AI 工具 15 min read ★ Featured

DevSpace 是什麼？把 ChatGPT 變 Codex 的 MCP 教學（額度真相＋安裝踩坑）

DevSpace 是開源的 self-hosted MCP server，把 ChatGPT 接到你本機 repo，讓它像 Codex 一樣讀寫、搜尋、跑指令。社群的賣點是「ChatGPT 跟 Codex 額度分開算＝額度翻倍」，但這是副作用、不是官方功能。本文實測：修正 Threads 原貼錯誤的安裝指令（@waishnav/devspace）、tunnel 接法、403／Windows 要 Bash 等踩坑，以及 ToS 風險的誠實面。

#DevSpace #DevSpace MCP #ChatGPT 變 Codex +5 tags
DevSpace 是什麼？把 ChatGPT 變 Codex 的 MCP 教學（額度真相＋安裝踩坑）
本文目錄 · 10
TL;DR
DevSpace 是一個開源 MCP server，把你的 ChatGPT 接到本機 repo，讓它像 Codex 一樣讀寫、搜尋、跑指令。社群拿它的賣點是「ChatGPT 跟 Codex 額度分開算，等於額度翻倍」——但這是副作用、不是官方功能，官方文件一個字都沒提。我自己跑過一遍：能用，但 Threads 上那條安裝指令是錯的，而且風險比省下的額度大。這篇把安裝、tunnel、踩坑、ToS 風險全部講白。

📌 目錄

⚡ Codex 額度撞牆那天

我自己用 Codex 重構一包舊專案，跑到下午三點，視窗跳出額度用完、要等到隔天才 reset。當下手上的任務做到一半，等 reset 等於整個節奏斷掉。

那天我才認真去想一件事：OpenAI 的 ChatGPT 訂閱和 Codex 的用量，到底是不是同一個池子？ 翻了一圈，社群普遍觀察到的結論是「分開算」——也就是 Codex 那邊見底時，ChatGPT 的對話額度通常還有。

DevSpace 就是踩在這個觀察上做出來的工具。它在 Threads / X 上紅起來的鉤子是「一行裝好，額度直接兩倍」。我把官方 repo 從頭看到尾、自己跑了一遍，結論是：工具是真的、能用，但那個鉤子被簡化得有點過頭，照著貼文做你大概會卡在第一步。

⭐ DevSpace 到底在做什麼

先把定位講清楚，因為這決定你要不要碰它。

DevSpace MCP server GitHub repo：把 ChatGPT 變 Codex 的開源工具

DevSpace 的 GitHub tagline 是「Turn ChatGPT into Codex」。它本質是一個 self-hosted 的 MCP（Model Context Protocol）server：跑在你自己機器上，透過一條你自己控制的 tunnel 對外開口，ChatGPT 連進來之後，就能對你「核可過的本機資料夾」做這些事：

  • 讀、寫、編輯 workspace 裡的檔案
  • 搜尋程式碼、檢視目錄結構
  • 跑 shell 指令（測試、build、git、package script）
  • 用獨立的 git worktree 開平行 coding session
  • 讀 AGENTS.md / CLAUDE.md 跟著專案規範走
換句話說，它不是「幫你省額度的外掛」，它是把 ChatGPT 變成一個能操作你本機 codebase 的 coding agent。額度分開只是這件事帶來的順帶結果，不是它的設計目的。這個差別很重要——你開的是「讓雲端 AI 直接動你本機檔案 + 跑指令」的權限，這比「省幾次額度」嚴肅多了，後面風險那段會回頭講。

💰「額度翻倍」的真相

Threads 那條貼文的核心賣點是：「OpenAI 把 ChatGPT 和 Codex 額度分開計算，所以 Codex 見底時還能用 ChatGPT 那邊，等於 2 倍額度。」

