Codex, OpenCode, Pi или MiMo Code: выбор coding agent для OpenAI models

Версия для печати: PDF.

Аннотация

Этот обзор отвечает на практический вопрос: какой coding agent выбрать для работы прежде всего с OpenAI models — официальный Codex, открытый OpenCode, минимальный Pi, новый MiMo Code или другой инструмент. Срез зафиксирован на 13 июля 2026 года. Исследование опирается на официальную документацию продуктов, академические работы о benchmarks, три класса исследований производительности и публикации о безопасности agentic systems.

Главный вывод: для большинства разработчиков, которые осознанно выбирают OpenAI models, разумный default — Codex. Он лучше других связывает актуальные OpenAI models с локальной работой, IDE, desktop и cloud, а также предоставляет готовые sandbox, approvals и network controls.¹² OpenCode стоит выбрать, если важнее открытый код, provider portability и возможность уйти на local models. Pi подходит тем, кто хочет короткий, наблюдаемый и программируемый harness и готов самостоятельно построить permission model. MiMo Code интересен persistent memory и orchestration, но пока слишком молод, а его сравнительные преимущества подтверждены главным образом vendor-run tests.³⁴⁵

Ни один публичный leaderboard не даёт достаточных оснований объявить один продукт лучшим. Результат coding agent — это не только модель, а произведение model × harness × context policy × tools × permissions × budget × environment. Для команды окончательное решение должен принимать короткий private bake-off на собственных задачах, с учётом стоимости принятого изменения, времени review и частоты переделок.⁶⁷⁸

Введение: что именно мы выбираем

Слово «agent» скрывает два разных слоя. Model генерирует рассуждение, текст и tool calls. Agent harness решает, какие файлы попадут в контекст, какие tools доступны, когда выполнять shell command, как сжимать историю, когда просить подтверждение, как запускать тесты и что считать завершением. Codex, OpenCode, Pi и MiMo Code могут обращаться к OpenAI models, но дают им разные рабочие среды. Поэтому вопрос «какой agent лучше работает с OpenAI» нельзя свести к сравнению GPT с Claude или MiMo.⁹⁴⁵

В обзор включены терминальные и облачные agents, способные читать repository, изменять несколько файлов, запускать команды и итеративно проверять результат. Inline autocomplete рассматривается только как соседний режим работы. Не сравниваются обычные chat-интерфейсы и конструкторы общих business agents: они решают другую задачу.

Критерии выбора:

1. качество связки с OpenAI models;
2. управляемость контекста и долгих задач;
3. sandbox, approvals и работа с недоверенным содержимым;
4. provider portability и local inference;
5. зрелость, расширяемость и интеграции;
6. полная стоимость принятого изменения, а не цена подписки;
7. пригодность для локальной работы, IDE, CI и cloud delegation.

Короткий ответ

Если нужен один ответ без дополнительных условий: начните с Codex, оставьте OpenCode вторым harness для portability, а Pi и MiMo Code оценивайте как специализированные варианты. Это не утверждение, что Codex всегда генерирует лучший patch. Это вывод о суммарном риске внедрения для пользователя OpenAI models.

Почему Codex — основной default для OpenAI models

Codex — единственный вариант в сравнении, где provider модели, model family и agent surfaces принадлежат одному поставщику. Официальная документация объединяет CLI для локального repository, IDE extension, desktop app и cloud tasks. CLI читает и меняет файлы, запускает установленные tools и имеет non-interactive codex exec; cloud запускает задачи параллельно в изолированных environments и возвращает summary с diff перед созданием PR.¹¹⁷

“Inspect, edit, and run code from your terminal.”¹

Эта вертикальная интеграция важна не как бренд, а как снижение числа неподтверждённых предположений. В model-neutral harness разработчики должны проверить совместимость reasoning levels, tool-call schema, caching, compaction и обработку ошибок для каждой новой модели. Codex может менять harness вместе с OpenAI model release. На 13 июля 2026 года текущим семейством OpenAI является GPT-5.6: Sol для наиболее сложных задач, Terra как баланс качества и цены, Luna для более дешёвых и быстрых workloads.¹⁸ Этот список быстро устаревает, но first-party путь уменьшает задержку между выпуском модели и корректной поддержкой в agent.

