Claude Code 多智能体编排实战：Fable 5 做主脑，Opus/Codex 并行推理，Sonnet 打杂

背景

随着大语言模型（LLM）能力不断增强，单一模型在处理复杂任务时的成本、速度和可靠性问题日益突出。Anthropic 推出的 Claude Code 作为开发者工具，允许用户在终端中直接与 Claude 交互并执行编程任务，但其使用受到 API 额度（尤其是高成本模型如 Fable 5）的限制。为了在有限预算下最大化推理质量与工作效率，社区开始探索多智能体（Multi-Agent）编排模式。该模式利用不同模型的能力差异——高推理能力模型、快速执行模型、独立视角模型——通过分工协作提升整体输出质量。LINUX DO 论坛上的一篇帖子分享了具体的实战流程，将 Fable 5、Opus、Sonnet 和 OpenAI 的 Codex 组合成一套可复用的编排方案。

核心内容

该实战流程的核心是将 Fable 5（Claude 模型系列中推理强度最高的版本）设为编排器（orchestrator），负责任务规划、分解与整合；用 Opus 承担深度推理子智能体角色，负责架构设计、复杂问题调试和算法设计；用 Sonnet 作为机械性子智能体，处理样板代码、测试、格式化等重复性工作；同时引入 OpenAI 官方的 Codex CLI 插件，作为同级资深工程师，提供不同视角的解决方案。

具体设置步骤：

1. 将 Fable 5 设为主模型
   在 Claude Code 中执行 /model 命令，选择 Fable 5，并将其 reasoning/effort 参数调至最大，以发挥其最强的推理能力。

2. 通过 /agents 创建两个子智能体

   • deep-reasoner：固定使用 Opus，描述为：“用于推理密集型阶段、架构设计、复杂问题调试、算法设计。请深入思考，返回简洁的结论，供编排器执行。”
   • fast-worker：固定使用 Sonnet，描述为：“用于机械性任务、样板代码、测试、格式化、简单修改。请高效执行。”

3. 添加 OpenAI 官方 Codex 插件
   前提是电脑上已安装 Codex CLI。在 Claude Code 中依次执行：

   • /plugin marketplace add openai/codex-plugin-cc
   • /plugin install codex@openai-codex
   • /codex:setup
     完成后即可通过 /codex:rescue --background 调用 Codex。

4. 将编排工作流写入项目目录的 CLAUDE.md 文件
   文件中明确说明：

   • 编排器（Fable 5）负责规划、分解和整合。
   • 推理密集型阶段分配给 deep-reasoner。
   • 机械性工作分配给 fast-worker。
   • Codex 是水平与 deep-reasoner 相当的极强工程师，但视角不同，应视为同级伙伴而非审核者。
   • 高风险决策时：针对同一问题，同时让 Opus 和 Codex 并行处理，然后综合两者最优结果，不向任何一方展示另一方的答案。同时保持编排器自身的上下文简洁。

5. 向 Fable 5 发出提示词
   使用类似技术负责人的语气：“目标：[你想要什么] 上下文：[文件、约束条件] 你是负责人。将推理任务委派给 deep-reasoner，将繁琐工作委派给 fast-worker，将需要新鲜视角的问题委派给 Codex。先向我展示你的计划，再执行。”

关键要点

• 角色分工明确：Fable 5 编排层负责全局规划与整合，不直接参与执行；Opus 面向深度推理；Sonnet 面向机械执行；Codex 作为独立视角的平行伙伴。
• 成本优化：最昂贵的 Fable 5 仅用于编排，避免在大量琐碎任务上消耗额度，推理任务交给成本较低的 Opus，机械任务交给更便宜的 Sonnet。
• 并行推理与综合：对于高风险决策，同时调用 Opus 和 Codex 独立推理，然后由编排器综合两者的最优结果，防止单一视角偏差或答案相互影响。
• 插件集成：通过 Claude Code 的插件市场引入 OpenAI Codex，实现跨模型协作，不使用混编 API 调用即可在同一工作流中利用不同服务商的模型。
• 上下文管理：编排器保持自身上下文简洁，仅记录关键指令和综合结果，子智能体返回精简结论，避免长期对话历史占用过多 token。
• 提示词结构：向编排器下达任务时需明确目标、上下文和委派逻辑，并要求先展示计划再执行，形成可审计的决策链路。

意义与影响

该实战方案展示了多模型编排在开发者工具中的落地可能性，对 AI 辅助编程实践具有以下意义：

1. 资源效率最大化：通过将不同能力的模型分配到最适合的任务上，显著降低总成本，同时保持（甚至提升）输出质量，让高成本模型聚焦于核心决策。
2. 工作流透明可控：编排器作为“技术负责人”，将任务分解、委派和综合过程清晰呈现，开发者可以审查计划、调整策略，避免黑箱操作。
3. 跨模型协作范式：成功整合 OpenAI 的 Codex 与 Anthropic 的 Claude 系列模型，证明不同提供商的大模型可以在单一 CLI 工作流中无缝协作，为未来异构智能体生态提供参考。
4. 降低 API 额度焦虑：对于需要频繁使用高端模型进行复杂开发的团队，该编排模式可有效延长预算生命周期，提升团队对 AI 工具的长期依赖信心。
5. 推动 Agent 开发标准化：帖子中采用的 CLAUDE.md 配置文件、/agents 创建、插件安装等步骤，形成了一套可复用的模板，社区可以基于此开发更精细的编排策略（如动态分配、负载均衡）。

不过，该方案也隐含一些挑战：需要用户对多个模型的特性有深入了解，配置过程较为繁琐，且对 Claude Code 插件生态的稳定性有一定依赖。未来若能够将编排逻辑抽象为可配置的 YAML/JSON 文件，或通过 GUI 界面管理，将进一步提升易用性。总体而言，这是一次有价值的工程实践，为多智能体编排从理论走向实用迈出了坚实一步。