Как увеличить контекстное окно в Codex

Увеличить контекст в Codex можно только в пределах, которые одновременно разрешают выбранная модель, модельный каталог клиента, способ входа и сервис OpenAI. Для локальных клиентов существует официальный параметр model_context_window, но число в config.toml не отменяет максимальный лимит модели. Поэтому правильный порядок такой: выбрать доступную long-context модель, попробовать настройку на одной новой сессии, проверить фактическое окно через /status, а затем сократить лишний контекст. Для Codex Cloud пользовательского переключателя размера окна и модели сейчас нет.

Материал актуален на 6 сентября 2026 года; примеры синтаксиса дополнительно сверены с локальным codex-cli 0.153.4. Codex быстро развивается, а Desktop и CLI могут включать разные версии движка. Перед экспериментом зафиксируйте codex --version и проверяйте синтаксис для своей сборки через --strict-config.

Что именно называют контекстным окном

Фразой «контекст Codex» часто обозначают шесть разных вещей. Из-за этого паспорт модели на 1,05 млн токенов сравнивают с меньшим числом в /status и принимают разницу за ошибку.

Понятие	Что входит	Можно ли увеличить
Паспортное окно модели	Вход, служебные инструкции, история, вызовы инструментов, результаты и место под продолжение	Только выбором модели с большим пределом; выше её hard limit подняться нельзя
Настроенное окно Codex	Значение model_context_window, запрошенное локальным клиентом	Да, если каталог и сервис разрешают больше текущего значения
Эффективное, или usable, окно	Рабочая часть разрешённого окна после системного резерва	Косвенно: выбором модели и уменьшением накладных расходов
Активный контекст задачи	То, что реально отправляется модели на очередном ходе	Да: можно убрать шум, ограничить файлы и результаты инструментов
История после compaction	Краткое представление ранних сообщений и действий	Можно освободить место, но исходные детали уже не находятся в активном окне целиком
Доступ к репозиторию и внешним данным	Файлы на диске, MCP-серверы, подключённые источники и поиск	Доступ можно расширить, но сами найденные фрагменты всё равно занимают токены

Токен — фрагмент текста, а не слово и не символ. Один и тот же файл может занимать разное число токенов в зависимости от языка, кода, JSON, повторов и разметки. Изображения тоже имеют стоимость контекста, хотя она не выражается простым подсчётом слов.

Почему паспортное и видимое окно различаются

Для текущих API-моделей OpenAI публикует общий model context window и отдельный maximum output. Codex поверх этого применяет метаданные своего модельного каталога и резервирует часть окна для инструкций, инструментов и ответа. Удобная модель расчёта выглядит так:

разрешённое окно = минимум(запрошенное окно, максимум каталога модели)
usable context = разрешённое окно × доля эффективного контекста

Точная доля приходит в метаданных модели. Её не следует угадывать или жёстко прописывать в рабочей инструкции. Если в /status видно меньше паспортного значения, это ещё не доказывает неисправность: вы можете смотреть на usable context локального Codex, а паспорт относится к API-модели.

В каких версиях Codex можно управлять контекстом

Поверхность	Что доступно пользователю	Главное ограничение
Codex CLI	/model, -m, одноразовые -c, config.toml, /status, /compact, /new, /clear, resume, fork	Клиент не может превысить каталоговый и серверный максимум модели
Codex в ChatGPT desktop app, локальная задача	Выбор модели в интерфейсе, общий с CLI и IDE config.toml, новая задача, /status	Набор команд и версия движка могут отличаться от отдельно установленного CLI
Codex IDE extension	Выбор модели и общий локальный config.toml	Автоматический IDE context добавляет полезные данные, но тоже расходует окно
Codex Cloud	Облачная задача в выбранном репозитории и environment	Default model облачных задач сейчас нельзя менять пользовательской настройкой
Собственное приложение через OpenAI API	Выбор API-модели, token counting, Responses state, compaction, file search, MCP	Отдельная авторизация, отдельный биллинг и собственная оркестрация контекста

Настройки модели в обычном ChatGPT, локальном Codex, Codex Cloud и API не наследуются автоматически между поверхностями. Наличие модели в ChatGPT-подписке не гарантирует доступ к ней по API. И наоборот, API key с доступом к модели не превращает Codex Cloud в настраиваемый API-клиент.