Вторая сильная сторона — несколько режимов исполнения без смены продукта. Локальный режим подходит для интерактивной работы; worktree изолирует параллельную ветку; cloud удобен для долгих задач и issue-to-PR delegation. Это позволяет не заставлять один интерфейс обслуживать все workflows. Долгий migration можно отдать cloud task, а неоднозначную правку вести локально с частыми остановками и review.¹⁷

Третья причина — готовая security-модель. По умолчанию local Codex работает без network, применяет OS-enforced sandbox, ограничивает запись workspace и использует approvals для выхода за границы. В cloud setup phase может получить зависимости, после чего agent phase работает offline, если пользователь отдельно не разрешил интернет; secrets из setup удаляются до agent phase.²

“By default, the agent runs with network access turned off.”²

Эти механизмы не делают Codex безопасным автоматически. danger-full-access снимает значимую часть границ, а --yolo отключает sandbox и approvals. Live web и network увеличивают поверхность indirect prompt injection и exfiltration. Правильный вывод из документации — не «Codex безопасен», а «Codex даёт готовые controls, которые можно включить и централизованно описать».²

Ограничения Codex

Главный функциональный минус — provider lock-in. OpenCode и Pi позволяют менять OpenAI на Anthropic, Google, Bedrock, OpenRouter или local endpoint в пределах одного интерфейса. Codex проектируется вокруг OpenAI models. Если организация требует on-prem inference или хочет ежедневно выбирать лучший model/provider по цене, first-party оптимизация превращается в ограничение.

Второй минус — непредсказуемая стоимость интенсивного agentic workflow. Codex включён в несколько ChatGPT plans, но limits различаются; дополнительное использование переведено на token-based credits. Официальная оценка OpenAI для активного использования — примерно 100–200 долларов на разработчика в месяц со значительной дисперсией из-за модели, parallel instances, automations и fast mode.¹⁹ Это полезный ориентир, а не фиксированный тариф. Длинный context, высокий reasoning effort и несколько параллельных agents могут увеличить расход незаметно для пользователя.

Третий минус — data governance. Для Business, Enterprise, Edu и API inputs/outputs не используются для training по умолчанию. Для индивидуальных планов требуется проверить opt-out; настройка, относящаяся к полному Codex environment, отделена от обычного chat control.²⁰ Следовательно, «у меня Plus, значит закрытый repository автоматически имеет enterprise policy» — неверная логика.

Четвёртый минус — cloud требует подготовки. Нужно подключить GitHub, описать dependencies, tools, environment variables и secrets, а после выполнения проверить diff и tests. Cloud delegation уменьшает время ожидания человека, но не отменяет review. В официальной security evaluation предыдущего GPT-5.2-Codex защита от destructive actions также не была идеальной; эту цифру нельзя переносить в production failure rate, но она опровергает идею безошибочного автономного исполнителя.¹⁷²¹

OpenCode: лучший открытый default

OpenCode — наиболее прямой open-source конкурент Codex для пользователя, которому нужны OpenAI models без обязательной привязки к OpenAI. Проект распространяется под MIT, активно развивается и предоставляет terminal UI, desktop beta, built-in build/plan agents и subagent.³ Документация заявляет более 75 providers через AI SDK и Models.dev, включая OpenAI, Azure OpenAI, Bedrock, OpenRouter, Ollama и другие local endpoints.⁹

Сильная сторона OpenCode — не «более умный agent», а переносимость рабочего процесса. Можно начать с OpenAI, затем сравнить другую модель или local deployment, не меняя правила, agents и привычки команды. Это особенно ценно, когда provider policy, региональные ограничения или цена важнее максимального результата одного first-party stack.

