← بازگشت به وبلاگ

چگونه پروکسی را برای OpenAI Codex CLI در کشورهای بدون پشتیبانی OpenAI تنظیم کنیم: راهنمای کامل

راهنمای گام به گام برای تنظیم پروکسی برای OpenAI Codex CLI و API در مناطق بدون پشتیبانی OpenAI - با مثال‌های پیکربندی و بررسی خطاهای رایج.

📅۱ آذر ۱۴۰۵

OpenAI به طور رسمی از ده‌ها کشور پشتیبانی نمی‌کند — از جمله روسیه، بلاروس، ایران و چندین منطقه دیگر. هنگام تلاش برای اجرای codex از این مکان‌ها، شما یا با مسدودسازی مستقیم جغرافیایی مواجه می‌شوید، یا از صدور کلید API باز می‌مانید، یا اتصال ناپایداری با قطع‌های مکرر در حین انجام وظایف ابری خواهید داشت. این مشکل با یک پروکسی سرور به درستی انتخاب شده و تنظیم شده حل می‌شود — اما نکات مهمی وجود دارد: هر نوع پروکسی برای ابزارهای CLI و فرآیندهای طولانی پس‌زمینه مناسب نیست.

چرا Codex در کشور شما مسدود می‌شود

OpenAI در چندین سطح به طور همزمان از مسدودسازی جغرافیایی استفاده می‌کند. اولاً، آدرس IP در هر درخواست به API بررسی می‌شود — اگر مربوط به کشوری از لیست کشورهای غیرپشتیبانی شده باشد، سرور خطای 403 Country, region, or territory not supported را برمی‌گرداند. ثانیاً، هنگام ثبت‌نام حساب کاربری و پیوند کارت اعتباری، سیستم موقعیت جغرافیایی IP، آدرس صورتحساب کارت و منطقه زمانی دستگاه را بررسی می‌کند — اختلافات خطر مسدود شدن حساب را افزایش می‌دهد. ثالثاً، حتی پس از ثبت‌نام موفق، جلسات CLI ممکن است قطع شوند، اگر IP به طور ناگهانی در میانه وظیفه تغییر کند — این معمولاً برای IPهای دینامیک اپراتورهای موبایل یا هنگام استفاده از VPNهای رایگان با استخر آدرس ناپایدار اتفاق می‌افتد.

برای توسعه‌دهندگانی که از Codex CLI در کنار اتوماسیون — نوشتن کد، بررسی pull-requestها، تولید تست‌ها در CI-pipeline — استفاده می‌کنند، هر قطع اتصال به معنای افت وظیفه در میانه اجرا است. بنابراین مهم است که نه تنها "مسدودسازی را دور بزنید"، بلکه IP ثابتی با موقعیت جغرافیایی صحیح برای تمام مدت کار فراهم کنید.

کدام نوع پروکسی برای Codex CLI نیاز است

برای کار با API OpenAI و ابزارهای CLI مبتنی بر آن، سه پارامتر حیاتی است: ثبات جلسه (IP نباید در میانه درخواست تغییر کند)، سرعت پاسخ و اعتبار آدرس (آیا در لیست سیاه خدمات سوءاستفاده قرار دارد یا خیر). بیایید گزینه‌ها را بررسی کنیم:

نوع پروکسی برای Codex CLI ثبات جلسه سرعت
پروکسی‌های مقیم بله، انتخاب اصلی بالا (جلسات چسبنده) متوسط-بالا
پروکسی دیتاسنتر مناسب برای CI/CD و پارس کردن بسیار بالا (IP ثابت) حداکثر
پروکسی‌های موبایل برای وظایف API اضافی است متوسط (چرخش اپراتور) متوسط

