Un nouveau terme fait fureur dans la communauté des développeurs à l'étranger : Claudex. Il ne s'agit pas d'un produit officiel, mais d'un surnom donné par les développeurs à cette astuce consistant à « faire tourner des modèles OpenAI dans l'interface de Claude Code ». Certains développeurs ont partagé sur les réseaux sociaux une configuration en trois étapes, accompagnée d'une petite boutade : si vous n'avez pas encore le courage d'installer le client Codex, vous pouvez très bien rester dans l'interface familière de Claude Code et la pointer vers GPT-5.6 Sol. Ce partage, relayé et enrichi de précisions techniques par Theo (t3.gg), est devenu viral, faisant de ce sujet l'un des plus discutés dans l'écosystème des outils de programmation IA ces dernières semaines. Cet article décortique la signification de Claudex, le fonctionnement de l'outil service proxy API sous-jacent, ainsi que les étapes de configuration et les variables d'environnement nécessaires.
Qu'est-ce que Claudex : une fusion entre interface et modèle
Le nom Claudex est une contraction de Claude et Codex. Il désigne une méthode d'utilisation hybride : conserver l'interface en ligne de commande et les mécanismes d'invocation du modèle de Claude Code, tout en redirigeant les requêtes d'inférence réelles vers le modèle GPT-5.6 Sol d'OpenAI. Si certains se donnent la peine de mettre en place cette combinaison, ce n'est pas seulement par curiosité. Des tests comparatifs au sein de la communauté ont révélé que GPT-5.6 Sol, sous la logique d'orchestration des tâches de Claude Code, se montre plus stable que dans l'environnement natif de Codex.
Le problème réside dans un défaut connu du harness officiel de Codex. Selon les rapports des développeurs sur GitHub, GPT-5.6 Sol bascule par défaut dans un mode d'orchestration de sous-agents qui masque des champs cruciaux comme agent_type, model, reasoning_effort et service_tier. Résultat : chaque sous-tâche dérivée de Sol est forcée d'hériter de la configuration complète et coûteuse de Sol, même si la sous-tâche elle-même ne nécessite que des modèles plus légers comme Terra ou Luna. En d'autres termes, le mécanisme de routage des sous-agents dans l'environnement Codex comporte un bug, alors que la méthode de définition des sous-agents basée sur les fichiers de Claude Code contourne précisément cette limitation.
| Dimension de comparaison | Harness natif Codex | Harness Claude Code (mode Claudex) |
|---|---|---|
| Rétrogradation du modèle de sous-agent | Limitée, Sol masque les champs clés | Spécifiable explicitement via variables d'environnement |
| Méthode de définition des sous-agents | Logique d'orchestration intégrée | Définition des sous-agents basée sur des fichiers |
| Contrôle de la concurrence d'invocation du modèle | Stratégie fixe | Réglable via CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY |
| Mécanisme de recherche d'outils | Chargement complet par défaut | Activation/désactivation à la demande via ENABLE_TOOL_SEARCH |
Il est important de noter que certains développeurs ont rapporté ne pas avoir constaté de différence de performance significative sur des tâches de codage standard. Cette disparité semble surtout apparaître dans des tâches complexes dépendant d'une orchestration intensive de sous-agents. Claudex doit donc être considéré comme une configuration expérimentale offrant une « option supplémentaire », plutôt que comme une solution miracle universelle.
La popularité rapide de cette astuce n'est pas surprenante. Depuis le lancement de la série GPT-5.6, les discussions sur « quel harness est le plus adapté pour faire tourner Sol » ne tarissent pas dans la communauté des développeurs étrangers. Beaucoup se sont habitués au rythme d'interaction et à l'écosystème de plugins de Claude Code et ne souhaitent pas changer pour une chaîne d'outils totalement inconnue juste pour tester un nouveau modèle. L'approche Claudex repose sur le principe du « gain maximal pour un effort minimal » : pas besoin d'apprendre un nouvel outil en ligne de commande, il suffit de changer la destination des requêtes sous-jacentes. C'est précisément ce qui le rend plus accessible qu'une simple installation du client Codex.
