Codex 如何节省 Token:用 GPT-5.6 Sol 管理、Luna 执行是否可行?
可以,但不能简单理解成“所有写代码任务都交给 Luna Max”。
更准确的做法是把 Codex 工作流拆成两个角色:
- GPT-5.6 Sol 负责决策:分析需求、拆解任务、确定架构、处理复杂问题和最终审查。
- GPT-5.6 Luna 负责执行:修改指定文件、补充测试、修复明确 Bug、批量重构和运行检查。
这种方式类似让 Sol 当项目负责人,让 Luna 处理边界清晰的开发任务。

为什么这样可以降低 Codex 消耗?
Codex 目前按照输入 Token、缓存输入 Token 和输出 Token 计算 credits。
按照 OpenAI 当前公布的费率:
| 模型 | 输入 Token | 输出 Token |
|---|---|---|
| GPT-5.6 Sol | 125 credits / 100 万 | 750 credits / 100 万 |
| GPT-5.6 Terra | 50 credits / 100 万 | 300 credits / 100 万 |
| GPT-5.6 Luna | 5 credits / 100 万 | 30 credits / 100 万 |
相同 Token 数量下,Luna 的 credits 消耗大约只有 Sol 的 1/25。
因此,把大量代码读取、修改和测试工作交给 Luna,通常能够显著降低总体消耗。
但实际节省比例不会固定为 96%,因为还要计算:
- Sol 拆解和审查任务产生的 Token;
- 父 Agent 向子 Agent 传递上下文的 Token;
- 子 Agent 返回结果的 Token;
- Luna 执行失败后的重试成本;
- 多个 Agent 重复读取代码产生的开销。
哪些任务适合交给 Luna?
GPT-5.6 Luna 更适合目标清楚、结果容易验证的任务,例如:
- 修改指定文件中的明确问题;
- 根据已有接口补充实现;
- 编写或补充单元测试;
- 修复已经定位的 Bug;
- 批量替换 API 或函数名称;
- 处理 ESLint、TypeScript 和格式错误;
- 运行测试并汇总失败信息;
- 修改文档和代码注释。
以下任务更适合保留给 Sol:
- 从模糊需求中设计完整功能;
- 决定系统架构或数据模型;
- 跨多个模块排查复杂问题;
- 处理安全、并发和性能问题;
- 审查大范围重构;
- 判断多个技术方案之间的取舍。
创建 Luna Worker
个人通用 Agent 可以放在:
|
|
仅对当前项目生效时,建议放在项目目录:
|
|
推荐配置:
|
|
这里建议默认使用 high,而不是直接设置成 max。
简单修改使用 medium 或 high 通常更节省;只有复杂逻辑、难以复现的 Bug 或大量边界条件检查,才值得使用 max。
可直接交给 Codex 的配置提示词
|
|
如何调用这个 Agent?
配置完成后,可以在 Codex 中明确要求分工:
|
|
针对具体任务,可以这样写:
|
|
使用时需要注意
1. 不要把所有任务都开到 Max
更高的推理强度会消耗更多 Token。推荐按任务分级:
- 简单替换、格式修复:
medium - 常规代码修改、补测试:
high - 复杂逻辑和难复现问题:
max
2. 不要让多个 Agent 重复读取整个项目
多 Agent 不一定天然省 Token。
如果 Sol 和 Luna 都重新扫描整个仓库,可能出现上下文重复、工具调用增加和 Token 反而上升的问题。
应由 Sol 提供明确范围:
|
|
而不是:
|
|
3. 必须设置验收条件
委托任务时至少说明:
- 修改目标;
- 允许修改的文件;
- 不允许修改的范围;
- 需要运行的测试;
- 什么结果算完成。
任务越明确,Luna 的成功率越高,也越不容易因为反复重试浪费 Token。
最终结论
“Sol 负责规划和审查,Luna 负责执行”的 Codex 工作流是可行的,也有官方自定义 Subagent 配置支持。
它真正节省的不是 Token 数量本身,而是把大量执行阶段的 Token 从高费率模型转移到低费率模型。
不过,不建议固定使用 Luna Max。更实用的配置是:
|
|
这样比“Sol + Luna Max 处理所有执行任务”更稳定,也更容易控制实际 credits 消耗。