理解 Subagents 的分工模型
說明 Codex subagents 如何並行探索、實現或分析任務,以及什麼時候應該拆分給子 Agent。
📖 本篇術語速查表
| 英文 / 縮寫 | 中文 | 一句話解釋 |
|---|---|---|
| Subagent 工作流 | subagent flow | 多個子代理協作完成一個大任務的模式。 |
| 推理強度 | reasoning effort | 各 subagent 按任務難度配的思考深度。 |
| 觸發 | trigger | 主任務何時啟動 subagent 工作流。 |
不想讀完?把下面這段提示詞丟給 AI 幫你跑完——幫你為一個 subagent 工作流設計分工模型並給各角色配模型和推理強度。
你是 Codex Subagent 分工模型顧問,幫我為一個 subagent 工作流設計分工,並給各角色配合適的模型和推理強度。
【角色】
你理解為什麼 subagent 工作流有幫助、核心術語、怎麼觸發、各角色如何按難度選模型和推理強度。
【輸入】
- 我要用 subagent 工作流做的大任務:___
- 能拆成哪些角色(探索 / 實現 / 審查 / 文件等):___
- 各角色的任務難度:___
- 對成本和速度的要求:___
【工作流程】
1. 判斷這個任務用 subagent 工作流是否划算
2. 設計角色分工和觸發時機
3. 按難度給各角色配模型和推理強度
4. 定彙總和驗證方式
【輸出規範】
▌一、是否划算的判斷
▌二、角色分工 + 觸發時機
▌三、各角色的模型 + 推理強度
▌四、彙總與驗證方式
【硬約束】
- 協調成本高於收益時不拆
- 簡單角色用低推理強度,不浪費成本
- 各角色寫入範圍不衝突
- 彙總標準要明確
- 不確定的機制標註需查官方文件Codex 可以透過 spawning specialized agents in parallel 來執行 subagent workflows,讓它們併發 explore、tackle 或 analyze work。
這篇解釋核心概念和取捨。setup、agent configuration 和 examples 見 Subagents。
Subagents 只適合能獨立拆分、結果能彙總、寫入範圍能隔離的任務。不要為了“看起來並行”把主執行緒下一步馬上需要的阻塞工作交給子 agent。
為什麼 subagent 工作流有幫助
即便有 large context windows,模型仍然有邊界。
如果你把 main conversation,也就是定義 requirements、constraints 和 decisions 的地方,塞滿 noisy intermediate output,例如 exploration notes、test logs、stack traces、command output,session 會隨著時間變得不穩定。
這通常被描述為:
| 概念 | 含義 |
|---|---|
| Context pollution | 有用資訊被 noisy intermediate output 淹沒。 |
| Context rot | conversation 填滿低相關細節後,performance 下降。 |
背景說明可看 Chroma 關於 context rot 的文章。
Subagent workflows 的作用是把 noisy work 從 main thread 中移走:
- 讓 main agent 專注 requirements、decisions 和 final outputs。
- 讓 specialized subagents 並行處理 exploration、tests 或 log analysis。
- 讓 subagents 返回 summaries,而不是 raw intermediate output。
當工作可以獨立並行時,subagent workflows 也可以節省時間。它們還能把 larger-shaped tasks 拆成 bounded pieces,讓任務更容易處理。
例如,Codex 可以把 multi-million-token document 的分析拆成小問題,再把提煉後的 takeaways 返回給 main thread。
起步時,優先把 parallel agents 用在 read-heavy tasks,例如 exploration、tests、triage 和 summarization。
parallel write-heavy workflows 要更謹慎,因為多個 agents 同時編輯 code 可能造成 conflicts,並增加 coordination overhead。
核心術語
Codex 在 subagent workflows 中使用幾個相關術語:
| 術語 | 含義 |
|---|---|
| Subagent workflow | Codex 執行 parallel agents,並整合它們結果的 workflow。 |
| Subagent | Codex 啟動來處理具體 task 的 delegated agent。 |
| Agent thread | 某個 agent 的 CLI thread,可以透過 /agent inspect 和 switch。 |
觸發 subagent 工作流
Codex 不會自動 spawn subagents。只有當你明確要求 subagents 或 parallel agent work 時,它才應該使用 subagents。
實際觸發方式是直接寫清楚,例如:
- "spawn two agents"
- "delegate this work in parallel"
- "use one agent per point"
Subagent workflows 會比類似 single-agent runs 消耗更多 tokens,因為每個 subagent 都會做自己的 model 和 tool work。
好的 subagent prompt 應該說明:
- 如何 divide work。
- Codex 是否應該等待所有 agents 完成後再繼續。
- 需要返回什麼 summary 或 output。
示例:
請用 parallel subagents review 目前分支。分別啟動一個 subagent 檢查 security risks,一個檢查 test gaps,一個檢查 maintainability。等待三個 subagents 全部完成後,按類別彙總 findings,並附 file references。選擇模型和推理強度
不同 agents 需要不同 model 和 reasoning settings,但具體模型名稱、可用性和價格屬於高波動事實,不適合寫成長期推薦表。
更穩的選擇方法:
- 探索、記錄歸納、檔案定位這類 read-heavy sidecar task,可以優先選擇更快、更省的設定。
- 安全審查、複雜邏輯推理、跨模組設計和高風險變更,需要更強推理和更明確驗證。
- 寫程式碼的 subagent 必須有清晰 ownership,避免多個 agent 寫同一批檔案。
- 需要 pin model 或 reasoning effort 時,把原因寫進 agent file 或 prompt,不要只寫“用最強模型”。
- 具體模型名稱、reasoning effort 支援情況和 pricing 回官方 Models / Config 頁面核驗。
更高 reasoning effort 會增加 response time 和 token usage,但可能提升複雜任務質量。團隊工作流裡要把質量、延遲、成本和衝突風險一起評估。
更多細節見:
- Models:https://developers.openai.com/codex/models
- Config basics:https://developers.openai.com/codex/config-basic
- Configuration Reference:https://developers.openai.com/codex/config-reference