OpenAI Codex 和 Claude Code 是两个能在电脑上动手干活的 AI 助手。我给它们同一个活——整理一个 170 个文件、埋了 17 个坑的乱糟糟的下载文件夹——各干一遍，指令一字不差，考场一模一样，每种指令考两次，一共考了 8 场。结论先说：只说一句话是在碰运气；把规矩写清楚之后，Claude Code 稳定拿满分，OpenAI Codex 稳定卡在一半分，但这个"一半分"最后被证明是我考场设计的问题，不是它做错了。
▶ 视频直达：https://youtu.be/N-CJ3Tp0sYs
考场怎么搭的
我把自己电脑上一个真实的下载文件夹复制出来当考场：170 个文件，混着文档、图片、压缩包、安装包，里面埋了 17 个坑，比如同名文件、格式和后缀对不上的文件、空文件。两个 AI 助手拿到的指令一字不差，考场也是同一份复制件，不许互相看见对方怎么做。每种指令各考两次，一共 8 场，全程盯着有没有删文件、改名、动了文件夹之外的东西。
第一轮：只说一句话「帮我整理好」
结果两边都是九十多分，看着旗鼓相当。但真正让我意外的是，我自己写的一个只看文件后缀分类的简陋脚本，同一份考卷也能考到 95.3 分——说明这轮的分数线太低，光看后缀分类就能蒙混过关。更能说明问题的是，同一句话考两次，两个 AI 各自的两次结果都不一样。只说一句话，考的不是能力，是运气。好在八场全程没有一次删文件、改名或动文件夹之外的东西，安全线守住了。
第二轮：给一份写清楚规矩的岗位说明书
把"怎么整理"写成一份详细的岗位说明书重新考一遍，两边都不再靠运气：Claude Code 两次都是 100 分；OpenAI Codex 两次都是 49.4 分。分差这么大，我第一反应是 Codex 没做好，但翻开卷子一看，事情没那么简单。
翻卷子：49.4 分是我的考场设计错了
岗位说明书里写了一条规矩：格式打不开的文件，一律放进待处理文件夹。Codex 把这条规矩执行得极其彻底——它真的把每个文件逐个打开校验，结果发现我这个考场里全是"格式空壳"文件，比如一个标着 PDF 后缀的文件实际只有 135 字节，根本不是一份真的 PDF。于是 Codex 把 90 个本该算正常的文件也判定成"打不开"，塞进了待处理文件夹，扣掉了一大截分数。我把这些文件逐一打开核实后发现，Codex 是对的，错的是我的考场——评分程序只认我心里预设的"标准答案"，没想到 Codex 会做这么彻底的校验。
Claude Code 的 100 分是怎么来的
同样是这份说明书，Claude Code 走的是另一条路：按文件的格式标识分类，再逐一核对搬运前后内容是否一致，正好踩在了我心里预想的整理方式上，所以拿了满分。它不是比 Codex "更聪明"，只是恰好和我脑子里那份没写出来的隐藏期待对上了号。
结论：一个较真，一个读懂言外之意
把规矩写清楚之后，两边都能稳定输出，只是稳在了不同的地方：OpenAI Codex 按字面较真，连"格式对不对"都要亲自验证一遍，更适合"按标准流程严格执行"、容错要求高的场景；Claude Code 更擅长读懂说明书背后没写出来的意图，更适合"说一句话就想被理解"的日常场景。这次实测里"分数低"的那个,反而是把我自己没设计好的考场给拆穿了。
诚实边界
需要说清楚：这次每种指令只跑了两次、只用了这一个考场、只测了这一天的这两个版本——Codex 回显的模型是 gpt-6-astra，Claude Code 用的是 claude-sonnet-5。这不构成"谁更强"的定论，也没有比较两者的价格与花费，仅供参考，请以你自己的实测为准。
上一篇：HeyGen 数字人值不值得订？同一条视频我用 HeyGen 和 MiniMax H3 各做一遍：标价差不多，账单差 2.5 倍
下一篇：ChatGPT 生图、Z-Image、FLUX 选哪个？同一句中文要求各画一遍：一个写字全对，一个只会画山水
更多真机实测视频，见 YouTube 频道「富爸爸AI实测」。
评论