一句话看懂：开发者社区近期流行一种 Codex 子 Agent 分工方案：让昂贵的 GPT-5.6（代号 Sol）只做规划和决策，把代码探索、测试等执行类任务交给便宜的 GPT-5.6-luna（代号 Luna）并行处理。实测数据显示，该方案在 DeepSWE 软件工程评测中可将单任务成本压缩至 $0.61，同时解决长对话导致的模型性能衰减问题。
事件核心：发生了什么
据掘金社区开发者分享，在 DeepSWE 软件工程能力评测中，基于 Codex 子 Agent 分工策略配置的 gpt-5.6-luna 模型，以 $0.61 的单任务成本登顶效率榜单，而 Claude Opus 5、GPT-5.6 等更昂贵模型在相同任务上花费数倍成本，得分反而更低。该方案的核心逻辑是将任务拆分为“军师”与“搬砖工”两个角色：主 Agent（gpt-5.6）在主线程负责需求拆解、方案设计与结果整合；子 Agent（gpt-5.6-luna）在独立上下文中并行执行代码探索、测试运行、Bug 修复等高 Token 消耗、低决策难度的任务。
这一分工主要针对两个痛点：一是贵模型执行大量脏活导致额度消耗过快；二是 OpenAI 官方提出的 Context Rot（上下文腐烂）现象——当对话被中间输出和无关细节塞满后，模型有效注意力下降，出现重复犯错和幻觉。子 Agent 的独立上下文机制能在物理层面切断长对话污染，防止主模型降智。
为什么重要
这一方案揭示了大模型应用成本结构的关键转变：成本大头不在“思考”，而在 Token 量。将探索、测试这类高 Token 低判断的任务路由给便宜模型，将贵模型保留在小 Token 高判断的规划环节，本质上是把“按模型能力定价”优化为“按任务复杂度路由”。这种做法不依赖模型降价，而是通过工程手段在同一 API 体系内挖出 10 倍以上的成本杠杆，对依赖大模型 API 的开发者、创业团队和自动化流水线均有直接参考价值。
同时，子 Agent 的多角色划分（代码探索、审查、文档核实）也展示了 LLM 应用从“单线程对话”向“多 Agent 协作”演进的可行性，而这种协作并不需要复杂编排框架，一个 TOML 配置文件即可实现。
对用户/开发者/创作者的影响
对 Codex 用户：最直接的价值是额度利用率提升。实测显示，在 ChatGPT Plus 套餐限制下，该方案能跑出接近 Pro 套餐的效果，配置无需编写代码，仅需在 Settings 中开启 Max 推理强度，并通过提示词让 Codex 自动生成 ~/.codex/agents/luna-worker.toml 配置文件，涉及 name、description、model、model_reasoning_effort 等字段。日常使用可参考速查表：探索/测试/总结类子代理选 gpt-5.6-luna + medium，修复类选 max，审查类用 gpt-5.6-terra + high，主 Agent 最终决策保持 gpt-5.6 + max。
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。
需要留意的是，子代理并非省钱银弹：它因独立上下文和工具调用会消耗更多总 Token；且适合“读多写少”的任务，多个 Agent 同时改代码容易引发冲突；沙箱权限必须控制，只读型子代理应设置 sandbox_mode = “read-only”。对内容创作者和自动化运营者而言，同样的“强模型规划 + 轻模型执行”路由逻辑可迁移至选题、填表、格式转换等工作流，将长任务拆成短上下文，可有效对抗 Context Rot 带来的质量下滑。
值得关注的后续
一是该方案是否会被 OpenAI 官方吸收为默认能力。目前子代理配置依赖于用户手动创建 TOML 文件，尚不清楚官方是否会提供更完整的 GUI 管理界面或预设模板。二是 GPT-5.6-luna 的定价与访问权限是否会进一步放开。若该模型在推理能力和价格上保持当前优势，可能推动更多团队按“主从模型”模式重构现有流水线。三是该模式在更复杂任务（如跨模块重构、多文件协同修改）中的稳定性尚未充分验证，后续社区是否有更多冲突处理与合并策略的实践经验，值得追踪。
来源：juejin