برای اکثر سناریوها — توسعه محلی، CLI شخصی، درخواست‌های نامنظم به API — بهترین گزینه‌ها پروکسی‌های مقیم با پیوند به یک IP در هر جلسه (sticky session) هستند. آن‌ها IPهای واقعی ارائه‌دهندگان خانگی در کشور انتخابی را ارائه می‌دهند که خطر قرار گرفتن تحت فیلترهای تشخیص سوءاستفاده OpenAI را کاهش می‌دهد. اگر Codex در یک پایپ‌لاین ابری با تعداد زیادی وظایف موازی اجرا شود — به عنوان مثال، بررسی خودکار ده‌ها مخزن — بهتر است از پروکسی‌های دیتاسنتر استفاده کنید: آن‌ها سریع‌تر و پایدارتر اتصالات طولانی را بدون نوسانات تأخیر حفظ می‌کنند.

تنظیم پروکسی در Codex CLI از طریق متغیرهای محیطی

Codex CLI، مانند اکثر ابزارهای مدرن Node.js و Python، به متغیرهای محیطی استاندارد HTTP_PROXY و HTTPS_PROXY احترام می‌گذارد. این ساده‌ترین راه برای هدایت تمام ترافیک CLI از طریق پروکسی بدون ویرایش پیکربندی‌های برنامه است.

# لینوکس / macOS (bash, zsh)
export HTTP_PROXY="http://login:password@proxy_host:port"
export HTTPS_PROXY="http://login:password@proxy_host:port"
export NO_PROXY="localhost,127.0.0.1"

# بررسی قبل از راه‌اندازی Codex
curl -x $HTTPS_PROXY https://api.openai.com/v1/models

# راه‌اندازی CLI
codex "یک تست واحد برای تابع validateEmail بنویس"
# Windows PowerShell
$env:HTTP_PROXY = "http://login:password@proxy_host:port"
$env:HTTPS_PROXY = "http://login:password@proxy_host:port"

# بررسی اتصال
Invoke-WebRequest -Uri "https://api.openai.com/v1/models" -Proxy $env:HTTPS_PROXY

codex "این ماژول را بازنویسی کن"

اگر پروکسی نیاز به احراز هویت با نام کاربری و رمز عبور دارد (بیشتر ارائه‌دهندگان به همین شکل کار می‌کنند)، آن‌ها را مستقیماً در URL پروکسی به فرمت http://user:pass@host:port وارد کنید. برای پروکسی‌های SOCKS5 از پروتکل socks5:// به جای http:// استفاده کنید — این مهم است زیرا برخی از ابزارهای CLI پروتکل‌ها را تشخیص می‌دهند و ممکن است طرح نادرست را نادیده بگیرند.

پروکسی از طریق فایل پیکربندی و پوشش‌های Python

اگر شما اسکریپت‌های خود را در اطراف API OpenAI می‌نویسید (به عنوان مثال، پردازش دسته‌ای وظایف از طریق openai-python SDK)، ممکن است متغیرهای محیطی کافی نباشند — گاهی اوقات راحت‌تر است که پروکسی را به طور صریح به کلاینت منتقل کنید.

import httpx
from openai import OpenAI

proxy_url = "http://login:password@proxy_host:port"

client = OpenAI(
    api_key="sk-...",
    http_client=httpx.Client(proxies=proxy_url, timeout=60.0)
)

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "یک مهاجرت پایگاه داده تولید کن"}]
)

print(response.choices[0].message.content)

برای پوشش‌های Node.js (اگر پایپ‌لاین Codex شما بر اساس JS ساخته شده است) منطق مشابهی از طریق https-proxy-agent وجود دارد:

const { HttpsProxyAgent } = require('https-proxy-agent');
const OpenAI = require('openai');

const agent = new HttpsProxyAgent('http://login:password@proxy_host:port');

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  httpAgent: agent,
});

const run = async () => {
  const res = await client.chat.completions.create({
    model: 'gpt-4o',
    messages: [{ role: 'user', content: 'کد را برای آسیب‌پذیری‌ها بررسی کن' }],
  });
  console.log(res.choices[0].message.content);
};

run();

انتقال صریح پروکسی در کد زمانی مفید است که بخشی از درخواست‌ها در برنامه شما باید به طور مستقیم (خدمات داخلی) برود و بخشی از طریق پروکسی (درخواست‌ها به OpenAI). اینگونه شما منطق شبکه‌ای باقی‌مانده برنامه را با متغیرهای محیطی جهانی خراب نمی‌کنید.

