# Codex Path

Préparation indépendante au parcours OpenAI Academy Codex — surfaces et modèles Codex, workflows de codage au quotidien, configuration et extension, adoption, gouvernance et passage à l’échelle, avec deux examens blancs indépendants.

import { Card, CardGrid, Badge } from '@prosefly/astro-components';

<Badge color="accent" variant="soft">Parcours Codex</Badge> <Badge color="info" variant="soft">5 domaines</Badge> <Badge color="success" variant="soft">2 × examens blancs de 50 items</Badge> <Badge color="warning" variant="soft">Aligné sur l’Academy</Badge>

Cette piste est une **préparation à la certification OpenAI** pour les ingénieurs qui utilisent Codex, construite à partir des objectifs d’apprentissage OpenAI accessibles au public. Ce n’est pas un cours officiel OpenAI ni un examen blanc officiel. Les badges Academy et le certificat de parcours Codex **ne sont pas des certifications** et ne garantissent pas l’éligibilité à une future certification.

## Ce à quoi cette piste vous prépare

Le parcours Codex sur OpenAI Academy compte trois cours, tous dans la catégorie **Build with AI**, destinés aux ingénieurs logiciels et aux responsables d’ingénierie :

- **Get Started with Codex** (~80 min) — tâches sur dépôt, modification de code et revue de celui-ci. La compétence centrale est de cadrer une tâche de codage, de vérifier le changement et de fournir au relecteur des preuves claires.
- **Extend Codex Workflows** (~90 min) — transformer des pratiques efficaces en workflows d’équipe reproductibles avec une supervision claire, en utilisant une configuration partagée, `AGENTS.md`, des subagents, des skills et des plugins.
- **Scale Codex Across Governed Teams and Systems** (~100 min) — coordonner des chantiers parallèles et intégrer leurs sorties en sécurité, standardiser la configuration sur de nombreux dépôts et gouverner le déploiement.

Réussir les trois évaluations à ≥ 80 % vaut le **certificat de parcours Codex**. Lisez la page [paysage des qualifications](/fr/openai/credentials/) pour ce que ce certificat prouve et ne prouve pas, et la page [modèle d’évaluation](/fr/openai/assessment-model/) avant votre premier examen blanc.

## Blueprint

Nos examens blancs indépendants pondèrent les cinq domaines comme ci-dessous. Les pondérations sont notre choix de conception, aligné sur la durée et l’accent publiés des trois cours, pas des paramètres publiés par OpenAI.

| # | Domaine | Pondération | Items (approx. sur 50) | Page de cours |
| --- | --- | --- | --- | --- |
| 1 | Codex Fundamentals and Surfaces | 20 % | ~10 | [Domaine 1](/fr/openai/codex/domains/d1-codex-fundamentals-and-surfaces/) |
| 2 | Core Coding Workflows | **24 %** | ~12 | [Domaine 2](/fr/openai/codex/domains/d2-core-coding-workflows/) |
| 3 | Extending and Configuring Codex | 20 % | ~10 | [Domaine 3](/fr/openai/codex/domains/d3-extending-and-configuring-codex/) |
| 4 | Team Adoption and Governance | 20 % | ~10 | [Domaine 4](/fr/openai/codex/domains/d4-team-adoption-and-governance/) |
| 5 | Scaling Across Teams and Systems | 16 % | ~8 | [Domaine 5](/fr/openai/codex/domains/d5-scaling-across-systems/) |

:::tip[Où sont les points]
Core Coding Workflows (24 %) est le domaine le plus lourd à lui seul, et Fundamentals, Configuration et Governance pèsent chacun 20 %. Ensemble, les quatre premiers domaines représentent 84 % de l’examen blanc. Le parcours récompense les ingénieurs qui savent cadrer une tâche, vérifier un changement et l’étayer de preuves pour la revue — puis rendre cela reproductible et sûr pour une équipe. Les astuces de prompting ne valent presque rien ici.
:::

:::note[Deux examens blancs indépendants]
Cette piste propose **deux** examens blancs indépendants complets, pondérés par domaine, de 50 items chacun. L’[Examen blanc 1](/fr/openai/codex/practice-exam/) est votre diagnostic — passez-le sans chronomètre d’abord pour repérer vos deux domaines les plus faibles. L’[Examen blanc 2](/fr/openai/codex/practice-exam-2/) est délibérément plus difficile (plus d’énoncés à contraintes multiples et de qualificatifs `FIRST` / `BEST` / `MOST cost-effective` / `TWO`, davantage de mises en situation) — utilisez-le chronométré comme votre test go/no-go avant de passer la véritable évaluation Academy. Tous les items des deux examens blancs et des pages de domaine sont distincts.
:::

## L’état d’esprit que cette piste récompense

Codex est un agent qui écrit et exécute du code en votre nom, si bien que l’examen récompense de façon répétée une posture : **vous êtes propriétaire du changement, Codex le rédige, et le relecteur a besoin de preuves.** Les bonnes réponses tendent à :

