Codex 子代理模型分层与 Token 优化

是什么 这是一条关于 Codex 多代理工作流成本控制的经验分享，核心主张是在 AGENTS.md 中写明模型分工：把 Sol 级高推理留给规划、评审和编排；用 Medium/High 承担常规编码；用 Terra 处理代码阅读、搜索和索引；用 Luna 处理聊天或文件整理等轻量操作。其论证链条是“不同任务需要的推理强度不同”→“统一使用最强模型会浪费 Token”→“显式路由可降低用量压力”。

核心方法 它把模型选择当作代理调度策略，而不是单纯的提示词润色。若配置确实能被运行时采纳，便可按任务复杂度分配预算，并通过并行子代理提高执行吞吐。

关键洞察 真正值得借鉴的是能力、成本和任务风险的分层思路，而非“节省约 60%”这一未经独立验证的数字。应结合 Token 统计、任务成功率、返工次数和延迟做对照实验。

边界与风险 模型名称、配额规则和调度接口可能随版本或账户变化。文中评论指出，某些默认 multiagent_v2 配置可能隐藏 model 与 reasoning_effort 参数，使子代理继承父级配置，导致 AGENTS.md 中的路由建议不一定生效。关键架构修改、复杂调试和安全审查不宜仅为省 Token 而降级模型。配图只是个性化设置与自定义指令界面，能证明存在配置入口，但不能证明模型路由已经被实际执行。