我去翻 DevSpace 官方 repo 的 docs/gotchas.md（專門列警告與限制的那份），想找它對「額度」的官方說法。結果是：

官方文件裡完全沒有提到 OpenAI 服務條款、帳號封鎖、rate limit、或任何「2x 額度」的宣稱。

所以這裡要誠實標清楚：

說法來源性質
ChatGPT 與 Codex 額度分開算社群觀察經驗值，OpenAI 沒官方背書
裝 DevSpace = 2 倍額度Threads / X 貼文包裝行銷鉤子，官方 repo 未宣稱
DevSpace 讓 ChatGPT 操作本機 repo官方 README這才是工具實際做的事
實際的玩法是：你用 ChatGPT 那邊（可以掛 GPT-5.5 Pro、xHigh 等高階推理模式）做規劃、寫設計，再把實作任務交棒給你本機的 Codex；或者單純拿 ChatGPT 來 review 其他本地 coding agent 寫的程式碼。額度有沒有「翻倍」取決於 OpenAI 怎麼算，而 OpenAI 隨時可以改這個算法、或直接把這條路堵掉。把它當「穩定多出來的額度」來規劃工作流，是會出事的。

🔧 安裝實作（含原貼錯誤指令修正）

先講最重要的一個坑：Threads 原貼寫的安裝指令是錯的。

原貼寫的是：

npm install -g waishnav/devspace

這行有兩個問題：套件名漏了 scope 的 @（正確是 @waishnav/devspace），而且官方根本不是用 npm install -g 這種裝法，是走 npx 的互動式 init flow。照原貼貼，你會裝到一個不存在的東西。

Prereq（前置依賴）

依賴最低版本驗證指令
Node>=20.12 <27（建議 Node 22 LTS）node -v
Git任意近代版本git --version
npm隨 Nodenpm -v
BashWindows 必須有（原生 PowerShell / cmd 不支援）bash --version
Tunnel 工具Cloudflare Tunnel / ngrok / Tailscale 等擇一視工具而定
Windows 使用者特別注意：DevSpace 的 shell 執行要求 Bash，原生 PowerShell 跟 cmd.exe 是不支援的。我自己在 Windows 跑就是走 Git Bash / WSL。

一鍵指令

正確的初始化與啟動，全部塞在這裡，直接照跑：

# 1. 初始化（互動式，一次問一個問題）
npx @waishnav/devspace init

# 2. 啟動 MCP server
npx @waishnav/devspace serve

init 會問你三件事：

  • Project Roots — 允許 ChatGPT 存取哪些資料夾，例如 ~/personal,~/work

  • Local Port — 預設 7676，MCP endpoint 會變成 http://127.0.0.1:7676/mcp

  • Public Base URL — 你的 tunnel 對外網址（不含 /mcp 結尾），例如 https://your-tunnel-host.example.com

    • 設定檔會落在 ~/.devspace/config.json（一般設定）和 ~/.devspace/auth.json（Owner 密碼，這份絕對不要外流）。

    驗證

    npx @waishnav/devspace serve 跑起來後，本機應該能打到 http://127.0.0.1:7676/mcp。真正的成功訊號不是「server started」，是ChatGPT 連進來時，DevSpace 會跳出一個 Owner 密碼核可頁——看到那一頁、輸入密碼通過，才算 round-trip 接通。

    🔗 接 tunnel、連 ChatGPT、Owner 密碼核可

    DevSpace 跑在 127.0.0.1，ChatGPT 在雲端，中間要靠 tunnel 把本機 port 開到公網。

    官方列的選項：Cloudflare Tunnel、ngrok、Pinggy、Tailscale Funnel，或你自己的 HTTPS reverse proxy。把 tunnel 指向 http://127.0.0.1:7676 即可。以 ngrok 為例：

    ngrok http 7676

    ngrok 給你一個對外網址（例如 https://abcd-1234.ngrok-free.app），把這個網址（不含 /mcp）填回 init 問的 Public Base URL。