- Cadrer étroitement la tâche et donner à Codex le contexte de dépôt dont il a besoin — un `AGENTS.md`, les fichiers pertinents, les commandes de build et de test — plutôt qu’une vague ligne.
- Choisir la **surface** qui convient à la tâche : CLI pour les exécutions scriptées et non interactives, extension IDE pour des boucles d’édition serrées, Codex cloud pour un travail long ou parallèle.
- Utiliser le **moindre reasoning effort qui obtient le résultat**, en escaladant Low → Medium → High → Extra High → Max → Ultra seulement lorsque la tâche le justifie.
- Vérifier avec des tests et des diffs, et remettre au relecteur des preuves — une exécution de test réussie, un diff propre, un résumé d’auto-review — pas seulement « ça marche ».
- Garder l’agent à l’intérieur d’un sandbox et d’un mode de permission explicite ; approuver les escalades délibérément.
- Standardiser `AGENTS.md` et `config.toml` sur les dépôts pour que le comportement soit prévisible à l’échelle.

Les mauvaises réponses tendent à : faire confiance à un diff non relu, exécuter un agent avec accès réseau et écriture complets par défaut, choisir Ultra pour un correctif d’une ligne, sauter les tests parce que « le modèle est bon », ou déployer Codex à l’échelle de l’organisation sans groupes, rôles ni journalisation d’audit.

## Répartition du temps suggérée

Un plan de 18–24 heures pour toute la piste, pondéré par domaine et par le degré pratique de chacun.

| Domaine | Pondération | Heures |
| --- | --- | --- |
| Core Coding Workflows | 24 % | 6 |
| Codex Fundamentals and Surfaces | 20 % | 4 |
| Extending and Configuring Codex | 20 % | 4,5 |
| Team Adoption and Governance | 20 % | 4 |
| Scaling Across Teams and Systems | 16 % | 3 |

Orientez votre révision vers *pondération × votre taux d’erreur*, pas la pondération seule. La plupart des ingénieurs sous-investissent dans la gouvernance (D4) et surinvestissent dans les surfaces qu’ils utilisent déjà.

## Checklist de préparation pratique

Faites-les dans un vrai environnement Codex (CLI, extension IDE ou cloud). Lire sur un workflow ne vous apprend rien sur le workflow.

- [ ] Installez le **Codex CLI**, connectez-vous et lancez une session interactive ; changez de modèle avec `/model` et observez les niveaux de reasoning effort.
- [ ] Écrivez un `AGENTS.md` pour un vrai dépôt : commande de build, commande de test, conventions de codage et ce que Codex ne doit jamais toucher.
- [ ] Exécutez un changement cadré avec `codex exec -m gpt-5.6-terra 'fix the failing test in payments'` de façon non interactive et lisez le diff et les preuves produits.
- [ ] Fixez `model = 'gpt-5.6'` dans un `config.toml` partagé et confirmez que le CLI, l’extension IDE et l’application desktop le reprennent tous.
- [ ] Faites une boucle **review-first** : demandez à Codex de planifier, approuvez le plan, laissez-le implémenter, puis vérifiez le diff et exécutez les tests vous-même avant de merger.
- [ ] Exécutez la même tâche à un reasoning effort **Medium** puis **High** et comparez le résultat, le temps et le coût.
- [ ] Utilisez un **git worktree** pour qu’une tâche Codex de longue durée s’exécute sur sa propre branche sans bloquer votre arbre de travail.
- [ ] Activez l’**auto-review** et lisez le résumé que Codex produit pour un diff ; décidez si c’est une preuve suffisante pour votre relecteur.
- [ ] Configurez un **mode / profil de permission** restrictif et un **sandbox**, puis observez quelles actions requièrent une approbation.
- [ ] Exécutez **Codex Security** (ou un deep scan) sur une branche et triez un résultat jusqu’à un correctif.

## Pages de la piste

<CardGrid>
  <Card title="D1 · Codex Fundamentals and Surfaces" href="/fr/openai/codex/domains/d1-codex-fundamentals-and-surfaces/" icon="lucide:layers">20 % · surfaces, modèles, échelle de raisonnement</Card>
  <Card title="D2 · Core Coding Workflows" href="/fr/openai/codex/domains/d2-core-coding-workflows/" icon="lucide:git-pull-request">24 % · cadrer, vérifier, prouver, revoir</Card>
  <Card title="D3 · Extending and Configuring Codex" href="/fr/openai/codex/domains/d3-extending-and-configuring-codex/" icon="lucide:settings-2">20 % · config.toml, AGENTS.md, MCP, sandbox</Card>
  <Card title="D4 · Team Adoption and Governance" href="/fr/openai/codex/domains/d4-team-adoption-and-governance/" icon="lucide:shield-check">20 % · déploiement, auth, rôles, audit, sécurité</Card>
  <Card title="D5 · Scaling Across Teams and Systems" href="/fr/openai/codex/domains/d5-scaling-across-systems/" icon="lucide:network">16 % · travail parallèle, intégrations, modes de défaillance à l’échelle</Card>
  <Card title="Examen blanc 1" href="/fr/openai/codex/practice-exam/" icon="lucide:clipboard-check">50 items chronométrés · diagnostic</Card>
  <Card title="Examen blanc 2" href="/fr/openai/codex/practice-exam-2/" icon="lucide:clipboard-check">50 items inédits, plus difficiles · test de préparation</Card>
</CardGrid>