OpenCode не требует выбирать между гибкостью и базовой безопасностью. Permission rules поддерживают allow, ask и deny по tools и paths; plan agent по умолчанию запрещает edits, а build agent предназначен для выполнения.¹⁰ Встроены MCP, LSP, skills, plugins и custom tools. Для enterprise доступен central configuration и режим, в котором OpenCode обращается к provider напрямую, хотя точный data path всё равно нужно проверять для выбранного provider и optional OpenCode services.²²

Цена этой полноты — большая поверхность конфигурации. Provider-neutral harness должен адаптироваться к несовпадающим APIs и model behaviors. Одна модель может хорошо работать с tool schema и compaction OpenCode, другая — хуже. Поддержка 75 providers означает широту, но не гарантирует одинаковое качество каждого сочетания. Поэтому OpenCode следует оценивать с конкретной OpenAI model, теми же reasoning limits и тем же task budget, что Codex.

Отдельно важно различать open-source client и private inference. Если OpenCode вызывает OpenAI API, code/context покидает машину и обрабатывается OpenAI. Local client становится local/private stack только вместе с local model и контролируемым network egress. Открытый исходный код облегчает аудит, но не отменяет prompt injection, вредоносный plugin или ошибочный shell command.

Рекомендация: OpenCode — лучший второй инструмент рядом с Codex и лучший первый выбор, если multi-provider является обязательным требованием. Для организации это также полезная страховка от model/provider lock-in.

Pi: минимальный harness как инженерный конструктор

Pi следует оценивать не как урезанный OpenCode, а как другой продуктовый тезис. Его ядро намеренно минимально, а extensions могут добавить custom tools, compaction, subagents, plan mode, MCP, permission gates, sandbox execution и UI. Проект имеет MIT license, provider abstraction, SDK и RPC; историю можно встраивать в собственные процессы, а не только использовать через TUI.⁴

“Pi is aggressively extensible so it doesn’t have to dictate your workflow.”⁴

Для работы с OpenAI это даёт два преимущества. Во-первых, developer видит меньше скрытой orchestration и может точнее контролировать context. Во-вторых, Pi можно использовать как библиотеку: собрать узкого агента для CI, internal CLI или воспроизводимого workflow. Автор Pi связывает качество coding agent прежде всего с context engineering и наблюдаемостью, а не с количеством встроенных features.¹¹

Но минимализм переносит ответственность на пользователя. В Pi нет built-in permission popups; официальная рекомендация — container или собственный confirmation extension. Нет built-in MCP, plan mode и subagents: всё это возможно, но должно быть спроектировано или установлено отдельно.⁴ Packages и extensions выполняют arbitrary code с полным доступом, поэтому их нужно проверять и закреплять по версии.

Pi разумно выбрать в трёх случаях:

• команда строит собственный agent runtime и хочет SDK/RPC;
• разработчик ценит прозрачность context больше готовых функций;
• есть обязательный container/sandbox layer и инженер, владеющий extensions.

Pi не следует выбирать только потому, что он «лёгкий». Если пользователю нужны готовые permissions, MCP, plan mode и subagents, самостоятельная сборка этих механизмов увеличит совокупную сложность. Для большинства пользователей OpenAI models Codex или OpenCode дают более безопасный старт.

MiMo Code: сильная идея, но пока эксперимент

Название MiMo обозначает несколько разных сущностей. MiMo-V2.5 и MiMo-V2.5-Pro — модели Xiaomi; Xiaomi MiMo API и Token Plan — hosted inference; MiMo Code — отдельный terminal agent. Xiaomi выпустила MiMo Code 15 июня 2026 года как secondary development поверх OpenCode под MIT, дополнив его persistent memory, checkpoints, task tree, parallel subagents, compose workflows и goal judge.⁵¹²

Persistent memory — наиболее содержательная инновация MiMo Code. Отдельный subagent сохраняет checkpoint, context reconstruction собирает новую сессию из project memory, progress и последних сообщений, а /dream периодически сжимает накопленные сведения. Compose mode задаёт фазы design, implementation, testing и review. Для long-horizon tasks это потенциально уменьшает «амнезию» после compaction.⁵¹²

Однако MiMo Code пока нельзя рекомендовать как основной harness для OpenAI models. Текущая документация гарантирует custom OpenAI-compatible provider, но не даёт столь же ясного first-party пути ChatGPT/Codex OAuth, как Codex, OpenCode или Pi. Главная оптимизация MiMo Code заявлена для MiMo models. Использование OpenAI возможно, но это не основной проверенный сценарий продукта.¹²

Xiaomi приводит controlled comparison: при одинаковой MiMo model MiMo Code якобы получил 62% против 57% у Claude Code на SWE-Bench Pro и 73% против 68% на Terminal-Bench 2.⁵ Это правильнее, чем сравнивать разные модели, но остаётся vendor benchmark: опубликованная страница не предоставляет независимый replication package и полное описание budget, prompts и task exclusions. Результат заслуживает проверки, но не доказывает превосходство harness.

