Mức 4 GB RAM tối thiểu và 8 GB khuyến nghị mà OpenAI công bố cho Codex CLI nghe rất nhẹ nhàng, nhưng thực tế triển khai trên Windows lại là câu chuyện khác. Bản thân giao diện dòng lệnh không tốn tài nguyên máy tính để suy luận vì tính toán diễn ra trên server, song việc phải gánh môi trường ảo hóa WSL2 cùng trình biên tập mã nguồn khiến cấu hình máy chịu áp lực thật sự.
Hiểu lầm về card đồ họa và dung lượng RAM thực tế
Nhiều người nghĩ chạy AI agent cục bộ cần card đồ họa rời đắt đỏ. Thực tế thì Codex CLI chỉ gửi lệnh phân tích và nhận phản hồi từ máy chủ qua API hoặc tài khoản ChatGPT, GPU rời không tạo ra khác biệt nào về tốc độ sinh mã.
Ngược lại, phần cứng cần bận tâm duy nhất là bộ nhớ trong. Với mức 8 GB RAM, máy nhanh chóng chạm trần nếu bạn mở đồng thời IDE, hàng chục tab trình duyệt và phiên làm việc của agent. Nếu quy trình có thêm Docker Desktop, dung lượng 16 GB mới là mốc an toàn để máy không rơi vào tình trạng tràn RAM ảo swap. Để tối ưu môi trường thực thi, bạn có thể tham khảo phân tích từ ReviewLaptop khi thiết lập nền tảng Linux cho agent.
Sai lầm đặt dự án ở ổ C và cách tối ưu hiệu năng I/O
Thói quen clone dự án vào phân vùng Windows kiểu /mnt/c/Users/... rồi gọi agent xử lý là nguyên nhân chính gây nghẽn tốc độ đọc ghi. Mỗi thao tác đọc tệp, áp diff và chạy lệnh kiểm thử khi đi qua lớp cầu nối giữa hai hệ thống tệp sẽ phát sinh độ trễ rõ rệt kèm cảnh báo phân quyền.
# Cài đặt Codex CLI toàn cục trong môi trường Ubuntu của WSL2
npm install -g @openai/codex
# Xác nhận phiên bản và khởi chạy
npm list -g @openai/codex
codex
Mẹo dùng được ngay: luôn lưu mã nguồn trong hệ thống tệp gốc Linux tại thư mục ~/projects/ và cấu hình file .wslconfig để giới hạn tài nguyên, tránh để máy ảo chiếm dụng toàn bộ bộ nhớ của máy chủ:
[wsl2]
memory=6GB
processors=4
Trước khi dựng môi trường làm việc, hãy kiểm tra phiên bản Windows bằng lệnh wsl --status để đảm bảo nhân WSL2 đang chạy mặc định thay vì nhân thế hệ cũ.
