GPT-5.3 Codex is OpenAI’s agentic coding-model, gebouwd voor autonoom, langlopend werk. Het is sneller en token-efficiënter dan de GPT-5-serie en kan urenlang zelfstandig aan moeilijke taken werken. De kern voor wie ermee prompt: zet de autonomie aan, vraag om een eindresultaat (werkende code, geen plan), en haal traditionele “vertel-me-eerst-je-plan”-instructies juist weg, omdat die het model midden in een rollout kunnen laten stoppen.

Reasoning effort: kies bewust

Het reasoning effort bepaalt hoeveel het model “nadenkt” voordat het handelt. De documentatie geeft een duidelijke vuistregel:

• medium — de aanbevolen all-rounder voor interactief coderen; balanceert intelligentie en snelheid.
• high of xhigh — voor je moeilijkste taken die maximale intelligentie en lange autonomie vragen.

Omdat het model minder thinking-tokens verbruikt dan eerdere modellen, is medium meestal snel genoeg zonder kwaliteitsverlies.

Autonomie en outcome-first

Codex is ontworpen als een “autonomous senior engineer”: geef richting en het verzamelt zelf context, plant, implementeert, test en verfijnt zonder bij elke stap te wachten. Prompt hierop:

• Vraag expliciet om een werkend eindresultaat, niet om een plan. Bij ontbrekende details: maak redelijke aannames en lever een werkende versie.
• Stuur op “bias to action”: eindig pas met een vraag als het model echt geblokkeerd is.
• Voorkom dat het blijft hangen: laat het stoppen met een korte samenvatting als het zonder voortgang dezelfde files blijft herlezen of herbewerken.

Geen upfront plannen of preambles (de valkuil)

Dit is het meest model-specifieke punt. Verwijder uit je prompt alle instructies om vooraf een plan, preambles of status-updates te communiceren — die kunnen het model abrupt laten stoppen vóór de taak af is. Nieuw in GPT-5.3 Codex is wel dat tussentijdse updates communicatiever en stuurbaar zijn via de Responses API. Daarvoor is het phase-veld (null, commentary of final_answer) op assistant-items vereist: bewaar het en stuur het terug in vervolg-requests, anders treedt aanzienlijke prestatieverlies op.

Tools en exploratie

De grootste prestatie-hefboom zit in je tools. De documentatie raadt de exacte apply_patch-implementatie aan (het model is op dit diff-formaat getraind), plus de shell- en update_plan-tools. Verder:

• Geef de voorkeur aan dedicated tools boven ruwe terminal-commando’s; geef tools semantisch correcte namen (bijvoorbeeld semantic_search in plaats van een vage search).
• Maximaliseer parallelliteit: laat het model alle benodigde files in één batch lezen via multi_tool_use.parallel, niet één voor één.
• Codex presteert ook beduidend beter in PowerShell- en Windows-omgevingen.

Compaction voor lange sessies

Voor multi-uur-taken en lange gesprekken biedt Codex first-class compaction via de Responses API: roep /compact aan wanneer je context groot wordt, en stuur de gecomprimeerde lijst conversatie-items mee. Zo behoud je kernstatus met minder tokens zonder tegen de contextlimiet aan te lopen.

De KOMPAS-methode sluit hier direct op aan: door eerst je Kontekst en gewenste Outcome scherp te krijgen — werkende code, niet een plan — geef je Codex precies de richting die zijn autonomie nodig heeft, en voorkom je dat je per ongeluk om preambles vraagt. Wil je je prompt stap voor stap aanscherpen? Gebruik de gratis prompt-coach tool om je instructies te toetsen, of duik dieper in de techniek via onze coaching. Gebaseerd op de officiële documentatie van OpenAI.