一句话看懂：OpenAI Codex 重度用户正在流行一种“Sol 当包工头、Luna Max 当工人”的分工用法——让最贵的 Sol 只做规划和审核，把写代码、改 bug、跑测试等体力活委托给更便宜的 Luna Max，同一份订阅额度下产出量可大幅提升。
事件核心：发生了什么
X 用户“阿易 AI Notes”（@AYi_AInotes）在 2026 年 8 月 2 日发布了一条进阶版 Codex 省钱技巧：在 ~/.codex/agents/ 下创建 luna-worker.toml 配置文件，将模型设为 gpt-5.6-luna、reasoning effort 设为 max，并写好描述和指令，让 Claude Opus 4 的替代方案——准确说是让 Sol 自己完成这个配置，之后由 Sol 自动把具体实现、重构、测试等子任务 delegate 给 Luna Max 执行线程。
该作者此前已发布过“Luna Max”的基础用法：GPT-5.6 三档模型中，Sol 最强最贵、Terra 居中、Luna 最便宜最快，但 Luna 配上 Max reasoning effort 后效果接近 Sol。这次进阶版的核心变化是让 Sol 做主控，Luna Max 做执行，并提供了两种实现路径：一是标准化的 agent 配置文件，二是更轻量的“直接让 Sol spawn 独立的 Luna Max 对话线程”模式。
为什么重要
这一用法反映了当前 AI 编程工具的一个现实问题：最强模型额度消耗快，但并非所有任务都需要最强模型。Sol 在架构决策、代码评审等复杂环节有优势，而 Luna Max 在处理有明确边界的批量任务时，效果与 Sol Medium 相差不大。据文中所引 DeepSWE 榜单数据，gpt-5.6-luna max 的分数与 Sol Medium 咬得很近，但单位成本差了一个数量级。
这种“分工协作”思路实质上是把模型能力梯度化使用，用订阅额度做杠杆，让一个 Sol 的预算同时驱动多个 Luna 实例并行工作。它不依赖 OpenAI 官方定价调整，纯粹是用户侧通过配置和 prompt 工程实现的效率优化。对于企业开发者而言，这意味着同样的 API 或订阅预算，能覆盖更多开发任务；也意味着模型分层使用可能成为 AI 编程工具的主流工作方式。
对用户/开发者/创作者的影响
对普通 Codex 用户来说，这个技巧能直接延长订阅额度的使用时长。实际操作上，用户只需在本地配置文件中添加一个 worker 角色，并在对话中明确委托边界即可。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对团队管理者而言，这套模式提供了一种值得参考的成本控制样板：不是每个任务都要跑最高规格模型，按任务复杂度分配模型档位，可以显著降低推理成本。不过需要注意，目前公开信息显示该方法主要依赖用户手动配置和 prompt 指令，稳定性和适配性尚未经大规模验证，配置错误可能导致任务结果不如预期。
对 AI 开发工具厂商而言，这个案例说明用户对“模型分层编排”有真实需求，未来可能有更多官方化、自动化的调度功能出现。
值得关注的后续
一是 OpenAI 是否会注意到此类用法，并在 Codex 界面中提供官方的“任务分层”或“子代理配置”功能，把这一技巧产品化。
二是 DeepSWE 等基准榜单是否会更新 Luna Max 在真实工程场景下的表现数据，验证其与 Sol 的实际差距到底有多大。
三是竞品 AI 编程工具（如 Claude Code、Cursor 等）是否会跟进类似的“主控 + 执行”模型分工模式，推动更强的多智能体协作能力成为标配。
