En la comunidad de desarrolladores en el extranjero ha surgido un nuevo término: Claudex. No es un producto oficial, sino un apodo que los desarrolladores le han dado a la práctica de "ejecutar modelos de OpenAI dentro del entorno de Claude Code". Algunos desarrolladores compartieron en redes sociales un método de configuración de tres pasos, acompañado de una broma: si aún no te atreves a instalar el cliente de Codex por separado, puedes quedarte en la interfaz familiar de Claude Code y simplemente apuntarlo hacia GPT-5.6 Sol. Tras ser compartido por Theo (t3.gg) con algunas notas técnicas adicionales, el tema se volvió viral y ha sido uno de los más discutidos en el ámbito de las herramientas de programación con IA en las últimas semanas. Este artículo desglosa el significado de Claudex, el principio de funcionamiento de la herramienta CLIProxyAPI, así como los pasos de configuración y las variables de entorno necesarias.
Qué es Claudex: una combinación de interfaz y modelo
El nombre Claudex es una combinación de Claude y Codex, y se refiere a un modo de uso híbrido: se conserva la interfaz de línea de comandos y el mecanismo de invocación de herramientas de Claude Code, pero las solicitudes de inferencia se redirigen al modelo GPT-5.6 Sol de OpenAI. La razón principal por la que la gente se toma la molestia de configurar esto no es solo por novedad; las pruebas comparativas en la comunidad han revelado que, bajo la lógica de orquestación de tareas de Claude Code, GPT-5.6 Sol se comporta de manera más estable que en el entorno nativo de Codex.
El problema radica en un defecto conocido del harness oficial de Codex. Según informes de desarrolladores en GitHub, GPT-5.6 Sol entra por defecto en un modo de orquestación de subagentes que oculta campos clave como agent_type, model, reasoning_effort y service_tier. Esto provoca que cada subtarea derivada de Sol herede la configuración completa y costosa del modelo principal, impidiendo que se utilicen modelos más ligeros como Terra o Luna, incluso cuando la subtarea no requiere tanta potencia. En otras palabras, el mecanismo de enrutamiento de subagentes en el entorno de Codex tiene un error, mientras que la forma en que Claude Code define los subagentes basada en archivos evita esta limitación.
| Dimensión de comparación | Harness nativo de Codex | Harness de Claude Code (Modo Claudex) |
|---|---|---|
| Degradación de modelo de subagente | Limitada, Sol oculta campos clave | Se puede especificar explícitamente mediante variables de entorno |
| Método de definición de subagente | Lógica de orquestación integrada | Definición de subagente basada en archivos |
| Control de concurrencia de herramientas | Estrategia fija | Ajustable mediante CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY |
| Mecanismo de búsqueda de herramientas | Carga completa por defecto | Se puede activar/desactivar según sea necesario con ENABLE_TOOL_SEARCH |
Cabe mencionar que algunos desarrolladores han reportado que no notan una diferencia de rendimiento significativa en tareas de codificación estándar; esta discrepancia parece aparecer más en tareas complejas que dependen de una gran cantidad de orquestación de subagentes. Por lo tanto, es mejor considerar a Claudex como una configuración experimental "opcional" y no como la solución definitiva e incuestionable.
Desde el punto de vista de su difusión, no es sorprendente que este tipo de trucos de configuración se vuelvan populares rápidamente. Tras el lanzamiento de la serie GPT-5.6, la discusión en la comunidad de desarrolladores sobre "qué harness es mejor para ejecutar Sol" no ha cesado. Muchos ya están acostumbrados al ritmo de interacción y al ecosistema de complementos de Claude Code, y no quieren cambiar a una cadena de herramientas completamente desconocida solo por probar un nuevo modelo. La lógica de Claudex es, en esencia, "obtener el máximo beneficio con el mínimo cambio": no hay que aprender una nueva herramienta de línea de comandos, simplemente se cambia el destino de las solicitudes subyacentes, lo cual es la razón por la que es mucho más fácil de adoptar que instalar el cliente de Codex desde cero.
¿Qué es CLIProxyAPI?: Un proxy de traducción de protocolos
Para implementar Claudex, es necesario contar con una capa intermedia que convierta las solicitudes del protocolo Anthropic, emitidas por Claude Code, al formato de invocación que entiende OpenAI Codex. Ese es precisamente el papel de CLIProxyAPI. Se trata de un servicio proxy local de código abierto que unifica las sesiones OAuth de diversas herramientas CLI (como Codex, Claude Code o Gemini CLI) en interfaces HTTP API compatibles con OpenAI, Gemini, Claude y Codex. Además, soporta respuestas en streaming, llamadas a funciones, entradas multimodales y balanceo de carga entre cuentas.