    接著在 ChatGPT 端把這個 MCP server 接上（透過 ChatGPT 的 connector / MCP 機制）。當 ChatGPT 第一次連進來，DevSpace 會顯示 Owner 密碼核可頁，輸入你在 init 時拿到的密碼（存在 ~/.devspace/auth.json）。通過後，ChatGPT 就能 open_workspace 打開你核可的某個專案資料夾，開始動工。

    整條鏈路是：

    ChatGPT (雲端)
   │  透過 connector 連 MCP
   ▼
tunnel (ngrok / cloudflare …)  ← 你自己控制的對外開口
   │  指向 127.0.0.1:7676
   ▼
DevSpace MCP server (本機)
   │  Owner 密碼核可
   ▼
你核可過的 repo（讀寫 / 搜尋 / 跑指令 / git worktree）

    ⚖️ 我踩到的坑

    官方 gotchas.md 列了一串，加上我自己跑的經驗，最容易卡住的是這幾個：

    403 Forbidden（host header 不符）

    DevSpace 的 allowed hosts 是從你設定的 Public Base URL 推導出來的。tunnel 網址跟你填的 Public Base URL 對不上，就會噴 403。 這是免費 tunnel 最容易中的——因為臨時 tunnel 的網址每次 session 都會變。

    tunnel URL 一直變

    免費版 ngrok 之類的臨時 tunnel，URL 每次重啟都換一個，換了就得回去改 Public Base URL，否則接著上面那個 403。要穩定用，建議上 Cloudflare Tunnel 或 ngrok 付費版綁固定 domain。

    better-sqlite3 安裝失敗

    DevSpace 用到 better-sqlite3 這個原生模組，如果你換了 Node runtime（例如從 Node 20 切到 Node 22）卻沒重裝，它會因為 ABI 不符而掛掉，需要 rebuild。固定一個 Node 版本跑最省事。

    Windows 沒 Bash 直接不能跑

    前面講過，再強調一次：Windows 原生 PowerShell / cmd.exe 不支援，shell 執行要 Bash。我的解法是 Git Bash 或 WSL。

    workspaceId 是暫時的

    workspaceId 在 server 重啟後會失效，client 要重新 open_workspace。server 重啟後 ChatGPT 那邊接不上 workspace，多半是這個。

    📅 該不該用？ToS 風險誠實面

    把甜頭跟風險擺一起看：

    甜頭：Codex 額度見底時，可能還能靠 ChatGPT 那邊繼續做事；用高階推理模式規劃、再交棒本機 Codex 執行的工作流確實順手。

    風險，而且我認為比甜頭重：

  • 這是「讓雲端 AI 直接動你本機檔案 + 跑 shell 指令」的權限。tunnel 一開、ChatGPT 一連，它能在你核可的資料夾裡讀寫、跑 git、執行 package script。Owner 密碼是唯一的門，密碼或 auth.json 外流，等於把本機開發環境的鑰匙交出去。

  • ToS 灰色地帶。「額度分開」是 OpenAI 計費實作的副作用，不是它授權你這樣用。原貼自己也說了「別玩太兇，說不定哪天 OpenAI 就關了這條路」——這句話其實就是答案：它隨時可變、可能違反條款，不要押在重要工作流上。

  • tunnel 本身是攻擊面。你在公網開了一個指向本機的開口，host header、密碼、tunnel 安全設定任何一環沒顧好，風險都是你的。

    • 我的結論：拿來玩、拿來理解 MCP 怎麼把外部模型接進本機，很值得。但要當生產力工作流的常駐方案，我不會——額度隨時可能被堵、安全面要自己扛，CP 值不如老老實實升訂閱方案或本地跑開源模型。

    ❓ 常見問題

    Q1：DevSpace 真的能讓 Codex 額度變兩倍嗎？
    不精準。它是把 ChatGPT 接成能操作本機 repo 的 coding agent。「額度翻倍」是因為社群觀察到 ChatGPT 跟 Codex 用量分開算，這是副作用、不是官方功能，OpenAI 隨時可以改。

