codex在vscode导致电脑cpu飙升问题修复
2026-04-14
64 字约 1 分钟
...-
vscode打开输出能看到
-
open-in-target not supported in extension url=vscode://codex/open-in-targets
-
-
修改文件:
/Users/你的用户名称/.vscode/extensions/openai.chatgpt-26.325.31654-darwin-arm64/webview/assets/index-CpiKkRDN.js
在打包后的 bundle 中,定位这一段逻辑:
// 原逻辑:无论当前窗口是 electron 还是 VS Code extension, // 都会去请求 open-in-targets。 // // 这段代码的本意是:查询“当前 cwd 有哪些可用的打开目标(target)”, // 供 diff 界面决定是否展示额外打开方式、默认 target 等信息。 // // 问题在于:在 VS Code extension 模式下,宿主端并不支持这个接口, // 调用后会直接抛出 "open-in-target not supported in extension"。 // 因此原代码在 extension 中会持续触发失败请求。 queryFn:async()=>Je(`open-in-targets`,{params:{cwd:e}})把它改成:
// 修改后:只在 electron 窗口中才真正请求 open-in-targets。 // // 如果当前窗口是 electron: // 仍然保持原行为,继续向宿主端查询 open target 列表。 // // 如果当前窗口是 VS Code extension: // 直接返回一个“空结果”对象,而不是再去调用那个不支持的接口。 // 这样后续 UI 仍然可以正常工作,只是表示“没有额外 target 可选”, // 从而避免 unsupported API 报错、日志风暴和额外渲染开销。 queryFn:async()=>document.documentElement.dataset.codexWindowType==="electron" ? Je(`open-in-targets`,{params:{cwd:e}}) : {preferredTarget:null,targets:[],availableTargets:[]}
如果您觉得这篇文章有帮助,请点个赞吧~
相关文章
更多文章 →AI2026-09-01
Deep Agents 01:何为 Agent Harness,以及如何开始
1、本篇任务:完成一份多步骤、带证据的技术调研 普通客服 Agent 的问题短、工具少、输出即时。技术调研或编码任务会持续很久,产生计划、搜索结果、文件和中间结论。Deep Agents 在 LangChain/LangGraph 之上预装规划、虚拟文件系统、上下文压缩和子 Agent,适合这类开放任务。 本课让 Agent 比较两种向量数据库,并交付一份可验证报告。 2、什么时候需要 Deep Agent 满足以下两项以上再考虑:任务...
学习
AI2026-09-01
Deep Agents 02:子 Agent、虚拟文件系统与长期记忆
1、本篇任务:让主管只看结论,让子 Agent 处理细节 技术调研会产生几十次搜索和大量文件。如果全部进入主管上下文,真正的目标会被噪音淹没。本课用两个子 Agent: 收集证据, 检查结论;主管负责计划与最终合成。 2、什么时候委派,什么时候直接调用工具 适合委派:子任务有多步;需要专门提示或工具;会产生大量中间结果;只需返回有限结论。不适合:一步查询;主管需要全部中间上下文;协调成本超过任务本身。 3、配置专门子 Agent Pyt...
学习
AI2026-09-01
Deep Agents 03:生产化、Sandbox、权限与上线验收
1、本篇任务:让 Deep Agent 在隔离环境中分析代码 只读研究 Agent 风险有限;编码 Agent 需要读写文件、安装依赖和执行测试。本课不讲如何让模型写更漂亮的代码,只讲执行环境、权限、恢复和上线验收。 2、先做威胁模型 资产包括源代码、用户文件、云凭证、生产网络和发布权限;攻击入口包括用户消息、仓库内容、网页、依赖包、MCP 返回和命令输出。 Prompt injection 不是靠一句 system prompt 解决...
学习
AI2026-09-01
LangChain 01:全景、原理与学习路线
1、本篇学完要得到什么 这一篇只解决三个问题:LangChain 到底负责什么;它与 LangGraph、Deep Agents、LangSmith 是什么关系;后面应按什么顺序学习。 贯穿整套课程的项目是“退款政策与订单助手”。它最终能够:回答知识库中的退款规则;查询当前用户的订单;生成结构化答复;对真正的退款操作进行人工审批;断线后恢复;通过评测后发布。 先记住一句话: 模型负责理解与生成,应用负责数据、权限、状态和副作用。 如果把...
学习
AI2026-09-01
LangChain 02:模型、消息与结构化输出
1、本篇任务:让模型输出成为程序可以依赖的合同 上一课只证明 Agent 能运行。本课暂时不接业务工具,只完成一个“客服分诊器”:输入用户问题,输出意图、紧急程度、是否需要人工和给用户的答复。 本课的核心不是学更多模型参数,而是理解三层合同:消息决定模型看到了什么;schema 决定程序期待什么;业务校验决定结果是否真的可用。 2、消息不是一段字符串,而是一条执行记录 一次工具型对话通常包含四种消息: | 类型 | 由谁产生 | 作用...
学习
AI2026-09-01
LangChain 03:工具与 Agent——从函数到可控行动
1、本篇任务:让 Agent 安全地读取订单 上一课得到结构化分诊结果,但模型不知道真实订单。本课增加一个只读工具 ,走通完整 Agent 循环,并把模型、工具包装和领域服务的责任分开。 完成后,用户问“我的 A100 发货了吗”,Agent 会选择工具;工具只按当前登录用户查询;模型基于工具结果回答。它仍然不能退款,因为我们没有提供写工具。 2、工具的本质是受 schema 约束的应用函数 一个好工具需要:稳定名称、清楚描述、窄输入...
学习
评论
请登录后发表评论
去登录