Codex 是怎么读取 PDF 的?

最近我们在查 Claude Code 是怎么读 PDF 的。顺着这个问题，我们又想知道：同样把一份 PDF 交给 Codex，它走的是不是同一套流程？

查下来，两者并不一样。Codex 没有一个统一的 PDF 阅读器。你在本地 Codex 里让它读工作区文件、通过 Responses API 上传 PDF，或者把 PDF 放进 File Search，背后走的是三套不同的流程。

这个区别会直接影响 Codex 能看到什么。本地 Codex 通常先调用工具抽取文字、检查文件结构，再把页面渲染成图片；Responses API 会把抽出的文字和每页图像一起交给模型；File Search 则先把长文档切成片段，只找与问题相关的部分。下面把这三种情况分开讲清楚。

先把三个“读 PDF”分开

如果只记一个结论，可以记这张图：本地 Codex、Responses API 和 File Search，模型最后拿到的材料并不一样。

这意味着，同一句“我已经读了 PDF”，背后可能是逐页检查，也可能只是抽了文字，或者只检索了几段相关内容。判断答案靠不靠谱之前，最好先问清楚它走的是哪条路。

截至 2026 年 8 月 24 日，OpenAI 的 Codex CLI 命令参考列出了图片附件参数 --image，没有列出 PDF 专用附件参数。

所以，在我们当前使用的 Codex 环境里，让它读工作区中的 PDF，更像是交给 Agent 一项文件任务。它通常会先看页数和文件状态，再抽取能复制的文字；遇到表格、图表或复杂排版时，把页面转成图片；如果是扫描件，再增加 OCR。

这里真正值得看的不是工具名，而是过程记录：它看了多少页？哪些页做了 OCR？图表页有没有渲染？如果这些步骤没有发生，最后一句“已经读完整份报告”就没有足够依据。

本地工具链的好处是灵活。一张表看不清，可以单独放大；怀疑数字有问题，可以同时对照抽取文字和页面原图。风险也在这里：这些检查需要 Agent 真的去做，不是文件扩展名叫 .pdf 就会自动完成。

如果开发者把 PDF 作为文件输入交给 Responses API，OpenAI 官方公开的处理方式是：提取 PDF 里的文字，同时把每一页作为图像交给支持视觉的模型。

文字适合搜索名字、段落和数字；页面图像保留表格位置、扫描内容、颜色和版面。两者放在一起，确实比只拿到其中一种材料更完整。

但这仍不是双保险。文字层可能本来就是错的，页面图像也可能因为字号太小或旋转而看不清。官方没有公开具体使用什么 PDF parser、OCR 引擎，也没有说明文字和页面显示发生冲突时，内部一定听哪一个。

所以我们可以确认“模型收到了什么”，不能从这里直接推出“模型一定读对了”。

对于几百页的报告或者一批 PDF，File Search 会先把内容切成小段、建立索引，收到问题后再找相关片段。官方文档把它描述为语义搜索和关键词搜索。

它很适合做一件事：从大量文字里快速找到可能有用的部分。

它不等于逐页视觉阅读。一个问题如果依赖跨页表格、图例颜色，或者两页之后的限定条件，相关内容没有被召回，模型就没有机会看到完整证据。

我们没有查到一个能保证正确的单一机制。更可靠的做法，是让几种材料互相核对。

比如表格里写着 -3.8%。文字抽取可能漏掉负号，OCR 可能认错小数点，页面图片又可能因为字号太小而看不清。只信其中一路，很容易把“下降 3.8%”写成“增长 3.8%”。

因此，重要 PDF 至少要做几件事：

这套方法的价值，是让阅读过程更容易检查。它是否能把错误降低多少，还需要真实测试，不能先写成一个漂亮的准确率。

OpenAI 的视觉文档已经明确提醒：小字号、旋转文字、中文等非拉丁文字、图表颜色和线型、空间关系、精确计数，都可能出错。模型也仍然可能给出错误描述。

所以，“可以上传 PDF”只是在说输入能力。要证明它读得准，还需要具体文件、具体问题、事先确定的标准答案，以及能被复查的评分规则。

目前我们还不知道，本地工具链、API 的文字加页面图像、File Search 和纯文字路线，在真实 PDF 上分别会错在哪里；也不知道什么分数才足以支持摘要、关键数字抽取或合同审阅。

我们已经用 4 份人工 PDF、7 页、18 道题跑通了一轮很小的验证流程。过程中还发现，自动评分器会把一句带有 not 的正确回答判错。修订规则后，这组样本是 18/18。

这个结果只能说明测试链路跑通了。文件是人工生成的，只运行了一次，评分规则也在过程中改过。它不能叫“Codex 读 PDF 的准确率”，更不能拿来和 Claude Code 排名。

下一轮会换成公开的真实 PDF，先把标准答案和评分规则冻结，再比较不同读取路径。到时我们会公布具体错题，而不是只放一个平均分。

Claude Code 是怎么读取 PDF 的，我们也会单独写一篇。等真实样本跑完，再写第三篇，专门讨论：AI 说自己读完 PDF 后，我们到底怎么判断它有没有读对。

这篇先把已经查清的部分分享出来。没有查清的，继续查。