用 Codex 写代码，最明显的感受就是：好用，但烧钱。
很多人以为，Codex 一次任务只调用一个模型。其实在一个思维链里，主对话、代码 Review、子 Agent 和上下文压缩承担的是不同工作。
很多伙伴不知道，这些步骤里面的模型可以改的！
配置一次，以后不需要每个任务都手动安排。Codex 会按照这套默认分工运行，在后台一点点把成本降下来。
这篇文章就带你把它配好。
一、先看懂 Codex 背后的模型调用链在传统理解里，我们给 Codex 一个需求，它调用模型，写完代码，任务结束。
实际使用时，可以把这条工作链理解成几个不同环节：
你提出任务 ↓主模型：理解需求、规划任务、协调执行 ↓子 Agent：写代码、改文件、跑测试 ↓Review 模型：检查代码、发现问题 ↓Compact：上下文过长时进行压缩
这些工作对模型能力的要求并不相同。
主模型更像整个任务的大脑。它要理解目标、拆分任务、选择实现方案，还要判断下一步该做什么。这里一旦判断错了，后面的执行很容易跟着跑偏，所以主模型不能省得太狠。
子 Agent 主要负责具体执行，例如修改某个文件、补一段代码、运行测试。任务通常已经拆得比较清楚，不一定需要和主模型相同的推理能力。
Review 的工作边界也比较明确：检查代码、寻找问题、给出修改建议。大多数情况下，可以使用便宜一档的模型。
所以，这套配置的重点不是单纯换一个低价模型：
好模型负责想清楚，便宜模型负责把事情做完。
目前我们主要关心四个环节，其中前三个可以通过配置进行分工。
Compact 是一个例外。它负责在上下文过长时压缩内容，目前不能单独给它指定模型，因此这部分消耗仍然会跟随主模型。知道这个限制就好，不影响我们先把调用量更大的执行和审查环节降下来。
二、Codex 省钱保姆教程
第一步：配置主模型和 Review
打开 Codex 配置文件。
macOS 和 Linux：
~/.codex/config.toml
Windows：
C:\Users\用户名>\.codex\config.toml
加入：
model = "gpt-5.6-sol"model_reasoning_effort = "high"review_model = "gpt-5.6-luna"
主模型负责规划，所以使用 Sol；Review 的任务比较明确，交给 Luna 即可。
第二步：配置子 Agent
在下面的目录中新建 worker.toml：
~/.codex/agents/worker.toml
写入：
model = "gpt-5.6-luna"model_reasoning_effort = "medium"
子 Agent 负责写代码、改文件和跑测试，调用量通常比较大。换成 Luna 后，这部分成本更容易降下来。
子 Agent 会继承当前会话的 Provider，所以这里填写的模型必须是同一家 Provider 支持的模型。
配完就结束了。
以后仍然像平时一样使用 Codex，不用每次重新指定谁规划、谁执行。
国产模型也能这样配
如果不使用 OpenAI 官方模型，也可以接入支持 Responses API 的第三方 Provider。
例如火山方舟 Agent Plan：
model = "review_model = "model_provider = "volcengine-agent-plan"model_supports_reasoning_summaries = true[model_providers.volcengine-agent-plan]name = "volcengine-agent-plan"base_url = "https://ark.cn-beijing.volces.com/api/plan/v3"env_key = "ARK_API_KEY"wire_api = "responses"
然后在 worker.toml 中填入套餐内的轻量模型：
model = ""model_reasoning_effort = "medium"
分工逻辑不变：强模型规划，便宜模型执行和审查。
需要注意，Agent Plan 使用的是专属 API Key，不是普通的火山方舟 API Key。这部分目前基于接入文档整理，具体模型名称以套餐内实际可用列表为准
