Trellis子代理模型分配与推理强度探讨

背景

在软件开发过程中，AI 辅助编码工具（如 Codex、Trellis 等）已成为提升效率的重要手段。然而，实际使用中常遇到模型响应质量不稳定、推理消耗时间过长等问题。近期，一位 LINUX DO 社区的开发者在使用 Codex 应用开发时遭遇了极其低效的体验——连续十几个小时仅完成一个模块的开发进度。在此困境下，他开始探索通过配置子代理模型路由来优化开发流程的方案，并基于 Trellis 工具进行实践分享。Trellis 被认为比 Superpowers 在开发体验上有更显著的优势。

核心内容

该分享者参考了社区某位大佬的配置策略，为 Trellis 在 Codex 应用中设置了四个子代理角色，每个角色分配了不同的模型与推理强度，具体配置如下表：

| 角色 | 模型 | 推理强度 | |------|------|----------| | Trellis-主会话 | gpt-5.6-sol | xhigh | | Trellis-research | gpt-5.6-terra | low | | Trellis-implement | gpt-5.6-sol | high | | Trellis-check | gpt-5.6-sol | high |

• 主会话：使用 gpt-5.6-sol 模型，推理强度设为 xhigh（最高级别），承担整个开发过程中的主导对话与全局决策任务。
• 调研子代理：使用 gpt-5.6-terra 模型，推理强度设为 low，负责技术调研、知识检索、方案评估等前期工作。分享者注意到原建议中调研角色推荐使用 luna 模型，但他担心 Trellis 的调研任务可能较重，luna 可能无法胜任，因此选用了性能更强的 gpt-5.6-terra。
• 实现子代理：使用 gpt-5.6-sol 模型，推理强度设为 high，负责具体的代码实现、模块开发等核心任务。由于对代码质量要求较高，不敢使用太弱的模型。
• 检查子代理：使用 gpt-5.6-sol 模型，推理强度设为 high，负责对实现结果进行代码检查、错误修正、质量审核等工作。

分享者在配置完成后立刻发布到社区，尚未进行实际验证，因此对这套方案的效果持未知态度，希望有经验的用户能提供反馈与改进建议。

关键要点

• Trellis 在 Codex 应用中支持通过子代理模型路由进行精细化的任务分工，不同角色可以独立配置模型与推理强度。
• 模型选择策略：主会话和实现/检查子代理均选用 gpt-5.6-sol，而调研子代理选用 gpt-5.6-terra，推理强度则根据任务复杂度从 low 到 xhigh 做了阶梯式分配。
• 分享者明确拒绝了原建议中调研子代理使用 luna 的方案，理由是对 Trellis 的调研负载有更高预期，担心 luna 能力不足。
• 这条配置方案尚处于理论阶段，未经实际项目测试，分享者期望社区用户提供实践反馈。
• 核心目标是通过分工降本：将高强度推理（xhigh）和中等强度推理（high）留给主会话、实现与检查，而将低强度推理（low）分配给调研环节，从而在保持整体质量的同时控制推理开销。

意义与影响

• 提示了 AI 开发工具的能力边界：当单一模型无法满足复杂开发流程时，子代理路由机制能够实现类似人类团队中的分工协作，提高整体产出效率。
• 提供了可参考的配置模板：虽然未经验证，但分享者的配置逻辑（主/调研/实现/检查四角色）为其他寻求优化开发流程的用户提供了一个可直接对照的起点。
• 引发了关于模型性价比的讨论：在调研阶段使用低推理强度模型（gpt-5.6-terra low）而核心开发阶段使用高推理强度模型（gpt-5.6-sol high/xhigh），体现了在保证任务质量的前提下通过差异化分配来平衡成本与性能的思路。
• 推动了社区经验共享：分享者主动提出“希望看到佬们的经验”，这种开放式提问有助于促进 Linus Do 等社区中关于 Trellis 子代理配置的最佳实践沉淀，加速整个生态的成熟。