پروکسی برای وظایف ابری: Docker، CI/CD، GitHub Actions

اگر Codex به صورت محلی استفاده نمی‌شود، بلکه در یک پایپ‌لاین خودکار — بررسی کد در هر pull request، تولید مستندات شبانه، بازنویسی خودکار — پروکسی باید در سطح محیط اجرای وظیفه تعریف شود، نه فقط در ترمینال توسعه‌دهنده.

# Dockerfile
FROM node:20-slim

ENV HTTP_PROXY="http://login:password@proxy_host:port"
ENV HTTPS_PROXY="http://login:password@proxy_host:port"
ENV NO_PROXY="localhost,127.0.0.1"

RUN npm install -g @openai/codex
WORKDIR /app
COPY . .
CMD ["codex", "run", "review"]
# .github/workflows/codex-review.yml
name: بررسی Codex
on: [pull_request]

jobs:
  review:
    runs-on: ubuntu-latest
    env:
      HTTPS_PROXY: ${{ secrets.PROXY_URL }}
      OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
    steps:
      - uses: actions/checkout@v4
      - name: نصب Codex
        run: npm install -g @openai/codex
      - name: اجرای بررسی Codex
        run: codex review --diff origin/main

برای CI/CD، IP ثابت و استاتیک ترجیح داده می‌شود — این دقیقاً سناریویی است که پروکسی‌های دیتاسنتر بهتر از پروکسی‌های مقیم عمل می‌کنند: تأخیر کمتر، اتصال در وظایف طولانی قطع نمی‌شود، و هزینه ترافیک در حجم‌های بالا به طور قابل توجهی کمتر است. حتماً اسرار پروکسی (نام کاربری، رمز عبور، میزبان) را در Secrets مخزن ذخیره کنید، نه در خود فایل workflow.

چرخش IP و ثبات جلسات طولانی

بزرگ‌ترین اشتباه هنگام کار با Codex از طریق پروکسی — استفاده از IP با چرخش خودکار در هر درخواست در چارچوب یک وظیفه چند مرحله‌ای است. API OpenAI از پاسخ‌های طولانی استریم و فراخوانی‌های متوالی در یک زمینه واحد پشتیبانی می‌کند — اگر بین این فراخوانی‌ها IP خروجی تغییر کند، سرویس ممکن است این را به عنوان فعالیت مشکوک در نظر بگیرد یا به سادگی اتصال استریم را قطع کند.

راه‌حل — جلسات چسبنده: پروکسی یک IP یکسان را برای اتصال شما در یک دوره معین (معمولاً از 1 تا 30 دقیقه، بسته به تنظیمات ارائه‌دهنده) حفظ می‌کند و پس از آن آن را به یک IP جدید تغییر می‌دهد. برای Codex CLI، بهتر است زمان جلسه را حداقل برابر با مدت زمان طولانی‌ترین وظیفه خود تنظیم کنید — اگر تولید یک PR بزرگ 5 دقیقه طول می‌کشد، جلسه باید حداقل 10-15 دقیقه با احتیاط باقی بماند.

# مثال ایجاد sticky-session از طریق پارامتر در نام کاربری پروکسی
# (سینتکس بسته به ارائه‌دهنده متفاوت است، گزینه معمولی در زیر)
export HTTPS_PROXY="http://user-session-abc123:password@proxy_host:port"

اگر وظایف به صورت موازی در CI اجرا می‌شوند (به عنوان مثال، بررسی همزمان 10 pull request)، هر کار موازی باید یک session ID جداگانه دریافت کند — اینگونه شما از وضعیتی که چندین فرایند به طور همزمان "یک IP را می‌کشند" و به محدودیت نرخ API زودتر از موعد می‌رسند، جلوگیری می‌کنید.