Qu'est-ce que CLIProxyAPI : un proxy de traduction de protocole
Pour faire fonctionner Claudex, il est indispensable d'avoir une couche intermédiaire capable de convertir les requêtes au protocole Anthropic émises par Claude Code en un format d'invocation compréhensible par OpenAI Codex. C'est précisément le rôle de CLIProxyAPI. Il s'agit d'un service proxy local open source qui unifie les sessions OAuth de divers outils CLI (Codex, Claude Code, Gemini CLI, etc.) en interfaces HTTP API compatibles avec OpenAI, Gemini, Claude et Codex. Il prend en charge les réponses en streaming, l'appel de fonctions, les entrées multimodales et l'équilibrage de charge entre plusieurs comptes.
Son positionnement est similaire à celui d'une passerelle de conversion de protocole : vous n'avez pas besoin d'adapter la logique d'invocation pour chaque fournisseur de modèle ; le proxy expose une interface standard unique. Cette approche est d'ailleurs très proche de celle d'APIYI (apiyi.com) : les deux résolvent le problème de la fragmentation des interfaces de modèles. La différence réside dans le fait que CLIProxyAPI s'appuie sur vos abonnements Claude et ChatGPT existants connectés localement, tandis qu'une passerelle cloud comme APIYI permet d'appeler directement toute la gamme des modèles GPT-5.6 via une simple clé API, sans avoir à gérer localement les sessions OAuth ou les processus proxy.
| Composant | Rôle | Protocole compatible |
|---|---|---|
| Module de connexion OAuth | Réutilisation des abonnements Claude / ChatGPT | Anthropic OAuth, OpenAI OAuth |
| Couche de conversion de protocole | Exposition d'une interface standard unifiée | OpenAI / Gemini / Claude / Codex |
| Routage multi-comptes | Répartition des requêtes pour contourner les limites | Tous pris en charge |
| Processus de service local | Écoute du port local pour les outils CLI | HTTP / WebSocket |
En termes de déploiement, CLIProxyAPI propose des binaires et des images Docker. Le dépôt inclut également un fichier docker-compose.yml et les scripts de construction associés pour lancer facilement le service conteneurisé. Le fichier de configuration est au format YAML et contient les paramètres essentiels comme le port d'écoute, le répertoire de stockage des identifiants et l'activation du routage multi-comptes. Le fichier config.example.yaml du dépôt officiel peut être copié et adapté. Le projet fournit également un SDK Go si vous souhaitez intégrer ces capacités de proxy directement dans vos services internes plutôt que d'exécuter un processus séparé.
Processus de configuration en cinq étapes : de l'installation à l'exécution
Pour mettre en pratique ces principes, le processus complet se décompose en cinq étapes. La première consiste à installer CLIProxyAPI via les binaires officiels ou l'image Docker, en configurant le port d'écoute et le chemin de stockage des identifiants dans le fichier YAML. La deuxième étape consiste à effectuer l'authentification OAuth pour vos comptes Claude et OpenAI ; le proxy stockera localement les deux jetons et sélectionnera automatiquement l'identité appropriée selon le modèle cible.
La troisième étape consiste à rediriger les requêtes de Claude Code vers le proxy local, généralement en définissant ANTHROPIC_BASE_URL sur l'adresse d'écoute de CLIProxyAPI, afin que Claude Code interagisse avec le proxy comme s'il s'agissait de l'interface officielle d'Anthropic. La quatrième étape consiste à définir un alias claudex intégrant les variables d'environnement nécessaires pour lancer facilement ce mode hybride. Enfin, la cinquième étape consiste à tester le tout avec une tâche réelle, idéalement un besoin complexe impliquant plusieurs sous-tâches, pour vérifier que le routage du sous-proxy fonctionne correctement.
Le point le plus délicat est souvent la jonction entre les étapes deux et trois. Les jetons OAuth ont leurs propres cycles de rafraîchissement ; si le processus du proxy tourne longtemps sans redémarrage, une expiration de jeton peut entraîner un refus silencieux des requêtes, se manifestant par un blocage de Claude Code sans message d'erreur explicite. Il est conseillé de confier la gestion du processus à un outil de supervision système et de vérifier régulièrement les journaux pour s'assurer que les deux comptes sont toujours actifs.
# Alias pour lancer le mode hybride
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'
🎯 Conseil de configuration : Si vous souhaitez simplement tester l'efficacité de GPT-5.6 Sol, il n'est pas strictement nécessaire de passer par la double authentification OAuth. Nous vous suggérons d'obtenir une clé API via APIYI (apiyi.com) pour appeler directement GPT-5.6 Sol, Terra ou Luna via une interface compatible OpenAI. Une fois le test concluant, vous pourrez décider si l'investissement en temps pour la maintenance d'un proxy local en vaut la peine.