    Q2：Threads 上的安裝指令 npm install -g waishnav/devspace 能用嗎？
    不能。套件名漏了 @（正確是 @waishnav/devspace），而且官方走的是 npx @waishnav/devspace init 互動式流程，不是 npm install -g。

    Q3：Windows 可以跑嗎？
    可以，但 shell 執行要 Bash——原生 PowerShell / cmd 不支援。用 Git Bash 或 WSL。Node 版本要 >=20.12 <27。

    Q4：一直噴 403 怎麼辦？
    多半是 tunnel 實際網址跟你填的 Public Base URL 不符（host header 檢查）。臨時 tunnel 每次重啟換網址就會中，改用固定 domain 的 tunnel 最穩。

    Q5：會不會被 OpenAI 封號？
    官方文件沒提這點，但這招踩在 ToS 灰色地帶，原貼自己都說「哪天 OpenAI 可能關掉」。風險自負，別押在重要帳號或工作流上。

    🔗 延伸資源

    author
    陳
    陳彥彤

    AI 工程師 · AI 顧問。Java 後端 8 年、AI 工程師 2 年。AI 內訓 · AI 導入顧問 · 前後端與雲端培訓。

    support

    覺得文章有用可以到 GitHub 給個 star，或是透過信箱聊聊 AI 內訓、AI 導入顧問或前後端 / 雲端培訓。

    email github
    related

    相關文章

    [AI 工具] · 16min
    Claude Code 怎麼做出「好看又可編輯」的 PPT?pptx skill 四支柱實作
    AI 能做可編輯的 PPT 早不是問題,難的是「好看」。python-pptx 本身很樸素——沒圓角、沒陰影、內建模板還很醜,質感不是工具給的,是設計出來的。這篇拆解我用 Claude Code 官方 pptx skill 把樸素預設做成專業簡報的四個支柱:配色系統(60-30-10、十組現成調色盤)、字型層次(type scale、襯線配無襯線)、版型與留白(對齊網格 + 重複視覺母題)、配圖(codex 生圖),外加最決定好看的 render 驗收 loop(把 .pptx 逐頁 render 成圖用眼睛抓醜),以及四個踩坑。截圖都是真的用 python-pptx 產、真的 render 出來的。
    [AI 工具] · 17min
    app-screenshots 是什麼?讓 Claude Code 自動產「標註版截圖文件」的 skill
    app-screenshots 是 Alexander Opalic 寫的 Claude Code skill:你只要說「幫我截圖這個網站做文件」,AI 就自己開頁、找元素、在截圖上畫好帶編號的語意標註(紅框圈按鈕、藍圈標連結)、產出圖文對照的 Markdown。底層靠 agent-browser 驅動 Chrome + 一支 298 行純前端 SVG 注入腳本 annotate.js。本文拆解它的六階段工作流、那支沒被作者講清楚的標註引擎(canvas 量測字寬、六候選點避讓、失敗大聲回報)、三種標註類型(box/click/circle)怎麼選、實際跑出來長怎樣、安裝使用、以及適合誰不適合誰。附我用它底層引擎跑出來的真實標註圖。
    [AI 工具] · 19min
    CodeGraph vs grep：AI 讀 codebase 少 81% 工具呼叫的知識圖譜
    CodeGraph 把整個 codebase 預先建成一張「程式碼知識圖譜」（symbol 節點 + call 邊），讓 Claude Code、Codex、Cursor 這類 AI agent 不用一個一個檔案爬，一次 codegraph_explore 就拿到相關 source、call path 跟改動波及範圍。官方在 7 個真實開源專案實測：VS Code 少 81% tool call、少 64% token，Alamofire 便宜 40%、快 33%。這篇把它是什麼、三層架構（tree-sitter + SQLite + file watcher）、安裝三件套、跟 grep / LSP 的差別、以及我接的時候要注意的點寫一遍。100% 本機跑、MIT、支援 23 種語言、8 個 agent。
    ← all posts