Su posicionamiento es similar al de una puerta de enlace de traducción de protocolos: no necesitas adaptar la lógica de invocación para cada proveedor de modelos, sino que el proxy expone una interfaz estándar de forma unificada. Este enfoque es muy similar a la filosofía de APIYI (apiyi.com); ambos resuelven el problema de la fragmentación de interfaces entre modelos. La diferencia radica en que CLIProxyAPI depende de que mantengas tus suscripciones de Claude y ChatGPT iniciadas localmente, mientras que las puertas de enlace en la nube como APIYI te permiten invocar toda la serie de modelos GPT-5.6 directamente con una clave API, sin necesidad de gestionar sesiones OAuth o procesos proxy en tu equipo.
| Componente | Función | Protocolo compatible |
|---|---|---|
| Módulo de inicio de sesión OAuth | Reutiliza identidades de suscripción de Claude / ChatGPT | Anthropic OAuth, OpenAI OAuth |
| Capa de traducción de protocolos | Expone una interfaz estándar unificada | OpenAI / Gemini / Claude / Codex |
| Enrutamiento multicuenta | Distribuye solicitudes mediante round-robin para evitar límites | Todos los soportados |
| Proceso de servicio local | Escucha puertos locales para conexión de herramientas CLI | HTTP / WebSocket |
En cuanto a su despliegue, CLIProxyAPI ofrece paquetes binarios e imágenes de Docker. El repositorio incluye un archivo docker-compose.yml y scripts de construcción para levantar el servicio en contenedores rápidamente. El archivo de configuración es un YAML que incluye parámetros clave como el puerto de escucha, el directorio de almacenamiento de credenciales y la activación del balanceo multicuenta. Puedes tomar el config.example.yaml del repositorio oficial y adaptarlo. El proyecto también proporciona un SDK en Go por si prefieres integrar estas capacidades de proxy en tus propios servicios internos en lugar de ejecutar un proceso independiente.
Proceso de configuración en cinco pasos: de la instalación a la ejecución
Para llevar la teoría a la práctica, el proceso completo se divide en cinco pasos. Primero, instala CLIProxyAPI mediante los binarios oficiales o la imagen de Docker, configurando el puerto de escucha y la ruta de las credenciales en el archivo YAML. Segundo, completa la autenticación OAuth tanto para Claude como para OpenAI; el proxy guardará ambos tokens localmente y seleccionará la identidad adecuada según el modelo solicitado.
Tercero, redirige la salida de las solicitudes de Claude Code hacia el proxy local, generalmente configurando ANTHROPIC_BASE_URL para que apunte a la dirección donde escucha CLIProxyAPI. Así, Claude Code creerá que está accediendo a la API oficial de Anthropic, cuando en realidad el tráfico está siendo interceptado y redirigido. Cuarto, define un alias claudex que incluya las variables de entorno necesarias para entrar en este modo híbrido con un solo comando. Quinto, ejecuta una tarea de prueba; te sugiero usar una solicitud compleja con múltiples subtareas para verificar que el enrutamiento del sub-proxy funcione correctamente.
El punto más crítico suele ser la conexión entre el segundo y tercer paso. Los tokens OAuth tienen sus propios ciclos de renovación; si el proceso del proxy se queda colgado sin reiniciarse, las solicitudes fallarán silenciosamente al expirar el token, lo que se manifiesta como un bloqueo de Claude Code sin errores claros. Te recomiendo gestionar el proceso del proxy con una herramienta de supervisión (como systemd) y revisar periódicamente los logs para asegurar que ambos estados de inicio de sesión sigan siendo válidos.
alias claudex='CLAUDE_CODE_SUBAGENT_MODEL=gpt-5.6-sol \
CLAUDE_CODE_ALWAYS_ENABLE_EFFORT=1 \
CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY=3 \
ENABLE_TOOL_SEARCH=false \
claude --model gpt-5.6-sol'
🎯 Consejo de configuración: Si solo quieres experimentar con el rendimiento de GPT-5.6 Sol, no es estrictamente necesario pasar por la doble autenticación OAuth. Te sugerimos solicitar una clave API en APIYI (apiyi.com) para realizar pruebas de rendimiento utilizando la interfaz compatible con OpenAI. Una vez que valides los resultados, podrás decidir si merece la pena invertir tiempo en configurar el proxy local y gestionar el mantenimiento de las cuentas.
