёте человека?

----

Поляков считает — AI, код и кейсы