了解 Skyscanner 如何将 OpenAI 的 Codex CLI 接入 JetBrains IDE,让 AI 助手也能使用开发者日常调试和测试代码的工具。
在 Skyscanner,我们一直在寻找既能加快开发速度、又能保证质量的方法。过去几个月里,我尝试在日常开发中与 OpenAI 的 Codex 结对编程。
这次有什么不同?我通过 JetBrains 的模型上下文协议(MCP)服务器,把 Codex CLI 接入了 JetBrains IDE。这样一来,AI 就能看到 IDE 提供了哪些功能,并实际使用它们。这次集成改变了我的工作方式。在这篇文章中,我会分享 Codex 如何利用 JetBrains 工具更好地解决问题,加快我们的开发速度。
让 Codex 获取 IDE 的上下文
使用 Codex 时接入 JetBrains MCP 服务器,AI 就能利用我的开发环境提供的丰富上下文,其中许多信息它通常都“看不到”。
通过 JetBrains MCP,Codex 可以向 IDE 查询更多上下文,例如:
- 查找文件中的问题:使用 IntelliJ 的代码检查功能查找文件中的错误和警告,并返回具体问题,包括错误消息和位置。
- 执行运行配置:执行预先定义的运行配置,例如运行单元测试、静态检查工具或格式化工具,并获取退出码和输出。
实际用下来,这些功能非常有效。开发者在编写、编译和测试代码时依靠 IDE 提供的反馈,Codex 现在也能获得同样的反馈。它可以利用 IDE 的上下文更有效地检查和验证自己生成的代码,从而缩短每轮迭代的时间。
更快发现错误:一个实际案例
我们有一段代码使用了 Databricks 的 Java SDK。我在为其中的错误处理逻辑编写单元测试时,请 Codex 帮我模拟一种异常情况。它很有把握地给出了一行 Java 代码,大致如下:
var stubError = new NotFound("dummy error");乍一看很合理:我们确实想模拟一个 NotFound 错误。但没过多久,IntelliJ 就在这行代码下方画了一道醒目的红线。
问题在于,Databricks SDK 中的 NotFound 异常类没有只接受一个字符串参数的构造函数(您可以查看 Databricks SDK 的源文件 NotFound.java)。也就是说,Codex 建议的代码根本无法通过编译。
默认情况下,Codex 不会察觉这个错误,可能要等到尝试运行测试时才发现问题。但接入 JetBrains MCP 后,Codex 立即发现了错误。在后台,Codex 调用了 IDE 的 get_file_problems 工具来检查文件,工具随即报告了编译问题:找不到匹配的构造函数。
没有 MCP 时,Codex 很可能要经过以下步骤:
- 生成代码
- 确定如何运行单元测试
- 运行单元测试(可能需要请求用户审批才能执行命令)
- 读取并解析失败消息
- 尝试修复错误
接入 JetBrains MCP 后,流程缩短了许多:
- 生成代码
- 向 JetBrains IDE 查询文件中存在的问题
- 修复 IntelliJ 报告的具体错误
这样既节省了时间,也减少了上下文消耗。感觉就像在和另一位工程师结对编程,对方一眼就看出问题:“啊,这个类没有这样的构造函数,它要的是别的参数。我这就改一下。”
预先配置测试和格式化任务
我很喜欢的另一点是,Codex 可以直接在 IDE 中使用我们现有的构建和测试工具。对于大多数项目,我已经在 IDE 中定义了本地运行配置,用于运行测试、格式化代码和执行静态检查。通过 JetBrains MCP,Codex 可以自行找到这些配置,并按需执行。
有了这些配置,Codex 只需花少量时间、占用较少的上下文,就能弄清楚如何执行这些任务,因此能把注意力放在原本要解决的问题上。我发现,接入之后,Codex 在运行测试、格式化代码或执行静态检查时都不再卡壳了。
因此,我在自定义智能体指令中要求 Codex 每次修改代码后都运行测试、执行静态检查并格式化代码。
## Code edit instructions
After you've finished editing
- Use the jetbrains mcp (if available) to find any problems
- Run format command if available
- Run lint command if available
我发现,现在 Codex 经常能自行解决问题,无需我介入。对我这个开发者来说,这省了不少事:
- 我不用在 Codex 每次修改代码后都手动运行测试、执行静态检查和格式化代码。
- 我不用把错误消息复制粘贴到聊天里。
- Codex 很快就能得到准确的反馈,知道修改是否真的有效,因此需要的反馈轮次也更少了。
这样,我就有更多时间专注于手头的任务:交付能正常运行的高质量软件。
我们的开发方式有了哪些变化
将 Codex 与 JetBrains MCP 集成后,我们的 AI 助手在开发过程中能做的事明显更多了,也更可靠了。我们在实际使用中看到了这些好处:
- 更快获得反馈:一旦出现编译错误或测试失败,Codex 就能立即从 IDE 获得反馈。
- 减少反复输入提示的次数:Codex 可以直接查询 IDE,不必每次都等我执行命令,再把错误消息贴回来。
- 提高建议质量:Codex 能看到 IDE 检测到的问题,因此它给出的修复方案更有可能一次就通过编译和测试。
- 更好地融入现有工作流程:Codex 可以直接使用我们现有的工具,无需另起一套。
通过这次集成,原本独立运行的 Codex 更紧密地融入了我们的开发环境。
总结
在 Skyscanner,我们最大的体会很简单:上下文至关重要。Codex 本身就很强大,而当它能了解 IDE 中的情况时,解决问题的效率就高多了。有了这些上下文,Codex 能更深入地了解问题,更快给出准确的修复方案,我也更信任它生成的代码了。
希望我们的经历能让更多人动手尝试这样的集成。现在用起 Codex 来,感觉更像是在和一位 AI 搭档结对编程:我在 IDE 里看到的情况,它也能看到。