OpenAI Codex CLI로 재미있는 프로젝트 만들기

OpenAI Codex CLI는 AI 코딩 어시스턴트의 기능을 터미널에서 직접 활용할 수 있도록 설계된 오픈 소스 도구입니다. Cursor AI나 Windsurf와 같은 도구와 유사하게 Codex CLI는 채팅 기반 개발 환경을 제공하여 코드베이스를 이해하고, 코드를 수정하며, 명령어를 실행하고, 심지어 새로운 프로젝트를 처음부터 구축할 수 있습니다.

이 가이드에서는 Codex CLI를 로컬에 설정하고 세 가지 재미있는 프로젝트를 구축하면서 그 기능을 살펴볼 것입니다. 또한 멀티모달 기능, 승인 기능, 코드베이스를 이해하고 수정하는 능력을 테스트할 것입니다.

Codex CLI 설정하기

node -v
npm -v

git --version

npm install -g @openai/codex

export OPENAIAPIKEY="your-api-key-here"

cd 

git init

codex

1. 포트폴리오 웹사이트 구축하기

이 프로젝트에서는 기존 디자인에서 영감을 받은 포트폴리오 웹사이트를 만들 것입니다. 시작하기 위해 복제하고 싶은 포트폴리오 웹사이트의 스크린샷을 Codex CLI 도구에 제공하겠습니다.

다음 명령어를 사용하여 Codex CLI에 이미지 위치를 제공합니다:

codex --image "C:\Users\abida\Pictures\Screenshots\Screenshot 2025-04-26 194831.png"

Codex는 이미지를 분석하고 이미지가 나타내는 내용에 대한 자세한 설명을 제공합니다. 기본적으로 "o4-mini" 모델을 사용하며, 승인 설정은 "suggest"로 설정되어 있습니다.

다음으로, 스크린샷을 기반으로 하되 당신의 세부 정보에 맞게 커스터마이징된 포트폴리오 웹사이트를 구축하도록 Codex에 지시하는 다음 프롬프트를 작성합니다:

Use the image to build a portfolio website for Abid Ali Awan, a professional data scientist who writes about AI and machine learning.

"suggest" 모드에서는 Codex가 파일을 생성하거나 쉘 명령을 실행하기 전에 확인을 요청합니다. 요청이 나타날 때마다 간단히 승인하면 됩니다.

Codex가 프로세스를 완료하면 몇 분 안에 완전히 기능하는 포트폴리오 웹사이트가 구축됩니다.

자리표시자 링크(예: 프로필 이미지 및 블로그 링크)를 실제 프로필 이미지 URL 및 블로그 URL로 바꿉니다.

index.html 파일을 더블 클릭하여 브라우저에서 웹사이트를 엽니다.

결과 웹사이트는 원래 디자인과 90% 유사하며, 개인 세부 정보와 사용자 정의가 포함되어 있습니다. 이 과정은 빠르고 효율적이며 전문적인 포트폴리오 웹사이트를 제작합니다.

참고: "suggest" 모드는 파일 생성 및 실행 프로세스를 완전히 제어할 수 있도록 합니다. 이를 통해 변경 사항을 단계별로 검토하고 승인하기 쉽습니다.

2. 데이터 분석 수행하기

이 프로젝트에서는 데이터셋을 분석하고 Codex CLI를 사용하여 종합적인 데이터 분석 보고서를 생성합니다. 이 예제는 Codex가 데이터 분석을 간소화하고 전문적인 보고서 작성을 자동화하는 방법을 보여줍니다.

시작하려면 --auto-edit 모드를 사용하겠습니다. 이 모드는 반자동입니다. 이 모드에서 Codex는 승인 없이도 파일 생성 및 편집을 포함한 대부분의 작업을 자동화합니다. 그러나 쉘 명령을 실행할 때는 여전히 확인을 요청합니다.

데이터셋을 분석하기 위해 다음 Codex 명령을 실행합니다:

codex --auto-edit "The dataset placementdata.csv is available in the root directory. Please perform detailed data analysis and generate an analysis report."

Codex는 몇 초 안에 데이터셋(placementdata.csv)을 분석하고 마크다운 파일 형태로 상세한 분석 보고서를 생성합니다.

보고서가 생성되면 마크다운 파일을 열어 검토합니다. 다음과 같은 섹션으로 구성된 잘 구조화된 문서를 볼 수 있습니다:

• 데이터셋 개요: 데이터셋의 구조와 주요 특성을 설명합니다.
• 분석 세부 정보: 통계적 요약과 기술적 분석을 포함합니다.

• 인사이트: 데이터에서 얻은 주요 발견 사항을 강조합니다.
• 결론: 결과 요약과 실행 가능한 인사이트를 제공합니다.

3. 이미지 분류 애플리케이션 개발하기

이 프로젝트에서는 이미지 분류를 위한 머신 러닝 애플리케이션을 구축할 것입니다. 이 애플리케이션은 ResNet18 사전 훈련 모델과 커스텀 사용자 인터페이스 생성을 위한 FastAPI를 사용합니다. 프로세스를 간소화하기 위해 Codex CLI를 완전 자율 모드로 실행하여 파일 생성부터 문서화까지 모든 것을 처리하도록 할 것입니다.

다음 명령어를 사용하여 Codex에게 애플리케이션 구축을 지시합니다:

codex --full-auto "Build an image classification application using ResNet18 and FastAPI with Custom UI"

Codex는 1분 내에 Python 스크립트, 구성 파일, 문서를 포함한 모든 필요한 파일을 생성합니다. 또한 애플리케이션을 로컬에서 실행하는 방법에 대한 단계별 가이드도 제공합니다.

pip install -r requirements.txt

uvicorn main:app --reload

이 애플리케이션은 반응성이 높고 명시적으로 훈련되지 않은 이미지(예: 지브리 스타일 이미지)에 대해서도 정확한 예측을 제공합니다.

결론

Codex CLI는 정확성, 코드베이스 이해, 디버깅 기능 측면에서 GitHub Copilot보다 우수한 도구입니다. 눈에 띄는 특징 중 하나는 최소한의 개입으로 프로젝트를 실행할 수 있는 능력입니다—대부분의 작업은 단일 명령만 필요하며, 문제를 해결하기 위한 후속 명령이 거의 필요하지 않습니다. Codex CLI가 생성한 프로젝트는 즉시 완벽하게 작동합니다.

Codex CLI의 또 다른 주요 장점은 오픈 소스라는 점인데, 이는 맞춤화를 위한 흥미로운 가능성을 열어줍니다. 개발자는 자신의 로컬 언어 모델(LLMs)이나 DeepSeek R1이나 Claude 3.7과 같은 독점 모델을 통합할 수 있어, 다양한 사용 사례에 대해 매우 유연하고 적응 가능한 도구가 됩니다.