Есть и юридическая оговорка. Repository указывает MIT, но содержит отдельные use restrictions для military, malicious cyber и autonomous high-risk actions.¹² Enterprise legal review должен учитывать оба документа, а не останавливаться на строке «MIT».

Рекомендация: MiMo Code подходит для pilot на длинных автономных задачах, особенно с MiMo models. Для повседневной работы с OpenAI models сначала нужен собственный bake-off против Codex и OpenCode. Месяц существования продукта — недостаточная история для консервативного default.

Другие релевантные решения

Claude Code

Claude Code — сильный законченный terminal agent с permissions, sandbox и cloud execution, но его естественная связка — Claude. Он полезен как контрольная группа в bake-off: если задача выбирает лучший итоговый stack, а не обязательно OpenAI, исключать Claude Code нельзя. Если требование — использовать OpenAI models, попытка протянуть их через чужой proprietary harness лишает продукт его основной интеграции и не является рациональным default.²³

Cursor и Cline

Cursor подходит разработчикам, для которых главным интерфейсом остаётся AI-native IDE. Он объединяет autocomplete, multi-file agent и cloud features, но AI requests проходят через Cursor infrastructure; Privacy Mode регулирует retention/training, а не превращает hosted model в local inference.¹³ Cline — открытая Apache-2.0 альтернатива с BYOK, OpenAI, OpenRouter, Bedrock, Vertex, Ollama и LM Studio. Это разумный выбор для IDE-first команды, готовой самостоятельно определить provider, approvals и billing.¹⁴

Aider

Aider остаётся понятным git-centric pair programmer. Его repo map ранжирует важные symbols, architect mode разделяет reasoning и editing models, а изменения естественно укладываются в git workflow.¹⁶ Но последняя официальная версия датирована августом 2025 года, а современные competitors быстрее развивают cloud delegation, subagents и policy controls. Aider стоит выбирать за простоту и предсказуемую pair-programming модель, а не за максимальную автономность.

GitHub Copilot coding agent

GitHub Copilot coding agent естественен для workflow issue → ephemeral environment → pull request. GitHub описывает firewall, secret scanning, CodeQL и ограниченную среду, но также перечисляет риски prompt injection и ограничения firewall.¹⁵ Это лучший кандидат, когда единицей работы является GitHub issue, а не локальная интерактивная сессия. Цена seat не отражает полный расход: agent tasks используют premium requests/AI credits и GitHub Actions resources.

Roo Code не включён в рекомендации: repository был архивирован после закрытия продукта в мае 2026 года. Windsurf остаётся релевантным proprietary AI IDE, но для задачи «OpenAI models через контролируемый harness» не даёт уникального преимущества перед Cursor, Cline или OpenCode.

Что действительно говорят benchmarks

SWE-bench не является рейтингом повседневных agents

SWE-bench Verified содержит 500 вручную проверенных задач из 12 Python repositories. Он полезен для сравнения способности исправлять issue в воспроизводимом environment, но выборка не представляет все языки, greenfield work, design, review и эксплуатационные задачи.⁶ Статический публичный набор также подвержен optimization и contamination.

Свежие datasets показывают, насколько опасно принимать абсолютный score за универсальную способность. В SWE-bench-Live связка OpenHands с Claude 3.7 Sonnet получила 43,20% на Verified и 19,25% на свежем Live. Задачи из знакомых benchmark repositories решались чаще, чем из новых repositories.²⁴ Это согласуется с overfitting или implicit optimization, хотя не доказывает единственную причину. SWE-rebench строит поток свежих задач и также обнаруживает, что результаты части моделей на Verified могут быть завышены contamination.²⁵

В июле 2026 года OpenAI отдельно заявила, что SWE-bench Verified перестал давать надёжный сигнал из-за design и contamination issues, и предложила более длинные и реалистичные SWE-bench Pro tasks.²⁶ Поскольку это позиция заинтересованного vendor, её нужно читать вместе с независимыми SWE-bench-Live и SWE-rebench, а не вместо них.

