@ErdalToprak: https://x.com/ErdalToprak/status/2057871169702027462
摘要
一份关于为Codex设置自定义子代理的详细指南,使用一个由六个通用代理组成的网格,具有不同的工作量和权限级别,外加一个任务卡片模式,用于高效的任务委派。
查看缓存全文
缓存时间: 2026/05/23 04:02
如何为 Codex 设置自定义子代理
这个想法源于一个简单的 Codex 配置思路:如果 Codex 能够将任务委派给子代理,那么有用的问题就不仅仅是“Codex 应该做什么?”,而是“Codex 应该委派什么?”
目标是建立一个可复用的本地并行工作设置,避免在主聊天上下文中塞满每一次调查、编辑和审查。
核心思路
主 Codex 聊天应扮演协调者的角色:
- 理解用户请求
- 决定哪些可以委派
- 确保关键路径持续推进
- 整合结果
- 做出最终决策
子代理应处理有边界的辅助任务:
- 快速代码库侦察
- 更深入的只读分析
- 小补丁
- 复杂实现工作
然后,技能(Skills)教会主聊天如何用简洁的指令派遣这些代理。
通用代理
我最终配置了六个通用代理。它们按两个维度组织:
- 努力级别
- 权限级别
努力级别:
spark = 最快,不那么详尽,适合侦察和小型编辑 high = 谨慎的默认推理,适用于常规重要工作 max = 用于最困难或风险最高任务的高强度推理
权限级别:
reader = 只读 writer = 工作区可写
由此产生以下网格:
spark-reader -> 快速只读侦察 spark-writer -> 快速小修改
high-reader -> 谨慎的只读分析 high-writer -> 常规复杂实现
max-reader -> 最大努力的只读分析 max-writer -> 最大努力的高风险实现
Spark 代理使用 gpt-5.3-codex-spark,推理努力为 medium。
High 代理使用 gpt-5.5,推理努力为 high。
Max 代理使用 gpt-5.5,推理努力为 xhigh。
以下是 max-writer 的配置示例:
name = "max-writer"
description = "最大努力的可写代理,用于最困难的变更,此时 xhigh 推理、验证和精度最为重要。"
model = "gpt-5.5"
model_reasoning_effort = "xhigh"
service_tier = "fast"
sandbox_mode = "workspace-write"
developer_instructions = """
以最大推理努力,进行谨慎、范围明确的编辑。
将这种额外努力用于困难的调试、微妙的正确性工作、架构敏感的变更、迁移和高风险修复。
在修改之前,理解相关的代码路径,保留现有模式,彻底验证,并清晰报告权衡和剩余风险。
如果任务需要更改面向用户的契约、广泛不相关的区域或模糊的产品决策,请停止并报告。
"""
全局配置
共享配置设置了代理限制并启用多代理工作:
[agents]
max_threads = 24
max_depth = 1
job_max_runtime_seconds = 3600
[features]
fast_mode = true
multi_agent = true
我特意保留了 max_depth = 1。递归委派虽然强大,但可能变得昂贵且难以推理。对于这个设置,直接子代理解就够了。
任务卡片模式
最重要的部分是任务卡片。
主聊天不是将整个对话发送给每个子代理,而是发送一个紧凑的任务:
Mission:
Scope:
Known context:
Do not touch:
Output needed:
Stop condition:
Writer 代理会得到一个稍微具体一些的版本:
Mission:
Owned write scope:
Allowed read scope:
Do not touch:
Behavioral requirements:
Validation expected:
Output needed:
Stop condition:
这保持了主线程的干净,并有助于保留上下文。子代理获得了足够的信息来行动,但无需了解整个历史。
你可以将其转化为一组针对 reader 和 writer 代理的技能,以避免每次都手动编写。
为什么这有帮助
这种设置使得 Codex 更易于引导:
- 使用 spark-reader 快速定位可能的文件
- 使用 high-reader 分析可疑路径
- 使用 max-reader 在错误答案代价高昂时使用
- 使用 spark-writer 进行小型编辑
- 使用 high-writer 进行常规实现
- 使用 max-writer 进行困难、风险的变更
主聊天仍然负责编排和最终判断。子代理是专注的执行者,而不是协调功能的替代。
要点
有用的模式是:
main chat = 协调者
agents = 执行者
skills = 调度规则
良好的多代理工作主要关乎边界:
- 明确的范围
- 明确的权限
- 明确的输出格式
- 明确的停止条件
- 谨慎的整合
一旦这些就位,~/.codex 就不仅仅是一个配置文件夹。它成为了并行编码工作的一个小型控制面板。
参考资料
- Codex subagents
- Codex speed
- Codex config reference
- Codex skills
- Agent Skills specification
相似文章
@0xMortyx: https://x.com/0xMortyx/status/2069002136873058485
一份关于使用 Claude Code 的 Dynamic Workflows 模式从单个主代理编排多个并行子代理的详细指南,包含覆盖任务分解、隔离和审查的 9 个步骤。
@Av1dlive: 如果你还没在 Codex 中配置 Agents.md,可以直接复制 Andrej Karpathy 的作业。以下是精确设置…
一个快速技巧,展示如何将 Andrej Karpathy 的 65 行 Agents.md 配置复制到 Codex Global Custom Instructions 中,实现高效极简设置。
@Saccc_c: 还没在Codex里配置好Agents.md的可以直接来抄大神Karpathy的作业了 65行的极简配置,内容精辟有效,完全可以作为你的Agents.md全局规则起点 具体怎么做: 直接把仓库里的这套规范复制到Codex App的全局自定义…
分享Andrej Karpathy的65行极简Agents.md配置,可直接复制到Codex App的全局自定义指令中作为起点,用于改善AI编码代理的行为。
@0xCodez: https://x.com/0xCodez/status/2058513716509913581
关于使用 Claude Managed Agents 构建多智能体团队的全面指南,涵盖角色设计、模型混合和并行执行,以将团队从1个扩展到20个智能体。
@daniel_mac8: Codex Pro 小贴士:将 Codex 变成研究工程师。拿任何新的智能体论文:1. 提问:“这个在 Codex 中怎么实现…
为 Codex 用户提供的一个小贴士,介绍如何使用目标模式和本地配置将智能体研究论文直接实现到 Codex 环境中,并以 SkillOpt 为例,它将 GPT-5.5 智能体提升了 +24.8 分。