OpenAI Codex release notes: Codex CLI 0.134.0 skärper profiler och MCP

OpenAI Codex fick en ny CLI-version den 26 maj: 0.134.0. Den är inte lika synlig som Appshots eller Goal mode från förra veckan, men den är mer intressant för team som faktiskt försöker använda Codex i vardagen.

Codex CLI är terminalversionen av OpenAI Codex, alltså en kodande agent som kan läsa filer, föreslå ändringar och köra verktyg i en kontrollerad miljö. I den här releasen handlar det mycket om styrning: profiler, MCP-kopplingar, historik och bättre signaler från hooks.

OpenAI Codex changelog: vad 0.134.0 ändrar

OpenAI listar Codex CLI 0.134.0 som publicerad 2026-05-26. Samma version är också latest i npm-registret för @openai/codex, med publiceringstid 2026-05-26T19:33:51Z.

De mest praktiska ändringarna:

• Lokal sökning i konversationshistorik, med skiftlägesokänslig innehållssökning och förhandsvisningar.
• --profile blir huvudväljaren för profiler i CLI, TUI-behörigheter och sandbox-flöden. Äldre profilkonfigurationer avvisas med migrationshjälp.
• MCP-konfigurationen får per-server-miljöer och OAuth-alternativ för streamable HTTP-servrar. MCP, Model Context Protocol, är ett sätt att koppla en AI-agent till externa verktyg och datakällor på ett mer strukturerat sätt.
• Connector-scheman blir mer robusta när Codex bevarar lokala $ref och $defs, och komprimerar för stora scheman innan agenten ser dem.
• Läsande MCP-verktyg kan köras parallellt när servern markerar dem med readOnlyHint.
• Hooks och extensions får mer kontext, bland annat konversationshistorik för extension-verktyg och subagent-identitet i hook-input.

Källa: OpenAI Codex changelog, Codex CLI 0.134.0

Källa: GitHub release rust-v0.134.0

Källa: npm-registret för @openai/codex

Varför detta spelar roll för svenska team

Det här är en kontroll-release. Inte tråkig, bara mindre demo-vänlig.

Om ni använder Codex för kundportaler, interna integrationer eller automation runt dokument och ärenden vill ni inte att allt körs i en enda lös inställning. Profiler gör det lättare att skilja en testmiljö från en mer känslig miljö. MCP-förbättringarna pekar åt samma håll: koppla in riktiga verktyg, men gör det med tydliga gränser.

I praktiken betyder det:

• Använd separata profiler för pilot, demo och skarpare arbete.
• Lägg hemligheter i miljövariabler eller en hemlighetshanterare, inte i chatten.
• Ge MCP-servrar minsta möjliga behörighet och skilj läsande verktyg från skrivande.
• Sätt godkännandegrindar för åtgärder som kan ändra kod, data, betalflöden eller kundinformation.
• Spara loggar så att en människa kan se vad agenten gjorde efteråt.

Det här passar bra i ett Verktygssmide-upplägg: bygg först en liten, styrbar Codex-miljö innan ni ber agenten ta över större arbetsflöden.

Källa: OpenAI Codex MCP-dokumentation

Vad du kan testa i dag

Mänskligt steg: Uppdatera Codex CLI till versionen som OpenAI listar i changeloggen och starta en avgränsad profil för testet.

npm install -g @openai/[email protected]
codex --profile pilot

OpenAI-dokumentationen säger att codex features enable <feature> skriver till ~/.codex/config.toml, men till $CODEX_HOME/profile-name.config.toml när CLI:n startas med --profile profile-name. Det är den lilla detaljen som gör profiler användbara för säkrare experiment.

Källa: OpenAI Codex CLI features

Kort exempel: använd nyheten i Codex

Kör prompten efter att du har startat Codex i den profil du vill testa:

Granska den här repo-sessionen som en Codex 0.134.0-profilpilot. Identifiera vilka MCP-servrar och verktyg som är läsande respektive skrivande, föreslå ett profilnamn för ett begränsat test, och ge mig en kort checklista innan jag kör några ändringar. Ändra inga filer.

Bra output bör:

• Skilja läsande MCP-verktyg från verktyg som kan skriva eller köra kommandon,
• föreslå en liten profil för pilotarbete i stället för en generell standardprofil,
• nämna vilka åtgärder som ska kräva mänskligt godkännande,
• bekräfta att inga filer ändrades.

Håll koll på nästa OpenAI Codex release notes

0.134.0 är en bra signal om vart Codex är på väg: mindre magi, mer arbetsmiljö. Nästa sak att följa är om OpenAI fortsätter göra profiler, MCP och hook-kontext lättare att granska för team som behöver spårbarhet.