古法编程

OpenAI Codex 的 subagent workflows 适合把探索、测试、日志分析这类读多写少的任务拆到并行 agent，减少主线程里的 context pollution 和 context rot。使用时需要手动触发，并在提示词里说明如何分工、是否等待全部 subagents 完成，以及最后返回什么摘要；模型可在 gpt-5.5、gpt-5.4、gpt-5.4-mini 之间选择，model_reasoning_effort 可设为 high、medium 或 low。

OpenAI Codex 子代理怎么用

OpenAI Codex 可以通过并行启动专门的 subagents 来同时探索、分析或处理任务。
这类工作流最适合解决“主线程被大量中间输出淹没”“并行分析更快”“大任务需要拆小”的场景。

为什么 subagent workflows 有帮助

即使模型有很大的 context window，能力也不是无限的。
如果把探索笔记、测试日志、stack trace、命令输出这些噪声都塞进主对话里，主线程里真正重要的需求、约束和决策就会越来越难保持清晰，后续表现也可能变差。

这种问题通常会被描述为：

  • context pollution：有用信息被噪声中间输出埋住。
  • context rot：随着对话里无关细节越来越多，性能逐渐下降。

背景可参考 Chroma 的说明：context rot。

subagent workflows 的做法是把噪声工作移出主线程：

  • 保持 main agent 只关注需求、决策和最终输出。
  • 让专门的 subagents 并行做探索、测试或日志分析。
  • 由 subagents 返回 summary，而不是原始中间输出。

它们还能在任务彼此独立时节省时间，也能把更大的任务拆成有边界的小块。比如，Codex 可以把一个多百万 token 文档的分析拆成更小的问题，再把提炼后的结论返回给主线程。

先从读多写少的任务开始用并行 agent，比如探索、测试、triage 和 summarization。
对并行写任务要更谨慎，因为多个 agent 同时改代码容易产生冲突，也会增加协调成本。

核心术语

Codex 在 subagent workflows 里使用下面几个相关术语：

  • Subagent workflow：Codex 并行运行多个 agent，并合并它们结果的工作流。
  • Subagent：Codex 启动的委派 agent，用来处理一个特定任务。
  • Agent thread：某个 agent 的 CLI 线程，可以用 /agent 查看和切换。

什么时候会触发 subagent workflows

Codex 不会自动创建 subagents，只有在你明确要求 subagents 或并行 agent 工作时才会使用它们。

实际操作里，手动触发通常意味着直接下达类似下面的指令：

  • “spawn two agents”
  • “delegate this work in parallel”
  • “use one agent per point”

subagent workflows 的 token 消耗会比单个 agent 运行更高，因为每个 subagent 都会各自进行模型推理和工具调用。

一个好的 subagent 提示词应该说明：

  • 如何拆分工作
  • Codex 是否要等所有 agent 都完成后再继续
  • 最后要返回什么 summary 或输出
Review this branch with parallel subagents. Spawn one subagent for security risks, one for test gaps, and one for maintainability. Wait for all three, then summarize the findings by category with file references.

怎么选择模型和推理强度

不同 agent 适合不同的模型和 reasoning 设置。

如果你没有固定 model 或 model_reasoning_effort，Codex 可以自动选择一种在智能、速度和价格之间平衡的配置。它可能会在快速扫描时偏向 gpt-5.4-mini，在需要更强推理时偏向更高强度的 gpt-5.5 配置。
如果你想更细地控制，可以在提示词里引导，或者直接在 agent 文件里设置 model 和 model_reasoning_effort。

对 Codex 来说，大多数任务可以先从 gpt-5.5 开始。
当你需要更快、成本更低的轻量 subagent 工作时，使用 gpt-5.4-mini。如果你有 ChatGPT Pro，并且想要接近即时的纯文本迭代，gpt-5.3-codex-spark 仍然可以在 research preview 中使用。

模型选择

  • gpt-5.5：适合最先尝试的高要求 agent。它最擅长含糊、多步骤、需要规划、工具调用、验证和持续推进的大上下文任务。
  • gpt-5.4：当工作流被固定在 GPT-5.4 时使用。它结合了较强的编程、推理、工具使用能力，也适合更广泛的工作流。
  • gpt-5.4-mini：适合更看重速度和效率、而不是深度的 agent，例如探索、读多写少的扫描、大文件审查、处理辅助文档。它也很适合并行 worker，把提炼结果返回给主 agent。
  • gpt-5.3-codex-spark：如果你有 ChatGPT Pro，可在更看重延迟、且主要是文本迭代时使用这个 research preview 模型。

推理强度（model_reasoning_effort）

  • high：适合需要梳理复杂逻辑、检查假设或处理边界情况的 agent，例如 reviewer 或安全审查类 agent。
  • medium：大多数 agent 的平衡默认值。
  • low：适合任务简单、速度最重要的场景。

更高的推理强度会增加响应时间和 token 使用量，但在复杂任务上可能提升质量。
更多细节可查看 Models、Config basics 和 Configuration Reference。

常见问题

OpenAI Codex 会自动创建 subagents 吗

不会。Codex 只有在你明确要求使用 subagents 或并行 agent 工作时，才会启动 subagents。

subagent workflow 适合做哪些任务

更适合探索、测试、triage、summarization 这类读多写少的工作。
如果是并行写代码，要特别注意冲突和协调成本。

gpt-5.5 和 gpt-5.4-mini 怎么选

gpt-5.5 适合复杂、多步骤、需要规划和验证的任务。
gpt-5.4-mini 适合更快、更省 token 的轻量任务，比如扫描、审查大文件和返回提炼结果。