Какие модели дают большое окно

На 6 сентября 2026 года паспорт API у GPT-6 Astra и семейства GPT-5.6 указывает 1 050 000 токенов общего контекста и до 128 000 токенов вывода. Это характеристики API-моделей. Фактический локальный Codex limit нужно смотреть отдельно.

Модель	Идентификатор	Окно в API-паспорте	Max output в API	Практический выбор
GPT-6 Astra	gpt-6-astra	1 050 000	128 000	Самые сложные многошаговые задачи; доступ зависит от плана и rollout
GPT-5.6 Sol	gpt-5.6-sol, alias gpt-5.6	1 050 000	128 000	Глубокая работа с кодом, исследованием и инструментами
GPT-5.6 Terra	gpt-5.6-terra	1 050 000	128 000	Баланс качества, скорости и стоимости
GPT-5.6 Luna	gpt-5.6-luna	1 050 000	128 000	Узкие повторяемые задачи и высокая скорость

В текущем списке моделей Codex доступны команды запуска и оговорки по тарифам, клиентам и rollout. Если модель отсутствует в /model или picker, запись её имени в конфиг не выдаст недостающий entitlement.

Большое паспортное окно не означает, что его нужно заполнять. Для рефакторинга одного модуля Terra или Luna с точными путями часто эффективнее огромной сессии на старшей модели, в которой смешаны архитектура, логи, переписка и несколько независимых задач.

Как проверить фактический лимит до изменения

Сначала снимите исходные данные. Эти команды ничего не меняют в модели или размере окна:

codex --version
codex login status

Затем запустите новую локальную задачу, выберите модель через /model, отправьте короткий тестовый запрос и откройте /status. Важен status после первого обращения к модели: стартовый экран может показывать предварительные или локально рассчитанные метаданные, а рабочая сессия — фактические данные каталога сервиса.

Зафиксируйте четыре значения:

• версия клиента;
• способ входа: ChatGPT или API key;
• точный model ID;
• контекст в /status после первого хода.

Для сравнения используйте одну и ту же маленькую задачу. Не загружайте большой репозиторий или лог до базового замера: иначе станет непонятно, изменился лимит или просто выросло потребление.

Расширенная диагностика

В текущем CLI есть codex debug models и codex debug prompt-input. Обе команды помечены Experimental, поэтому их интерфейс может измениться.

codex debug models печатает каталог, который видит клиент. Вариант --bundled намеренно показывает только каталог, встроенный в бинарник, без обновления с удалённого endpoint. Это полезно для сравнения, но не доказывает, какой максимум применился к ChatGPT-auth сессии.

codex debug prompt-input показывает model-visible список элементов: инструкции, prompt и изображения. Команда помогает найти незаметно загруженный AGENTS.md, слишком длинный системный префикс или лишнее вложение. Не публикуйте такой JSON без проверки: там могут оказаться внутренние инструкции, пути и фрагменты файлов.

Поддерживаемые настройки контекста

Актуальный справочник конфигурации Codex содержит несколько разных регуляторов. Они решают разные задачи.

