同一提示跑两遍，Codex GPT‑5 高配把 Claude Code 打懵了

很多人以为顶级代码模型已经“差不多了”，但 Riley Brown 用同一套提示，把 Codex（GPT‑5 High）和 Claude Code 放进同一个沙盒里对打，结果却出乎意料：不是谁能写代码，而是谁更懂“什么时候该收手”。

一开始就不公平的对决：同提示、同环境、同时间

这条视频最狠的地方，不是评测工具，而是评测方式。Riley 没搞复杂 benchmark，也没引入人肉补丁：同一个 prompt、同一个 Web 沙盒（sandbox.dev）、同一个前端框架（Next.js），Codex CLI 和 Claude Code 同时开跑。

很多模型对比输就输在“变量太多”，而这里几乎没有借口。甚至连使用方式都被刻意简化——不本地安装、不调环境，直接网页打开就用。Riley 的潜台词很明显：如果一个 AI coding 工具连这种理想条件下都表现一般，那在真实世界只会更糟。

第一个实验就拉开差距：谁更懂“按要求来”

实验一是构建一个浏览器里的“个人 OS”概念应用。不是完整系统，而是强调结构、布局和交互的综合体。这类需求最容易暴露模型的“坏习惯”：

• 要么过度发挥，加一堆没被要求的功能
• 要么理解跑偏，页面结构乱飞

结果很快就出来了。大约 5 分钟后，Codex 生成的应用在整体完成度、样式一致性、指令遵循度上明显更稳。Riley 的评价很直接：

“我就是喜欢 Codex 在 GPT‑5 High 下的风格，它真的更会按指示来，也不会做多余的事。”

这句话点中了很多开发者的痛点——在真实项目里，‘不多做’往往比‘多做’更难。

Angry Birds 测试：当提示工程不再是护城河

第二个实验更残酷：直接用一个 Angry Birds 的提示，一次性生成可玩的版本。

这是典型的“爽点测试”——物理效果、交互反馈、视觉表现，任何一环拉胯，整体观感都会崩。Riley 几乎是边看边惊讶：“Angry Birds one-prompted it.”

有意思的是，这一轮两边都不算翻车，甚至都“挺 solid”。但差异依然存在：Codex 更像一个经验丰富的前端工程师，先把主干搭稳；Claude Code 则偶尔会在实现路径上显得更激进。

最后 Riley 甚至拉了第三方一起盲看裁决——而最终胜负，依然偏向 Codex。

真正的分水岭：不是‘谁更聪明’，而是‘谁更像同事’

如果你只看结论，会以为这又是一场模型性能的简单胜负。但这条视频真正有价值的，是它揭示了 AI 编程工具的下一条分水岭：

• 不是 token 更多
• 不是代码更炫
• 而是是否具备工程边界感

Codex 在 GPT‑5 High 下展现的，是一种“知道什么时候停”的能力：按需求交付、不过度设计、默认选择更稳妥的实现。这恰恰是很多团队最希望 AI 同事具备的品质。

也难怪 Riley 会在结尾推荐 sandbox.dev——把 Claude Code、Codex（以及未来的 Gemini CLI）放在同一个入口，随手就能对比，胜负一眼就出来了。

总结

这场对决给从业者的启发其实很现实：别再只问“哪个模型更强”，而要问“哪个模型更适合进我的工作流”。如果你做的是产品级应用、需要快速落地和可控输出，那“听话、不添乱”的模型，价值可能远超“灵感爆炸型”的 AI。

一个值得你亲自验证的行动建议是：选一个真实需求，用同一 prompt 同时跑两种工具，别改、别补救，直接看第一版结果。你会很快发现，AI 编程的差距，已经从‘能不能写’变成了‘值不值得信任’。

关键词： Codex， Claude Code， AI代码生成， 提示工程， 开发者工具

事实核查备注： 1. 视频中提到的 Codex 使用的具体模型名称“GPT-5 High”需核实其官方命名与发布时间。
2. sandbox.dev 是否在视频发布时间前后提供免费限时使用，需要确认。
3. 视频实际时长与发布时间（2025-09-03）需与 YouTube 页面核对。
4. Claude Code、Codex、Gemini CLI 在 sandbox.dev 中的可用性范围需确认。