分享一个我日常开发的CodeX 多子代理subagents的配置文档，欢迎讨论

背景

随着 AI 编程工具的普及，多子代理（subagents）架构逐渐成为处理复杂开发任务的标配。然而，多代理协作往往伴随着惊人的 token 消耗，导致使用成本急剧上升。如何在保证任务完成质量的前提下，有效控制成本，成为开发者亟需解决的问题。本文分享的正是基于这一痛点，针对 Codex 多子代理的精细化模型配置方案，旨在通过为不同职能的代理分配合适规模的模型，实现降本增效。

核心内容

该配置文档的核心思想是“按需分配，混合部署”，即不再让所有子代理都使用最顶级的模型，而是根据任务的重要性和复杂度进行差异化配置。具体配置参数如下：

1. 全局与审查模型设定：

   • 主模型（model）与审查模型（review_model）均设定为 gpt-5.4，确保核心代码生成与最终审查的质量。
   • 推理努力程度（model_reasoning_effort）和规划模式推理努力程度（plan_mode_reasoning_effort）均拉满至 xhigh，保证复杂逻辑推导和项目规划时的深度思考能力。

2. 多子代理架构限制：

   • [agents].max_depth = 1：限制子代理的最大递归深度为 1，防止代理无限套娃导致失控。
   • [agents].max_threads = 8：设定最大并发线程数为 8，平衡执行效率与资源占用。

3. 角色差异化模型分配：

   • default（默认代理）：配置为 gpt-5.4-mini + high。作为基础执行单元，处理常规任务，使用轻量级模型以节省 token。
   • worker（工作代理）：配置为 gpt-5.4-mini + high。负责具体的代码执行与修改工作，同样采用轻量级模型，推理努力程度设为 high 以保证基本逻辑正确。
   • explorer（探索代理）：配置为 gpt-5.4 + high。承担代码库探索、架构分析等需要强理解力的任务，因此使用全尺寸的 gpt-5.4 模型，确保对复杂代码上下文的精准把握。

通过这种“大模型把方向，小模型干活”的搭配，在保证关键节点质量的同时，大幅降低了常规任务带来的 token 开销。

关键要点

• 混合模型降本：打破“全链路大模型”的常规思路，在子代理层级引入轻量级模型（如 gpt-5.4-mini），直接针对 token 消耗进行优化。
• 深度与并发管控：通过 max_depth = 1 和 max_threads = 8 严格限制多代理系统的递归深度与并发规模，