Ключ	Что регулирует	Чего не делает	Риск неверного значения
model_context_window	Запрашиваемое окно активной модели	Не превышает model/catalog/server maximum	Слишком большое число будет ограничено или не даст ожидаемого результата; слишком маленькое реально уменьшит окно
model_auto_compact_token_limit	Порог автоматической compaction	Не добавляет токены модели	Слишком поздний порог оставит мало запаса; слишком ранний чаще будет сжимать историю
model_auto_compact_token_limit_scope	Считать total или прирост body_after_prefix	Не меняет hard cap	Неподходящий scope меняет частоту compaction
tool_output_token_limit	Сколько токенов одного tool result хранить в истории	Не меняет длину ответа модели	Высокий лимит быстро заполняет окно, низкий обрезает нужные доказательства
mcp_servers.<id>.tools.<tool>.output_token_limit	Лимит результата конкретного MCP tool	Не ограничивает все остальные tools	Можно потерять строки, нужные для диагностики
project_doc_max_bytes	Максимальный объём цепочки AGENTS.md	Не делает длинные инструкции качественнее	Увеличение добавляет постоянный шум в каждую задачу
skills.max_context_tokens	Бюджет стартового каталога skills	Не ограничивает полный SKILL.md после выбора	Слишком низкое значение может скрыть нужные навыки, слишком высокое съедает prompt

Если model_auto_compact_token_limit не задан, Codex использует параметры модели. Это лучший стартовый вариант для большинства пользователей. Ручной порог нужен после измерения, а не как обязательная строка из чужой статьи.

Безопасная одноразовая проверка

Команда ниже актуальна для синтаксиса, документированного 6 сентября 2026 года. Она запрашивает один миллион токенов только для нового запуска и не записывает значение как постоянный default:

codex --strict-config -m gpt-5.6-sol -c model_context_window=1000000 -c model_auto_compact_token_limit=900000

Это условный тест, а не обещание миллиона. После первого сообщения откройте /status. Если окно осталось меньше, сработал потолок каталога, сервиса, тарифа или клиента. Не пытайтесь «исправить» его ещё большим числом.

Лишь после успешного теста можно перенести подтверждённые значения в пользовательский ~/.codex/config.toml. В Windows это обычно файл config.toml внутри .codex в профиле пользователя. Пример:

model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000
model_auto_compact_token_limit_scope = "total"

Запустите новый чат с --strict-config, отправьте тестовый запрос и снова проверьте /status. Существующая сессия может сохранить старую модель и уже собранный контекст.

Почемуconfig_model_context_window не работает

Ключ config_model_context_window не входит в официальный configuration reference. Правильное имя — model_context_window. Также не документированы отдельный флаг --context-window и пользовательские параметры context_length, max_context_window или context_window.

max_context_window встречается в исходном коде и JSON-каталоге модели. Это ограничитель, с которым клиент сравнивает пользовательский override, а не обычная настройка config.toml. Подмена этого поля в собственном каталоге может изменить показания клиента, но не обязана изменить серверный допуск.

Почему настройка на миллион может не сработать

В августе и начале сентября 2026 года в официальном репозитории Codex оставались открытые пользовательские отчёты, где разные клиенты получали для GPT-5.6 Sol каталоговый максимум 272 000 или 872 000 токенов. Эти issues не задают продуктовый контракт, но показывают реальный риск: локальная строка принимается без синтаксической ошибки, затем runtime ограничивает её меньшим max_context_window.

Проверяйте причины по порядку:

Симптом	Вероятная причина	Что сделать
Модель отсутствует в picker	Нет доступа на этом плане, клиенте или rollout	Выбрать доступную модель; не редактировать каталог
/status меньше model_context_window	Catalog/server clamp или effective reserve	Зафиксировать model/auth/version и считать /status рабочим пределом
Сразу после старта число больше, после запроса меньше	Удалённый каталог уточнил метаданные	Оценивать только runtime после первого хода
Compaction начинается раньше заданного порога	Порог ограничен модельным окном и системным запасом	Уменьшить ожидания, вернуть model defaults, проверить scope
CLI принимает ключ, Desktop ведёт себя иначе	Разные bundled versions или UI capabilities	Сравнить версии клиентов и начать новые задачи
--strict-config падает	Текущая сборка не знает ключ либо конфиг содержит опечатку	Обновить клиент или удалить неизвестный ключ; не отключать проверку ради запуска

Не используйте обходы с редактированием models_cache.json, подменой model_catalog_json, отключением remote catalog или изменением служебного originator. Они относятся к экспериментам с внутренними метаданными, могут исчезнуть после обновления и не снимают серверный hard limit. Большое число на экране ещё не подтверждает успешную обработку такого входа.

