分享skill-codex-parallel-collab实现多Codex并行协作

背景

随着大语言模型（LLM）在软件开发中的应用日益深入，开发者开始探索如何利用多个 AI Agent 并行处理复杂任务，以提升编码效率。然而，多 Agent 协作往往面临上下文分裂、任务重复或冲突、以及信息同步困难等挑战。

在此背景下，LINUX DO 社区分享了一种名为 skill-codex-parallel-collab 的工作流方案。该方案旨在解决多 Codex 并行施工时的协调问题，通过引入主从架构和标准化的任务包（Pack）机制，确保多个 Codex 实例能够基于统一的上下文和任务定义进行高效、无冲突的并行开发。

核心内容

该分享介绍了一种基于主从架构的多 Codex 并行协作工作流，其核心在于通过一个“主 Codex”（Main Codex）来收敛任务、定义边界，并将任务结构化后分发给多个“子 Codex”并行执行。

1. 基本配置与启动

用户只需描述任务目标，并通过配置指定模型参数（如 models set gpt-5.3-codex xhigh）即可启动。关键在于配置了主 Codex 和次级 Codex 的职责边界，主 Codex 负责统筹，次级 Codex 负责具体执行。

2. 主 Codex 的分层任务格式（OPENSPEC 风格）

主 Codex 在启动并行施工前，不会直接让子 Agent 盲目工作，而是先将任务收敛为分层结构，并落盘为“任务包（pack）”。这一机制避免了因上下文分叉导致的信息不一致。任务包包含以下四层结构：

• Overview（概览）：明确目标、范围、非目标、验收标准及潜在风险。
• 架构准则：定义单一事实来源（SSOT）为项目的 AGENTS.md，并包含关键约束，如版本管理、构建流程、安全规范和代码风格。
• 上下文：定义 SSOT 为 mission-context，通常基于 MCP（Model Context Protocol）索引结论，这是所有 Agent 必读的核心背景信息。
• CSV TODO：定义任务 SSOT 为 issues/*.csv，每行任务包含明确的 Ownership（责任人/Agent）和 Verify（验证标准）。

3. 项目内落盘样式

任务包在仓库根目录下的 .codex/<timestamp>-<slug>/ 目录中落盘。文件按读取顺序排列，确保子 Agent 能有序获取信息：

1. mission-context.md：必须阅读的核心上下文文件。
2. project.md：引用项目的 AGENTS.md，提供项目级约束。
3. overview.md：任务概览。
4. csv-todo.md：引用具体的 issues/<timestamp>-<slug>.csv 文件，列出详细任务清单。

通过这种标准化的文件结构和路径约定，所有子 Codex 都能读取到统一、一致的任务定义和上下文，从而实现高效的并行施工。

关键要点

• 主从架构解耦：主 Codex 负责任务分解、上下文收敛和任务包生成；子 Codex 负责具体代码实现，职责清晰，避免混乱。
• 单一事实来源（SSOT）机制：
  • 架构准则以 AGENTS.md 为 SSOT。
  • 上下文以 mission-context（MCP 索引）为 SSOT。
  • 具体任务以 issues/*.csv 为 SSOT。
  • 这种设计确保了所有 Agent 基于同一套基准信息工作，减少分歧。
• 结构化任务包（Pack）：将任务收敛为分层结构并落盘为目录，而非直接在对话中传递碎片化信息，有效防止上下文分叉。
• 标准化文件顺序：.codex 目录下的文件按 mission-context.md -> project.md -> overview.md -> csv-todo.md 的顺序排列，引导 Agent 按逻辑优先级读取信息。
• OPENSPEC 风格：借鉴 OPENSPEC 的理念，强调规范、约束和验收标准，使 AI 生成的代码更符合工程规范。
• MCP 集成：利用 MCP 索引结论作为上下文核心，增强了 AI 对项目和外部信息的理解能力。

意义与影响

1. 提升多 Agent 协作效率：通过标准化的任务包和主从架构，解决了多 AI 并行开发时的上下文同步难题，使得“多 Codex 并行施工”成为可能且可控。
2. 增强代码一致性与质量：明确的架构准则、约束和验收标准（通过 AGENTS.md 和 overview.md 传递），有助于确保不同 Agent 生成的代码在风格、结构和功能上保持一致。
3. 可追溯性与可维护性：任务包以目录形式落盘，包含时间戳和 slug，便于追踪任务历史、复现问题和后续维护。
4. 推动 AI 辅助开发工程化：该工作流将 AI 编码从简单的“对话式编程”推向更结构化、更工程化的“任务驱动型编程”，为复杂项目的 AI 辅助开发提供了可复用的范式。
5. 降低 Token 浪费：通过主 Codex 预先收敛任务，避免了子 Agent 因理解偏差而进行的无效迭代，从而更有效地利用 Token 资源。

总之，skill-codex-parallel-collab 提供了一种系统化、结构化的多 AI Agent 协作方案，对于希望规模化应用 AI 进行软件开发的团队和个人具有重要的参考价值。