خطاهای رایج و نحوه اصلاح آن‌ها

بیایید مشکلات معمولی که توسعه‌دهندگان هنگام تنظیم پروکسی برای Codex CLI و API OpenAI با آن‌ها مواجه می‌شوند را بررسی کنیم.

خطا علت راه‌حل
403 unsupported_country_region_territory پروکسی فعال نشده و درخواست با IP واقعی ارسال شده است متغیرهای محیطی را از طریق curl -x بررسی کنید
استریم در میانه پاسخ قطع می‌شود IP در میانه جلسه تغییر کرده است (حالت sticky غیرفعال است) حالت sticky-session را فعال کنید، زمان زندگی IP را افزایش دهید
Timeout / connection refused پورت یا پروتکل نادرست است (http به جای socks5) پروتکل و پورت را در مستندات ارائه‌دهنده پروکسی بررسی کنید
محدودیت نرخ خیلی سریع اتفاق می‌افتد چندین فرایند به طور همزمان از یک IP استفاده می‌کنند برای هر فرایند موازی یک session ID جداگانه اختصاص دهید
حساب کاربری هشدار درباره فعالیت مشکوک دریافت کرده است IP دیتاسنتر به پایگاه داده سوءاستفاده وارد شده است به IP مقیم با اعتبار پاک منتقل شوید

چک‌لیست قبل از راه‌اندازی

قبل از اینکه به Codex CLI یک وظیفه واقعی از طریق پروکسی بسپارید، از یک لیست کوتاه عبور کنید:

  • دسترس‌پذیری api.openai.com را از طریق curl -x با پروکسی خود بررسی کردید
  • موقعیت جغرافیایی پروکسی با کشوری که در صورتحساب حساب OpenAI ذکر شده، مطابقت دارد
  • حالت sticky-session با زمان زندگی بیشتر از مدت زمان طولانی‌ترین وظیفه فعال است
  • برای CI/CD، اسرار پروکسی در Secrets قرار داده شده‌اند و در کد workflow ذخیره نشده‌اند
  • برای وظایف موازی از session IDهای مختلف استفاده می‌شود، نه یک IP مشترک
  • لاگ‌های CLI برای درخواست‌های مستقیم پنهان که از پروکسی عبور نکرده‌اند (به عنوان مثال، از وابستگی‌های خارجی) بررسی شده‌اند

نتیجه‌گیری

کار با OpenAI Codex CLI از کشوری بدون پشتیبانی رسمی نیاز به دور زدن یک‌باره مسدودسازی ندارد، بلکه به تنظیم سیستماتیک شبکه نیاز دارد: نوع صحیح پروکسی، جلسات چسبنده برای درخواست‌های طولانی و ادغام دقیق در متغیرهای محیطی یا کد کلاینت. برای توسعه محلی و وظایف نامنظم، IPهای مقیم با اعتبار پاک بهتر عمل می‌کنند، و برای پایپ‌لاین‌های CI/CD با بار زیاد — پروکسی‌های دیتاسنتر سریع و پایدار.

اگر قصد دارید Codex و سایر ابزارهای مبتنی بر API OpenAI را از منطقه‌ای بدون پشتیبانی رسمی اجرا کنید، توصیه می‌کنیم با پروکسی‌های مقیم برای کارکرد پایدار CLI شروع کنید، و برای وظایف خودکار مقیاس‌پذیر در ابر — با پروکسی‌های دیتاسنتر, که تأخیر کم و هزینه پیش‌بینی‌شده‌ای را در حجم‌های بالا از درخواست‌های API فراهم می‌کنند.