Как увеличить полезный контекст без увеличения окна

Практический результат чаще даёт не максимальное число токенов, а высокая доля релевантной информации. Codex должен видеть цель, ограничения, затронутые компоненты, решения и проверку. Ему редко нужны все логи, весь node_modules и история обсуждения соседних задач.

Давайте одну цель и границы

Хороший стартовый prompt отвечает на пять вопросов:

• какой результат нужен;
• какие пути и компоненты входят в scope;
• что менять нельзя;
• как проверить готовность;
• при каком условии остановиться и спросить пользователя.

Вместо «разберись с репозиторием и улучши всё» полезнее написать: «Найди причину 500 в app/api/orders, не меняй схему БД, сначала покажи путь запроса, после исправления запусти тесты этого пакета». Точная задача сокращает количество поисковых команд и случайно прочитанных файлов.

ДержитеAGENTS.md коротким и локальным

Codex собирает цепочку AGENTS.md от глобального уровня к текущей директории. Ближайшие инструкции имеют больший приоритет. Общий объём проектных инструкций по умолчанию ограничен 32 KiB.

Не стоит сразу повышать project_doc_max_bytes. Сначала:

• оставьте в корне только правила, обязательные для всего репозитория;
• перенесите команды конкретного сервиса в вложенный AGENTS.md рядом с кодом;
• замените длинные объяснения ссылкой на версионируемый runbook и поручайте читать его только для нужной задачи;
• удалите дубли, устаревшие команды и общие советы;
• перезапустите Codex после изменения цепочки инструкций.

Так инструкции для frontend не будут постоянно занимать контекст backend-задачи.

Используйте scoped skills

Skills применяют progressive disclosure: сначала Codex видит название и короткое описание, а полный SKILL.md, references и scripts загружаются после выбора. Это экономнее единого AGENTS.md на сотни строк.

Один навык должен обслуживать один узнаваемый workflow. Например, команды релиза, чек-лист миграции и шаблон отчёта лучше хранить в release-service, а не добавлять во все задачи. Если установлены десятки похожих skills, сократите описания и отключите неиспользуемые: стартовый каталог тоже имеет token budget.

Указывайте файлы, а не вставляйте всё содержимое

В CLI /mention path/to/file прикрепляет файл к чату. Изображения добавляются через -i. Это повышает вероятность, что Codex сразу посмотрит нужный источник, но вложение не бесплатно: его содержимое попадает в model-visible input.

Для большого файла укажите точный вопрос, раздел, символ или диапазон строк. Для логов передавайте воспроизводимый временной интервал и ошибки, а не гигабайтный файл. Если детали можно перечитать с диска позже, сохраните путь и критерий поиска вместо полной копии результата в переписке.

Не рассчитывайте на автоматический repo map

Рабочая папка даёт агенту доступ к файлам, но не подтверждает, что весь репозиторий заранее помещён в семантический индекс и активный prompt. В стабильной документации Codex нет обещания встроенного repo map, автоматически удерживающего весь проект.

Codex обычно строит понимание инструментами: просматривает дерево, ищет символы, читает выбранные файлы и запускает команды. Помогите ему сузить поиск:

• назовите package, сервис и entry point;
• перечислите каталоги, которые разрешено читать;
• исключите node_modules, vendor, dist, .next, coverage, minified bundles, generated code и большие fixtures, если они не относятся к проблеме;
• попросите сначала составить карту зависимостей из имён файлов и импортов, а содержимое читать по необходимости;
• разделяйте монорепозиторий на задачи по сервисам.

.gitignore сам по себе не является гарантией, что доступный файл никогда не будет прочитан. Явно задавайте scope и ограничения на чувствительные пути.

Ограничивайте результаты инструментов

Один git diff, stack trace, SQL dump или ответ MCP способен занять десятки тысяч токенов. tool_output_token_limit ограничивает, сколько одного результата хранится в истории. Его увеличение сохраняет больше доказательств, но ускоряет заполнение окна.

