本文由 AI 从英文翻译。 阅读英文原文 →
Claude Code 对决 OpenAI Codex:同一应用、同一提示词与 20 项自动化测试(完整评测结果)
“哪款 AI 编程智能体更好?”这种问题通常只能得到凭感觉的主观回答。我想用具体数据说话,于是为 Claude Code 和 OpenAI Codex 提供了相同的初始代码仓库、相同的 396 词提示词以及相同的 20 项自动化检查,并完整记录了一切。
测试应用:TaskPilot,这是一个全栈任务管理工具,包含 FastAPI 后端、React 前端,支持登录认证、多用户数据隔离、搜索、筛选、仪表盘以及移动端适配。
▶ WATCH ON YOUTUBEWatch the video
测试设置
| Claude Code | OpenAI Codex | |
|---|---|---|
| 版本 | Claude Code 2.1.266 | Codex CLI 0.147.0 |
| 模型 | Claude Opus 5 | GPT-5.6-Sol |
| 运行模式 | 无头模式 -p,高思考程度(effort high),无审批提示 |
exec 模式,中等思考程度(effort medium),无审批提示 |
两边运行前已确定的测试规则:
- 相同的初始提交(26 个文件),相同的提示词(396 词,运行前已记录哈希值)。
- 首次构建时间上限为 45 分钟。
- 最多允许 2 轮修复,每轮 10 分钟。修复提示词仅列出未通过的检查项。
- 无人工修改代码。 唯一的人工操作是在每次会话结束后提交工作区代码。
- 通过抛硬币决定谁先出场(Codex 率先开始)。
- 评测系统(包含 20 项浏览器与 API 检查)在两个智能体运行前均已冻结。
20 项检查
这些测试覆盖的是真实应用中容易出故障的环节,而不是单纯看“能否编译通过”:
- 身份认证(C01–C04): 凭据有效时可正常登录,凭据错误时给出有意义的报错,受保护的 API 路由拒绝匿名请求,退出登录真正使会话失效(重放旧 Cookie 必须失败)。
- 数据隔离(C05–C06): 用户 A 无法列出、读取、更新或删除用户 B 的任务,即便直接发起 API 请求也不行。
- 任务管理(C07–C11): 支持创建、编辑、标记完成以及二次确认删除。纯空格与超长标题在界面和 API 层面均会被拒绝。
- 搜索与筛选(C12–C13): 标题与描述支持不区分大小写的搜索,筛选条件支持多维度组合与重置。
- 仪表盘(C14–C15): 统计数据与数据库完全一致,包括逾期相关的边缘用例(昨天、今天、未来、无日期)。
- 持久化与错误处理(C16–C17): 数据在页面刷新和后端重启后依然完好,空状态与 API 报错表现合理。
- 移动端适配(C18): 在 390 × 844 分辨率下完成登录、创建任务、搜索和退出登录,全程无任何横向滚动条。
- 键盘操作与字段校验(C19–C20): 核心流程完全支持纯键盘操作,非法日期、状态或优先级取值均会被拒绝。
测试结果
| Claude Code | OpenAI Codex | |
|---|---|---|
| 首次构建 | 20/20 | 19/20 |
| 构建耗时 | 11 分 46 秒 | 9 分 36 秒 |
| 未通过检查 | 无 | C18(移动端,390 × 844) |
| 修复轮数 | 0 | 1(耗时 41 秒) |
| 最终得分 | 20/20 | 20/20 |
| 人工跟进消息数 | 0 | 1(即修复提示词) |
| 人工修改代码次数 | 0 | 0 |
| 输入 / 缓存 / 输出 Token 数 | 2.38M / 2.26M / 61.6K | 1.82M / 1.75M / 27.2K |
| 预估等效 API 成本 | $3.79 | $1.54 |
两次测试均使用了订阅服务,因此并未产生实际账单费用。上述美元金额是按照测试当天各模型的官方 API 标价,对消耗的相同 Token 数量折算得出的费用。
两者的真实差距究竟在哪
Claude Code 初次构建即完全正确。 它在首次构建中就直接通过了全部 20 项检查,无需任何修复轮次。而且它还会自行检查工作成果:在大约 4 分钟时,其后端测试出现了 2 项失败(共 39 项)。它显示正在修复测试数据问题与空筛选参数,全部 39 项测试在 4:26 时均顺利通过。接近尾声时,它截取了桌面端和移动端的屏幕截图,并在结束前针对移动端布局进行了一处 CSS 修复。
Codex 速度更快、成本更低,但漏掉了移动端适配。 它的首次构建仅未通过 C18,即核心流程在 390 像素宽度下无法在无横向滚动条的情况下完整呈现。在收到未通过项的提示后,它仅用 41 秒就完成了修复。它在中途也捕捉到了自身的一个缺陷:一项后端测试曾预期“game”能匹配“gaming”,随后它修正了该测试。
可用性评估(两边构建均冻结后,满分按 5 分制打分):
| Claude Code | Codex | |
|---|---|---|
| 导航交互 | 5:每行的操作都是清晰可见的文字按钮 | 4:编辑、删除和完成操作仅为图标(已添加屏幕阅读器标签) |
| 任务录入 | 5 | 5 |
| 可读性 | 5 | 5 |
| 状态反馈 | 5 | 5 |
| 移动端体验 | 5:所有仪表盘统计数据一览无余 | 4:统计数据变成了滑动轮播,顶栏按钮变成纯图标 |
那么,你应该选哪一个?
基于这一次实测:
- 选用 Claude Code:当你希望初次构建就准确无误,包括移动端和无障碍细节全部到位,且宁可消耗更多 Token 也不想花精力审查修复时。
- 选用 Codex:当速度与成本至关重要,且你拥有完备的测试用例时。一次未通过的检查加上 41 秒的修复,就让它以不到一半的预估成本拿下了相同的 20/20 满分。
无论选谁,这 20 项检查才是真正的功臣。 如果没有它们,“看起来做好了”的表象就会掩盖某款应用中的移动端布局缺陷,你也根本无从得知认证与数据隔离检查究竟是通过还是失败。在把任务交给智能体之前,请务必先写好检查测试。
补充说明
这只是每个工具一次对照实验的结果,并不能证明某款智能体永远胜出。AI 智能体在不同次运行中的表现往往会有波动。Claude Code 的本次成绩来自一次全新的重试,在此前的尝试中曾因两次达到用量上限而中断。相同的初始代码、相同的提示词、相同的规则。每次会话的完整过程均记录在视频中,附带时间戳、日志与最终生成的应用。
你是否也做过类似的正面实测对比?欢迎在评论区分享交流。
本文在 AI 协助下起草。所有数据均来自实测记录日志及冻结的评测结果。