Análisis detallado de las variables de entorno en el alias de claudex
Aunque el comando de alias parece sencillo, las cuatro variables de entorno resuelven problemas distintos. Entender su función es clave para determinar si esta configuración se adapta a tu caso de uso.
| Variable de entorno | Función | ¿Por qué es necesaria? |
|---|---|---|
CLAUDE_CODE_SUBAGENT_MODEL |
Fuerza a todos los subagentes a usar un modelo específico | Evita fallos de degradación causados por campos ocultos en el harness de Codex |
CLAUDE_CODE_ALWAYS_ENABLE_EFFORT |
Habilita siempre el parámetro de intensidad de razonamiento | Mantiene el nivel de esfuerzo de razonamiento especificado en cada invocación de Sol |
CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY |
Limita la cantidad de llamadas concurrentes a herramientas | Evita errores de limitación de tasa (rate limiting) al reenviar solicitudes del agente |
ENABLE_TOOL_SEARCH |
Desactiva el mecanismo de búsqueda de herramientas bajo demanda | En algunos escenarios de agentes, la búsqueda de herramientas entra en conflicto con la conversión de protocolos |
La variable CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY merece especial atención. Si la velocidad de reenvío de la capa de proxy no sigue el ritmo de las solicitudes de herramientas concurrentes de Claude Code, es muy probable que aparezca un error 400. Este tipo de problema también ocurre al invocar la API oficial directamente; en esencia, se trata de una saturación de la capacidad de procesamiento del backend. Si te encuentras con errores similares, además de reducir el valor de esta variable, considera cambiar a un servicio proxy de API con mayor capacidad de carga concurrente para ahorrar tiempo en la depuración.
Solución de errores comunes: desde bloqueos hasta limitaciones de tasa
Durante la configuración de esta combinación, hay varios errores que aparecen con frecuencia. Conocer de antemano cómo abordarlos te ahorrará mucho tiempo de pruebas.
| Fenómeno | Causa posible | Dirección de diagnóstico |
|---|---|---|
| Claude Code no responde durante mucho tiempo | Token OAuth del proceso proxy expirado | Revisa los registros del proxy y reinicia el proceso de inicio de sesión |
| Error 400: límite de concurrencia excedido | La concurrencia de llamadas a herramientas supera la capacidad del backend | Reduce CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY |
| El subagente sigue usando un modelo costoso | La variable de entorno no se aplicó en la shell actual | Confirma que el alias esté definido en la misma sesión donde iniciaste Claude Code |
| La carga de la lista de herramientas es muy lenta | Conflicto entre el mecanismo de búsqueda y la conversión de protocolos | Intenta cambiar el estado de ENABLE_TOOL_SEARCH |
La limitación de tasa por concurrencia es el problema más común y, en esencia, tiene la misma causa que los errores al invocar la API oficial: la tasa de solicitudes supera la capacidad de procesamiento del backend. La estrategia de diagnóstico es universal: ya sea que utilices un proxy local o una interfaz en la nube, reduce primero la concurrencia y aumenta gradualmente para probar el límite; es mucho más eficiente que intentar ajustar parámetros a ciegas.
¿Qué modelo de la serie GPT-5.6 elegir?
La configuración de Claudex apunta por defecto a GPT-5.6 Sol, pero este es solo el nivel más alto dentro de la familia GPT-5.6. Este sistema de nomenclatura utiliza números para identificar la generación del modelo y etiquetas como Sol, Terra y Luna para marcar tres niveles de capacidad que pueden iterar de forma independiente, correspondiendo cada uno a diferentes niveles de complejidad de tareas y presupuestos.
| Modelo | Posicionamiento | Escenarios de uso |
|---|---|---|
| GPT-5.6 Sol | Nivel insignia para razonamiento complejo y tareas de cadena larga | Orquestación de múltiples subagentes, análisis de nivel científico, auditorías de seguridad |
| GPT-5.6 Terra | Nivel principal para el día a día | Programación convencional, procesamiento de documentos, tareas por lotes |
| GPT-5.6 Luna | Nivel ligero de alta frecuencia | Tareas simples y repetitivas, escenarios de respuesta rápida |
El sentido de combinar esto con el esquema de enrutamiento de subagentes de Claudex es permitir que la tarea principal compleja sea manejada por Sol, mientras que las subtareas ligeras desglosadas se degraden automáticamente a Terra o Luna, controlando así el costo total de la invocación del modelo. Si no planeas mantener un proxy local, también puedes invocar estos tres niveles de modelos bajo demanda a través de la plataforma APIYI (apiyi.com), utilizando el mismo sistema de cuenta para completar todo el proceso, desde la planificación de la tarea hasta la ejecución de las subtareas, sin preocuparte por si el enrutamiento de subagentes está limitado por el harness.