Terminal-Bench измеряет stack, а не одну модель

Terminal-Bench 2.0 содержит 89 terminal tasks и сравнивает model со scaffold. Авторы выбирают для каждой модели scaffold, который даёт лучший результат: например, Codex CLI с GPT-5.2 получил 63%, Terminus 2 с Claude Opus 4.5 — 58%, Terminus 2 с Gemini 3 Pro — 57%.⁷ Это полезная верхняя граница конкретного stack, но не честное A/B между Codex и OpenCode.

Смена модели обычно влияет сильнее scaffold, но не всегда: в исследовании Gemini 2.5 Pro прибавил 17 percentage points при переходе с OpenHands на Terminus 2.⁷ Следовательно, тезис «harness неважен, выбирайте только модель» также неверен. Нужно сначала сравнивать одинаковую model в разных harnesses, затем — лучшие native stacks.

Работа AI Agents That Matter предлагает оценивать Pareto frontier по accuracy и cost и критикует сложные agents без адекватных holdouts и воспроизводимости.⁸ Это прямо относится к marketing leaderboards: высокий score, полученный большим числом rollouts и tokens, может быть экономически хуже более скромного результата.

Реальные pull requests не дают единственного победителя

Анализ 7 156 pull requests пяти agents показал разные сильные стороны по типам задач и не нашёл одного лидера для всего: acceptance зависел от класса работы, repository и agent.²⁷ Такие данные ближе к реальному миру, чем synthetic benchmark, но остаются observational: agents выбирали разные пользователи для разных задач, поэтому причинно приписать разницу одному harness нельзя.

Производительность разработчика: исследования противоречат только на первый взгляд

Ранний controlled experiment с GitHub Copilot показал, что участники быстрее реализовали короткий JavaScript HTTP server — примерно на 55,8%.²⁸ Три более крупных field experiments в Microsoft, Accenture и Fortune 100, опубликованные в Management Science в 2026 году, охватили 4 867 разработчиков и дали pooled estimate около 26% дополнительных completed tasks; менее опытные разработчики чаще принимали инструмент и получали больший эффект.²⁹

Эти результаты поддерживают AI assistance, но в основном измеряют code completion и короткий feedback loop. Они не доказывают, что автономный agent быстрее решает неоднозначные issues в знакомом зрелом repository.

METR провела RCT с 16 опытными open-source developers и 246 реальными задачами в repositories, где участники работали в среднем около пяти лет. При доступе к early-2025 AI tools они тратили на задачи на 19% больше времени, хотя до исследования ожидали ускорение на 24%, а после по-прежнему считали, что ускорились примерно на 20%.³⁰ Интервал и малая выборка требуют осторожности; исследование не означает «AI всегда замедляет». Оно показывает, что subjective speed не равна measured cycle time и что review/prompt overhead способен съесть выгоду генерации.

Systematic review human-AI software development находит преимущества в code search, repetitive work и скорости, но также cognitive offloading, flow disruption и нестабильное качество. Большинство первичных исследований exploratory или laboratory; longitudinal и team-level evidence мало.³¹ Поэтому количество принятых строк, satisfaction или число agent sessions нельзя использовать как самостоятельный ROI.

Практический синтез:

• AI чаще помогает на boilerplate, тестах, документации и unfamiliar APIs;
• сильный maintainer на знакомом codebase может потратить больше времени на объяснение и review;
• cloud delegation может увеличить throughput команды, не уменьшая cycle time отдельной задачи;
• качество workflow и task selection важнее заявления «мы внедрили agent».