Лучше сокращать результат в источнике:

• фильтровать rg по пути и шаблону;
• выводить последние релевантные строки лога;
• запрашивать конкретные поля API;
• ограничивать число результатов retrieval;
• сохранять полный артефакт в файл и возвращать в чат краткое резюме с путём;
• задавать индивидуальный output_token_limit только для шумного MCP tool.

Слишком маленький лимит тоже опасен: Codex может не увидеть строку с причиной ошибки. Начинайте с model defaults и меняйте параметр после наблюдаемой проблемы.

Как работают compact, new, clear, resume и fork

Действие	Что происходит с историей	Когда использовать
/compact в CLI	Ранние ходы заменяются кратким summary	Цель та же, критические решения уже зафиксированы, нужен запас
/new	Создаётся чистый чат в той же CLI-сессии	Началась другая самостоятельная задача
/clear	Очищается экран и создаётся чистый чат	Нужны новый контекст и чистый терминал
codex resume	Сохранённая история продолжается	Нужно вернуться к той же задаче и её контексту
codex fork или /fork	История копируется в отдельную ветку чата	Нужно попробовать альтернативу, сохранив общий прошлый путь
Новый worktree	Изолируются checkout и Git-состояние	Параллельные изменения не должны конфликтовать

Resume и fork не освобождают окно автоматически: они переносят историю. Worktree изолирует файлы, а не токены. Для действительно новой задачи используйте новый чат и передайте короткий handoff.

Что сохранить перед compaction

Попросите Codex обновить небольшой рабочий файл, например work/handoff.md, со следующими полями:

- Цель и критерий готовности
- Scope и запреты
- Проверенные факты и команды
- Принятые решения с причинами
- Изменённые файлы
- Тесты и их фактический результат
- Открытые риски
- Следующее конкретное действие

Файл не расширяет окно, зато даёт проверяемую точку восстановления. После compaction перечитайте его и попросите назвать цель, ограничения и next action. Если summary и файл расходятся, источником истины должен быть утверждённый артефакт и текущее состояние репозитория.

Экспериментальное управление контекстом Astra

Поддерживаемые Codex-клиенты получили экспериментальный режим, в котором Astra хранит заметки между окнами и может искать ранние сообщения и tool results в пределах той же задачи. Он выключен по умолчанию. На 6 сентября 2026 года страница моделей называла ChatGPT Plus и Pro, а configuration reference дополнительно указывал Pro Lite; Business, Enterprise и API-key sign-in в стартовую доступность не входили.

Точный текущий ключ:

features.context_management.experimental_mode = true

После изменения нужна новая задача. Режим не увеличивает физический model context window: он меняет способ продолжения длинной задачи после заполнения окна. Пометьте эксперимент в командном runbook, сравните качество на контрольной задаче и будьте готовы выключить его при регрессии. Доступность может изменяться вместе с rollout; ориентируйтесь на picker, текущие workspace requirements и документацию своей сборки.

Когда нужен MCP или retrieval

Если Codex должен работать с большой документацией, журналом инцидентов, несколькими репозиториями или базой знаний, не загружайте корпус целиком. Retrieval ищет несколько подходящих фрагментов, а MCP даёт инструменты для получения данных по запросу.

Подход	Польза	Цена контекста	Риск
Точный локальный поиск	Быстро находит символы и пути	В окно попадает только вывод команды	Широкий шаблон вернёт слишком много строк
File search/RAG	Семантически выбирает фрагменты из большого корпуса	Токены тратятся на retrieved chunks	Устаревший или дублированный индекс даст неверный контекст
MCP	Подключает внешнюю систему и действия	Схемы tools и результаты занимают prompt	Prompt injection, утечка данных, лишние side effects
Ручной handoff-файл	Хранит решения между задачами	Небольшой файл читается по необходимости	Файл нужно обновлять и версионировать

Отключайте неиспользуемые MCP-серверы и оставляйте только нужные tools. Для чувствительных операций сохраняйте approval. Третьесторонний MCP может запросить фрагменты prompt, кода или документов; проверяйте владельца сервера, его политику данных и фактически отправляемые аргументы.