Al elegir, no te obsesiones con "tener que usar siempre el más caro". El precio de Sol es significativamente más alto que el de Terra y Luna; si la tarea no implica un razonamiento profundo o una orquestación de cadena larga, con Terra obtendrás resultados similares reduciendo considerablemente los costos. Es por esto que entender el mecanismo de degradación de subagentes es más importante que simplemente elegir un modelo: lo que realmente determina el gasto total no suele ser qué modelo usó la tarea principal, sino si la gran cantidad de subtareas desglosadas se asignaron correctamente a los niveles más económicos.
Preguntas frecuentes (FAQ)
¿Es Claudex un producto lanzado oficialmente por Anthropic u OpenAI?
No. Es una forma de uso híbrido construida por la comunidad de desarrolladores basada en herramientas de proxy de terceros como CLIProxyAPI. En esencia, es una combinación de las interfaces y capacidades de modelo de ambos fabricantes y no representa la postura oficial de ninguna de las partes.
¿Por qué no usar directamente el cliente Codex para invocar GPT-5.6 Sol?
Puedes hacerlo, pero algunos desarrolladores han reportado que el harness nativo de Codex presenta fallos de enrutamiento en escenarios de orquestación de subagentes, lo que impide que las subtareas ligeras se degraden a modelos más económicos. Si tu tarea no implica una división compleja de subagentes, es posible que no notes esta diferencia.
¿Existe algún riesgo de seguridad al configurar este proxy CLIProxyAPI?
El proxy local guarda tus credenciales OAuth de la cuenta, por lo que debes prestar atención a los permisos de acceso de los archivos de configuración y evitar desplegarlo en servidores accesibles públicamente. Si solo quieres realizar una verificación rápida de los efectos de los modelos, usar una puerta de enlace en la nube como APIYI (apiyi.com) junto con una clave API independiente facilita mucho el control de acceso y la auditoría de uso.
¿Qué pasa si varias personas en el equipo quieren compartir esta configuración?
CLIProxyAPI admite el sondeo de múltiples cuentas; en teoría, podrías conectar las cuentas de suscripción de los miembros del equipo a una misma instancia de proxy para repartir las solicitudes. Sin embargo, este enfoque aumenta exponencialmente la complejidad de la gestión de credenciales: si una cuenta presenta anomalías, todas las invocaciones del equipo se verán afectadas. En entornos de equipo, se recomienda más utilizar una puerta de enlace API unificada para asignar claves independientes a cada miembro, lo que permite localizar con precisión al emisor de la llamada en caso de problemas, en lugar de que todos compartan un mismo proceso de proxy local.
Reflexiones finales
A fin de cuentas, Claudex no es más que una solución de ingeniería improvisada por la comunidad. Su valor reside en que pone de manifiesto las diferencias en la implementación de harness entre distintos proveedores a la hora de orquestar subagentes, y no en demostrar que un modelo o herramienta sea intrínsecamente superior a otro. Este tipo de métodos, creados de forma espontánea por los desarrolladores, suelen tener un ciclo de vida corto: en cuanto Codex solucione oficialmente el problema de ocultación de campos en el enrutamiento de subagentes, la razón de ser de Claudex podría desaparecer. Sin embargo, la lección que nos deja —que el diseño del harness afecta sustancialmente al rendimiento del modelo— sigue siendo una referencia valiosa para evaluar cualquier herramienta de programación con IA en el futuro.
Si solo quieres probar las capacidades de razonamiento de GPT-5.6 Sol, no hace falta que pierdas tiempo configurando CLIProxyAPI o lidiando con el doble inicio de sesión OAuth. Puedes empezar probando los resultados a través de APIYI (apiyi.com) usando la interfaz estándar; una vez que confirmes que realmente te aporta valor, podrás decidir si merece la pena profundizar en la ruta del proxy local.