Безопасность и privacy: open source не равно local и не равно safe

Coding agent читает недоверенный repository, issues, web pages и tool output, затем имеет доступ к filesystem и shell. Это классическая граница indirect prompt injection. В InjecAgent ReAct agent на GPT-4 оказался уязвим примерно в 24% из 1 054 сценариев; benchmark общий, но его модель угроз напрямую переносится на README, comments и MCP responses.³²

Исследования code generation показывают другую проблему: функционально правдоподобный код может быть небезопасен. В IEEE S&P study около 40% программ Copilot в специально подобранных CWE-сценариях содержали уязвимости; это старая model и adversarial task set, поэтому число нельзя считать текущей defect rate.³³ В ACM CCS user study участники с Codex-based assistant писали менее безопасные решения и были увереннее в их безопасности.³⁴ Оба результата требуют security-aware review, а не запрета на agents.

Сравнивать privacy нужно по отдельным слоям:

1. Execution: где выполняются commands и какие paths доступны.
2. Inference: local model или remote provider.
3. Transport: идёт ли traffic напрямую provider или через intermediary.
4. Retention/training: какие policies применяются к plan и organization.
5. Extensions: какой код выполняют plugins, MCP servers и skills.
6. Secrets/network: может ли agent читать credentials и отправлять данные наружу.

NIST AI 600-1 рекомендует lifecycle risk management, incident response и отдельную оценку third-party GAI risks.³⁵ Из этого следует конкретная policy: sandbox и network allowlist включаются до первого pilot; secrets выдаются минимально; repository content считается untrusted; destructive commands и external writes требуют approval; каждый patch проходит tests и human review.

Codex даёт наиболее готовую базовую реализацию этой policy. OpenCode позволяет fine-grained permissions. Pi требует container или собственный extension. MiMo Code наследует широкие возможности OpenCode, но из-за возраста продукта нуждается в отдельном audit. Local inference уменьшает exposure model provider, но не защищает от malicious repository и ошибочного shell command.

Стоимость: считать нужно принятые изменения

Цена подписки удобна для бюджета, но плохо предсказывает стоимость agentic development. Один успешный task включает inference, sandbox/CI compute, неудачные rollouts, ожидание developer, review, повторные исправления и риск rollback. Terminal-Bench показывает попытки стоимостью от единиц до десятков долларов, а отдельные задачи потребляли огромное число API calls и tokens без монотонной связи между расходом и успехом.⁷

Полезная метрика:

TCO per accepted change = license/API + compute + failed runs + developer time + review/security time + rework + incidents.

Рядом следует измерять:

• долю задач, принятых без ручного переписывания;
• median и p95 cycle time;
• first-pass CI rate;
• defects и security findings после merge;
• rework через 7 и 30 дней;
• token/cost p50 и p95;
• время автора и reviewer.

Codex может оказаться дешевле OpenCode с тем же OpenAI API благодаря лучшей model/harness integration и caching. OpenCode может оказаться дешевле, если позволяет маршрутизировать простые задачи на Luna, open-weight или local model. Pi может выиграть в узкой автоматизации, но проиграть стоимостью собственной platform engineering. MiMo Code может сократить потери context в длинной задаче, но добавить orchestration overhead. Эти утверждения нужно измерять, а не принимать из architecture description.

Как провести честный bake-off

Для индивидуального разработчика достаточно 10–15 типичных задач. Для команды нужен набор 30–50 свежих private tasks, разделённых на boilerplate, bug fix, refactor, tests, docs и security. Public benchmark не заменяет этот набор.⁸

Этап 1: сравнить harness

Запустить одну OpenAI model в Codex, OpenCode и Pi, насколько это допускают продукты. Зафиксировать:

• один prompt и одинаковые repository instructions;
• timeout, reasoning effort и token budget;
• network policy и approvals;
• одинаковый commit/branch baseline;
• минимум три repeats для части задач;
• blinded review результата.

Этот этап отвечает на вопрос, какой harness лучше использует OpenAI model.

Этап 2: сравнить лучшие stacks

Затем сравнить native Codex + актуальная OpenAI model, OpenCode + лучшая доступная модель, Claude Code + Claude и, при интересе, MiMo Code + MiMo. Здесь одинаковая модель уже не обязательна: вопрос меняется на «какой продукт даёт лучший результат для нашей команды».

