重磅！Codex省钱教程来了

理解 Codex 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。

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。

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