Analyse détaillée des variables d'environnement dans l'alias claudex
Cette commande d'alias peut sembler simple, mais les quatre variables d'environnement qu'elle contient répondent chacune à des problèmes bien précis. Il est essentiel de comprendre leur rôle pour déterminer si cette configuration est adaptée à votre cas d'usage.
| Variable d'environnement | Rôle | Pourquoi est-ce nécessaire ? |
|---|---|---|
CLAUDE_CODE_SUBAGENT_MODEL |
Force l'utilisation d'un modèle spécifique pour tous les sous-agents | Contourne les échecs de rétrogradation causés par les champs masqués du harness Codex |
CLAUDE_CODE_ALWAYS_ENABLE_EFFORT |
Active systématiquement le paramètre d'intensité de raisonnement | Garantit que Sol maintient l'effort de raisonnement défini à chaque invocation |
CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY |
Limite le nombre d'appels d'outils simultanés | Évite les erreurs de limitation de débit (rate limiting) lors du transfert via un proxy |
ENABLE_TOOL_SEARCH |
Désactive le mécanisme de recherche d'outils à la demande | Dans certains scénarios de proxy, la recherche d'outils entre en conflit avec la conversion de protocole |
La variable CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY mérite une attention particulière. Si la vitesse de transfert de votre couche proxy ne suit pas le rythme des appels d'outils simultanés de Claude Code, vous risquez de déclencher des erreurs 400. Ce type de problème survient également lors d'invocations directes de l'API officielle ; il s'agit, par essence, d'une surcharge des capacités de traitement du backend. Si vous rencontrez ce genre d'erreur, plutôt que de simplement réduire la valeur de cette variable, envisagez d'utiliser un service proxy API doté d'une meilleure capacité de gestion de la concurrence. Cela vous évitera de perdre du temps à déboguer sans cesse votre configuration à cause de limitations de débit.
Dépannage des erreurs courantes : des ralentissements à la limitation de débit
Lors de la configuration de cette combinaison, certaines erreurs reviennent fréquemment. Connaître les pistes de résolution à l'avance vous fera gagner un temps précieux.
| Phénomène | Cause probable | Piste de résolution |
|---|---|---|
| Claude Code ne répond plus | Jeton OAuth du processus proxy expiré | Vérifiez les logs du proxy et relancez la connexion |
| Erreur 400 (limitation de débit) | Concurrence d'appels d'outils trop élevée | Réduisez CLAUDE_CODE_MAX_TOOL_USE_CONCURRENCY |
| Le sous-agent utilise un modèle coûteux | Variable d'environnement non appliquée | Vérifiez que l'alias est défini dans la session active |
| Chargement des outils très lent | Conflit entre recherche d'outils et conversion | Basculez l'état de ENABLE_TOOL_SEARCH |
La limitation de débit est le problème le plus courant. Il s'agit fondamentalement de la même cause que lors d'un appel direct à l'API officielle : le taux de requêtes dépasse la capacité de traitement du backend. La logique de dépannage est universelle : que vous passiez par un proxy local ou un appel direct, commencez par réduire la concurrence, puis augmentez progressivement les paramètres pour identifier le seuil limite.
Quel modèle choisir dans la série GPT-5.6 ?
La configuration par défaut de Claudex pointe vers GPT-5.6 Sol, mais il ne s'agit là que du niveau le plus élevé de la famille GPT-5.6. Ce système de nommage utilise des chiffres pour identifier la génération du modèle, et les suffixes Sol, Terra et Luna pour désigner trois niveaux de capacité pouvant évoluer indépendamment, correspondant chacun à des complexités de tâches et des budgets différents.
| Modèle | Positionnement | Cas d'usage |
|---|---|---|
| GPT-5.6 Sol | Niveau phare pour le raisonnement complexe et les tâches à longue chaîne | Orchestration de sous-agents multiples, analyse de niveau recherche, audit de sécurité |
| GPT-5.6 Terra | Niveau principal pour le quotidien | Codage courant, traitement de documents, tâches par lots |
| GPT-5.6 Luna | Niveau léger à haute fréquence | Tâches simples et répétitives, scénarios à réponse rapide |
L'intérêt de combiner cela avec le système de routage de sous-agents de Claudex est de permettre à Sol de traiter la tâche principale complexe, tandis que les sous-tâches légères extraites sont automatiquement rétrogradées vers Terra ou Luna, ce qui permet de contrôler les coûts globaux d'invocation du modèle. Si vous ne souhaitez pas maintenir un proxy local, vous pouvez également invoquer ces trois niveaux de modèles à la demande via la plateforme APIYI (apiyi.com). Vous utiliserez ainsi le même système de compte pour tout gérer, de la planification de la tâche à l'exécution des sous-tâches, sans avoir à vous soucier des restrictions de routage des sous-agents.
