Codex省钱配置教程：主模型与子Agent分工调优，大幅降低AI编程成本
用 Codex 写代码，最明显的感受就是：好用，但确实烧钱。很多人以为，Codex 一次任务只调用一个模型。实际上，在一次完整的思维链中，主对话、代码 Review、子 Agent 和上下文压缩各自承担着不同的工作职能。
但很多伙伴不知道的是，这些步骤中调用的模型其实是可以灵活替换的。
一次配置完成后，后续每个任务都不需要再手动逐一安排。Codex 会按照这套默认分工自动运行，在后台一点一点将成本降下来。
这篇文章就带你完成这套优化配置。
一、先看懂 Codex 背后的模型调用链
在传统理解里，我们给 Codex 一个需求，它调用模型，写完代码，任务就结束了。
实际使用过程中，可以把这条工作链拆解为几个不同环节：
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其实并不相同。
主模型好比整个任务的指挥官，负责理解目标、拆解任务、选择实现方案，并判断下一步该做什么。这个环节如果判断失准，后续执行很容易跟着跑偏，因此主模型不能省得太狠。
子 Agent 主要负责具体执行工作，比如修改文件、补写代码、运行测试。任务通常已经被拆解得比较清晰，不一定需要与主模型同等级别的推理能力。
Review 的工作边界同样明确：检查代码、发现隐患、给出优化建议。在大多数场景下，可以放心使用低一档的模型来完成。
所以这套配置的核心思路不是简单地换一个低价模型，而是：
强模型负责想清楚，便宜模型负责把事情做利落。目前我们主要关注四个环节，其中前三个都可以通过配置实现智能分工。
Compact 是个例外。它负责在上下文过长时进行压缩处理，目前尚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。了解这个限制就好，不影响我们将调用量更大的执行和审查环节降下来。
二、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.tomlWindows：
C:\Users\<用户名>\.codex\config.toml添加以下配置：
model = "gpt-5.6-sol" model_reasoning_effort = "high" review_model = "gpt-5.6-luna"主模型负责整体规划，因此使用能力更强的 Sol；Review 的任务边界清晰明确，交给 Luna 就足够了。
第二步：配置子 Agent
在下面的目录中新建 worker.toml：
~/.codex/agents/worker.toml写入以下内容：
model = "gpt-5.6-luna" model_reasoning_effort = "medium"子 Agent 负责写代码、改文件和运行测试，调用量通常较大。切换到 Luna 后，这一块的成本优化效果最为明显。
子 Agent 会继承当前会话的 Provider，所以这里填写的模型必须与主模型属于同一家 Provider 所支持的模型体系。
配置完成后就可以正常使用了。
之后仍然像平时一样使用 Codex，无需每次重复指定谁负责规划、谁负责执行——这套分工逻辑会在后台自动生效。
国产模型也能这样配
如果不想使用 OpenAI 官方模型，也可以接入支持 Responses API 的第三方 Provider。
以火山方舟 Agent Plan 为例：
model = "<套餐内的强模型>" review_model = "<套餐内的轻量模型>" 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 = "<套餐内的轻量模型>" model_reasoning_effort = "medium"分工逻辑保持一致：强模型负责规划，更经济的模型负责执行和审查。
需要特别注意的是，Agent Plan 使用的是专属 API Key，并非普通火山方舟的 API Key。这部分基于当前接入文档整理，具体的模型名称请以套餐内实际可用的模型列表为准。
