很多同学把 Codex 当成”高级代码补全工具”，其实不对——它是一个端到端自主执行的编程智能体：你用自然语言描述需求，它自动完成代码编写、执行、结果输出、报告生成的全流程。当前版本已支持 Python/SQL/Rust 等 20+ 语言，内置 100+ 数据分析库，能处理 GB 级数据集，还通过 MCP 协议直连主流数据库。

这篇文章带你用最短路径把 Codex + SQL 用起来。

一、5 分钟完成安装配置

# macOS / Linux
curl -fsSL https://get.codex.sh | sh

# Windows (PowerShell)
winget install CodeLabs.Codex

# 登录授权（打开浏览器完成验证）
codex auth login

# 验证
codex --version

二、三个关键概念（决定你用得好不好）

Profile：数据分析的”专家模式”

Profile 决定了 Codex 的代码风格、分析深度和输出格式。做数据分析强烈建议使用 analysis profile：

# 查看全部 profile
codex profile list

# 设为默认（推荐）
codex profile set analysis

# 临时使用
codex exec --profile analysis "分析 data/sales.csv 的月度趋势"

analysis profile 的核心优势：自动导入常用数据分析库、预设中文显示和美观图表样式、自动处理数据清洗、优先使用高效的向量化操作。

沙箱机制：绝对安全的执行环境

所有代码都运行在隔离的 sandbox 中，不会直接污染你的本地文件。Codex 会自己处理文件的读取和输出——你不用担心本地环境被搞乱。

@ 引用文件：让 Codex 直接读你的数据

需求里用 @文件路径 就能让 Codex 直接读取本地文件：

codex exec "分析 @/mnt/UserBehavior.csv 的用户行为分布，输出可视化图表"

三、Codex + SQL 的两种结合方式

方式一：CSV 场景 —— 数据以文件形式存在，Codex 直接用 pandas 处理（适合 60% 的分析场景）。

方式二：数据库场景 —— 数据在 DB 里，Codex 通过 MCP 连接器直连数据库跑 SQL（适合实时取数、大库查询）。

方式一实操：一条命令完成全流程分析

codex exec --profile analysis "
基于 @/mnt/UserBehavior.csv 淘宝用户行为数据集，完成以下分析：
1. 数据质量探查：清洗异常时间戳、统计行为类型分布、输出数据质量报告
2. 用户行为漏斗分析：浏览→收藏/加购→购买的转化率，找出最大流失环节
3. RFM 用户分层：计算 R/F/M 指标，完成用户分层，统计各层级占比
4. 复购分析：对比复购用户与单次购买用户的行为差异
5. 双12活动效果评估：对比活动前后指标
6. 所有分析结果汇总成一份完整 Markdown 报告，输出所有可视化图表
"

效果：Codex 会自动读取并清洗 200 万行 CSV、编写代码完成所有模块、生成 10+ 可视化图表、输出 6 份细分报告 + 1 份汇总报告，全部自动保存到指定目录。

方式二实操：直连数据库

# 第一步：把 CSV 导入 SQLite
codex exec "将 @/mnt/UserBehavior.csv 导入 SQLite 数据库，表名 user_behavior，自动创建表结构和索引"

# 第二步：配置 MCP 连接（~/.codex/config.toml）
# [mcp.sqlite]
# type = "sqlite"
# database = "/mnt/user_behavior.db"

# 第三步：直接用 SQL 查询分析
codex exec "
连接 SQLite 数据库，查询 user_behavior 表，完成：
1. 统计每日各行为类型的数量，输出趋势图
2. 计算用户购买转化率，按日期分组
3. 输出分析报告和可视化图表
"

四、Prompt 怎么写才能出好结果

好 Prompt 的三要素：

  1. 明确目标：清晰说明要完成的分析任务、输出形式
  2. 给够上下文：数据背景、字段含义、时间范围、业务规则
  3. 指定输出格式：文件类型（CSV/Markdown/PNG）、图表样式、报告结构

实用模板 1：数据探查

基于 @文件 数据集，完成数据探查：
1. 读取数据，输出基本信息：行数、列数、字段名、数据类型
2. 统计缺失值、异常值、重复数据，给出清洗方案
3. 对核心字段做分布统计，输出可视化图表
4. 输出完整的数据探查报告（Markdown）

实用模板 2：业务分析

基于 @文件 数据集，完成业务分析：
1. 核心指标：统计 [指标1/指标2] 的整体情况和时间趋势
2. 维度拆解：按 [维度1/维度2] 分组，分析各维度表现
3. 异常分析：找出指标异常的时间点/维度，分析可能原因
4. 输出分析报告，包含核心结论、图表、业务建议

实用模板 3：报告生成

基于 @文件 数据集，完成完整分析报告：
1. 结构：概述、数据说明、核心指标、维度分析、异常分析、结论建议
2. 每章包含对应分析结果和图表
3. 中文、专业严谨、适合业务人员阅读
4. 输出 Markdown 报告，图表保存为 PNG

小结

  • 用 analysis profile 获得专家级默认配置
  • 数据在文件里 → pandas 直接干；数据在库里 → MCP 直连跑 SQL
  • 好 Prompt = 明确目标 + 完整上下文 + 指定输出格式

下一步：Codex 数分实战 · 淘宝电商用户行为分析，用真实数据集把两条路各走一遍。