Lors du choix, ne vous sentez pas obligé d'utiliser systématiquement le modèle le plus coûteux. La tarification de Sol est nettement supérieure à celle de Terra et Luna. Si votre tâche n'implique pas de raisonnement profond ou d'orchestration complexe, Terra vous offrira des résultats similaires pour un coût bien moindre. C'est pourquoi comprendre le mécanisme de rétrogradation des sous-agents est plus important que de simplement choisir un modèle : ce qui détermine réellement la facture finale n'est pas le modèle utilisé pour la tâche principale, mais la manière dont les nombreuses sous-tâches sont réparties vers les niveaux les plus économiques.
Foire aux questions (FAQ)
Claudex est-il un produit officiel d'Anthropic ou d'OpenAI ?
Non. Il s'agit d'une méthode d'utilisation hybride développée par la communauté des développeurs sur la base d'outils de proxy tiers comme CLIProxyAPI. Il s'agit essentiellement d'une combinaison des interfaces et des capacités des modèles des deux fournisseurs, et cela ne représente la position officielle d'aucune des deux parties.
Pourquoi ne pas utiliser directement le client Codex pour invoquer GPT-5.6 Sol ?
C'est tout à fait possible, mais certains développeurs ont signalé que le "harness" natif de Codex présente des défauts de routage dans les scénarios d'orchestration de sous-agents, empêchant les sous-tâches légères de basculer vers des modèles moins coûteux. Si vos tâches n'impliquent pas de fractionnement complexe en sous-agents, cette différence peut ne pas être perceptible.
La mise en place de ce proxy CLIProxyAPI présente-t-elle des risques de sécurité ?
Le proxy local stocke vos identifiants OAuth ; veillez donc à bien gérer les permissions d'accès aux fichiers de configuration et évitez de le déployer sur un serveur accessible publiquement. Si vous souhaitez simplement valider rapidement les performances d'un modèle, utiliser une passerelle cloud comme APIYI (apiyi.com) avec une clé API dédiée facilitera grandement le contrôle d'accès et l'audit de consommation.
Comment faire si plusieurs membres de l'équipe veulent partager cette configuration ?
CLIProxyAPI prend en charge le "polling" multi-comptes ; en théorie, vous pouvez connecter les abonnements des membres de l'équipe à une même instance de proxy pour répartir les requêtes. Cependant, cette approche multiplie la complexité de la gestion des identifiants : si un compte rencontre une anomalie, c'est l'ensemble des invocations de l'équipe qui sera impacté. Pour un contexte d'équipe, il est préférable d'utiliser une passerelle API unifiée distribuant des clés indépendantes par membre. Cela permet d'identifier précisément l'origine d'un problème, plutôt que de faire reposer tout le monde sur un seul processus de proxy local.
Conclusion
En fin de compte, Claudex n'est qu'une solution technique explorée spontanément par la communauté. Sa valeur réside dans la mise en lumière des différences d'implémentation des harness entre les différents fournisseurs en matière d'orchestration de sous-agents, et non dans la démonstration d'une supériorité absolue d'un modèle ou d'un outil par rapport à un autre. Ce type d'assemblage bricolé par les développeurs a souvent une durée de vie limitée : dès que Codex corrigera officiellement le problème de masquage de champ dans le routage des sous-agents, la raison d'être de Claudex pourrait disparaître. Cependant, l'idée que « la conception du harness influence réellement les performances du modèle » reste une leçon précieuse pour évaluer tout futur outil de programmation IA. Si vous souhaitez simplement tester les capacités de raisonnement de GPT-5.6 Sol, il n'est pas nécessaire de consacrer immédiatement du temps à la configuration de CLIProxyAPI et à la gestion de la double authentification OAuth. Vous pouvez d'abord tester les résultats via l'interface standard sur APIYI (apiyi.com) et, une fois les bénéfices confirmés, décider si le déploiement d'un proxy local en vaut la peine.