Если вы управляете контекстом через API

API-сценарий отделён от ChatGPT-подписки. Здесь разработчик сам выбирает модель, собирает input и хранит state.

Полезные параметры и методы:

Параметр или метод	Назначение	Ошибка интерпретации
max_output_tokens	Верхний предел видимых и reasoning tokens ответа	Не увеличивает input window
previous_response_id	Связывает новый ход с предыдущим Response	Не делает предыдущую историю бесплатной
truncation: "auto"	При переполнении удаляет ранние items	Может незаметно убрать важные решения
truncation: "disabled"	Возвращает ошибку при превышении окна	Требует собственного recovery path
POST /responses/input_tokens	Считает входные токены до выполнения	Не предсказывает качество и tool growth
POST /responses/compact	Возвращает compacted representation для продолжения	Это отдельный API endpoint, не CLI /compact
File search с ограничением результатов	Добавляет только несколько релевантных фрагментов	Слишком много chunks снова раздувает prompt

Для production agent храните структурированный state вне чата: цель, completed steps, IDs, tool outcomes, блокеры и next action. Выполняйте compaction после логического этапа, а не на каждом ходе. Стабильные инструкции располагайте в начале request, динамический retrieval — ближе к концу; это помогает prompt caching.

API-модели GPT-6 Astra и GPT-5.6 тарифицируют запросы с входом свыше 272K по повышенным коэффициентам для всей заявки: input — вдвое, output — в 1,5 раза. Точная цена зависит от модели и даты. Такая ставка не описывает расход ChatGPT credits один к одному.

Как распределить token budget

Универсального процента нет. Для длинной инженерной задачи можно начать с внутреннего бюджета от фактического usable context, а затем измерить расход:

Категория	Стартовый ориентир	Что туда входит
Постоянные инструкции	до 5%	System, AGENTS.md, активные skill instructions
Рабочие файлы и retrieval	35–45%	Код, спецификации, выбранные документы
Tool results	15–20%	Логи, тесты, diff, API/MCP ответы
История решений	15–20%	Обсуждение, промежуточные выводы, corrections
Запас	не менее 15%	Следующий tool loop, compaction и финальный ответ

Это планирование, а не лимиты OpenAI. Если задача регулярно превышает бюджет, не уменьшайте запас до нуля. Разделите работу по milestone: исследование, реализация одного компонента, тестирование, review. Между этапами обновляйте handoff и начинайте новый чат, когда дальнейшая работа не нуждается во всём transcript.

Качество, задержка и стоимость

Большое окно даёт больше потенциально доступных фактов, но повышает три вида издержек:

• модель должна отличить важное от шума, поэтому растёт риск опереться на устаревший лог или соседнюю спецификацию;
• огромный input увеличивает обработку и может замедлить каждый следующий ход;
• в API длинный request стоит дороже, а в Codex-подписке может быстрее расходовать доступную квоту или credits.

Повышение reasoning effort, режимы Max или Ultra, Fast и prompt caching не расширяют контекст. Reasoning влияет на глубину и расход ответа. Ultra добавляет subagents. Fast меняет tier обслуживания. Prompt caching снижает повторную обработку и стоимость подходящего стабильного префикса, но его токены остаются частью логического контекста запроса.

Измеряйте результат на реальной контрольной задаче: число повторных чтений, количество compaction, latency, usage, долю успешных тестов и сохранение ключевых решений. Если миллион токенов не уменьшил ошибки и повторы, меньший, лучше отобранный контекст выгоднее.

Риски безопасности большого контекста

Чем больше файлов и внешних источников доступно агенту, тем шире поверхность атаки и случайного раскрытия.

Prompt injection

Инструкция может быть спрятана в README зависимости, issue, веб-странице или результате MCP. Модель способна принять её за продолжение задачи и попытаться отправить данные, вызвать лишний tool или изменить scope.