Этап 3: проверить эксплуатацию

Неделя pilot должна включать не только coding:

• восстановление после неудачного compaction;
• работу с большим repository;
• конфликтующие инструкции;
• malicious text в README или issue;
• исчерпание limit и рост стоимости;
• параллельные worktrees;
• audit log и удаление secrets;
• rollback неудачного patch.

Победителем становится не agent с самым красивым demo, а stack с лучшим отношением accepted-task rate к TCO и приемлемым security profile.

Дискуссионные вопросы и противоречия

Native integration против provider neutrality

Codex, вероятно, быстрее адаптируется к новым OpenAI models и снижает integration risk. OpenCode и Pi снижают strategic lock-in. Нельзя получить оба преимущества полностью: универсальный abstraction неизбежно сглаживает provider-specific behavior, а first-party harness ограничивает свободу замены provider.

Богатый harness против прозрачного context

MiMo Code и OpenCode предоставляют много готовых mechanisms; Pi сознательно оставляет primitives. Богатый harness быстрее даёт результат, но добавляет скрытые prompts, compaction и orchestration. Минимальный harness наблюдаем, но требует platform work. Выбор зависит от того, кто будет владеть этой сложностью: vendor или команда.

Автономность против контроля

Cloud agents и subagents увеличивают throughput, но создают больше действий, которые reviewer не наблюдает в реальном времени. Sandbox уменьшает blast radius, но не доказывает correctness. Высокая автономность оправдана для well-specified, testable tasks; неоднозначные architecture и security changes требуют коротких checkpoints.

Производительность против ощущения производительности

Enterprise RCT показывают положительный average effect, а METR — slowdown для опытных maintainers на знакомом codebase.³⁰²⁹ Эти результаты совместимы: разные задачи, пользователи и interfaces дают разные эффекты. Поэтому организация должна измерять cycle time и rework, а не опрашивать разработчиков только об ощущении скорости.

Недостаточность данных

• Нет независимого, воспроизводимого сравнения Codex, OpenCode, Pi и MiMo Code на одной актуальной OpenAI model с одинаковыми prompts, budgets и permissions.
• Vendor comparison MiMo Code с Claude Code использует одинаковую MiMo model, но не публикует достаточный replication package.⁵
• Нет долгосрочных данных о maintainability кода после месяцев использования современных autonomous agents; существующие human studies в основном измеряют completion, короткие tasks или ранние инструменты.³⁰²⁹³¹
• Публичные цены и limits меняются быстрее инженерных workflows. Числа в обзоре — срез на 13 июля 2026 года, а не долговременная гарантия.¹⁸¹⁹
• Зрелость MiMo Code нельзя надёжно оценить через месяц после выпуска. Stars и release velocity не заменяют incident history, enterprise audit и стабильность upgrade path.¹²

Заключение

Если цель — эффективно работать именно с OpenAI models, выбирайте Codex. First-party поддержка актуальных models, единая линия local/IDE/desktop/cloud и готовые security controls дают лучший баланс качества, времени настройки и эксплуатационного риска. Используйте local или worktree mode для интерактивных изменений, cloud — для хорошо определённых долгих задач, workspace-write и approvals — как default, network — по allowlist, а diff/tests review — всегда.¹²¹⁷

Если provider lock-in неприемлем, выбирайте OpenCode. Он даёт наиболее полный открытый набор функций без необходимости сначала строить собственный agent platform. Сохраняйте один и тот же task protocol для OpenAI и альтернативных models.

Выбирайте Pi, когда вам нужен не готовый продукт, а управляемый agent runtime: прозрачный context, extensions, SDK и RPC. Без container или собственного permission layer использовать его на машине с ценными secrets не следует.⁴

Рассматривайте MiMo Code как перспективный pilot для persistent memory и long-horizon orchestration. Для OpenAI-first workflow у него пока нет доказанного преимущества над Codex или OpenCode, а опубликованные benchmark claims требуют независимого повторения.⁵¹²

Наконец, не стандартизируйте agent только по leaderboard. Проведите private bake-off, посчитайте TCO per accepted change и сохраните возможность заменить harness. В 2026 году лучший устойчивый выбор — не один вечный инструмент, а Codex как default плюс открытый portability path через OpenCode.

Quality Metrics