Снижайте риск:

• подключайте доверенные MCP-серверы и ограничивайте список tools;
• оставляйте approval для отправки данных и изменений во внешних системах;
• разделяйте недоверенный контент и управляющие инструкции;
• разрешайте сеть только для нужных доменов и методов;
• проверяйте команды, diff и аргументы внешних tool calls;
• не превращайте текст из сайта или репозитория в instructions без проверки.

Чувствительные файлы

Не добавляйте в контекст .env, приватные ключи, cookies, session logs, production dumps и customer data. Даже если секрет не показан в финальном ответе, он мог попасть во вход модели или аргумент MCP.

Давайте Codex доступ к минимальной рабочей области. Храните секреты вне репозитория, передавайте их инструментам через предназначенные secret stores и маскируйте логи. Перед публикацией debug prompt-input, session JSONL или handoff-файла проверяйте содержимое вручную.

Что делать, если Codex «потерял контекст»

Сначала определите тип потери. Нехватка токенов, неправильная рабочая директория, новая модель, другой auth и устаревший AGENTS.md требуют разных действий.

Проверка	Что ищем	Следующий шаг
/status	Модель, usage, размер окна, cwd и rate limits	Если изменились model или project, вернуться в правильную сессию
git status и git diff	Фактические изменения независимо от памяти агента	Зафиксировать состояние в handoff, не повторять сделанное
Активные AGENTS.md	Правила нужного scope	Перезапустить сессию после правки instructions
Последний summary/handoff	Пропавшее решение или ограничение	Восстановить из файла, а не пересказывать весь transcript
Tool output	Обрезанный лог или search result	Повторить узкий запрос с нужным диапазоном
Версия и auth	Разные каталоги и функции	Сравнивать только одинаковые client/auth/model

Если compaction повторяется, а задача не продвигается, остановите цикл. Сохраните цель, diff, тесты и next action в файл, затем начните чистый чат. Новый prompt должен ссылаться на handoff и конкретные файлы, а не копировать всю старую переписку.

Если Codex помнит код, но забывает требования, сократите AGENTS.md до обязательных правил и перенесите изменяемую спецификацию в отдельный документ. Если помнит требования, но повторно читает весь repo, сузьте пути и задайте следующий проверяемый шаг.

Дерево решений

Вопрос	Да	Нет
Нужно обработать единый документ или кодовый срез, который не помещается?	Выберите доступную модель с большим окном и проведите одноразовый тест model_context_window	Не меняйте физическое окно; сначала сократите scope
/status подтвердил рост после первого хода?	Сравните качество, latency и usage, затем решайте о постоянном config	Примите runtime ceiling; не подменяйте каталог
Задача та же, но история почти заполнена?	Зафиксируйте решения и используйте /compact	Для новой цели используйте /new или /clear
Нужны данные из огромного корпуса?	Подключите scoped retrieval/file search/MCP с малым числом результатов	Укажите точные локальные пути и символы
Нужны параллельные независимые изменения?	Разделите задачи и worktrees; передайте короткие контракты	Оставьте одну цель в текущем чате
История важнее чистого окна?	Resume или fork с последующей compaction	Начните свежую задачу с handoff
Доступен Astra experimental context management?	Включайте только как измеряемый эксперимент в новой задаче	Используйте обычные summary, handoff и retrieval
В контексте есть внешние или чувствительные данные?	Сузьте доступ, approvals и tools до передачи	Всё равно не добавляйте лишние секреты

Вывод

У Codex есть реальный пользовательский регулятор model_context_window, но он работает внутри жёсткой цепочки ограничений: model capability → product entitlement → model catalog → effective reserve. Поэтому фактическим доказательством служит /status в новой рабочей сессии после первого хода, а не строка в конфиге и не паспорт API.

Для большинства задач лучший прирост даёт управление effective context: короткий scoped AGENTS.md, узкие skills, точные file mentions, ограниченные tool outputs, handoff между milestones и retrieval вместо загрузки всего корпуса. Compaction продлевает работу, но не гарантирует сохранение каждой детали. Community hacks с подменой каталога не стоит превращать в production-инструкцию.