国产AI模型配置指南：强规划轻执行降本增效
用Codex生成代码，直观感受是工具效率很高，但使用成本也是不少用户的顾虑。很多人以为每次调用Codex只会单一调用一个模型，但实际上在完整的思维链工作流中，主对话交互、代码审查、子Agent执行以及上下文压缩这几个环节，各自调用的模型功能并不相同。不少用户不知道，这些环节的模型其实可以根据需求灵活配置，只需要提前做好一次设置，后续就能按照这套默认分工自动运行，逐步降低使用成本。
理清Codex的模型调用分工
不少人对Codex的调用逻辑存在误解，以为每次提交需求后只会调用单个模型完成所有工作，但实际的完整工作流其实分为多个清晰的环节：
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
这些环节对模型的能力要求并不一致。主模型相当于整个任务的大脑，需要理解目标、拆分任务、选择实现方案，还要判断后续执行方向，一旦主模型的判断出现偏差，后续的执行很容易跑偏，所以主模型不能随意替换成低性能版本。
子Agent主要负责具体的执行工作，比如修改指定文件、补充代码片段、运行测试验证，这类任务通常已经被主模型拆分得比较清晰，不需要和主模型同等的推理能力。
代码审查环节的边界也很明确：检查代码质量、排查问题、给出修改建议，大多数情况下可以使用性能稍低、成本更低的模型来完成。
所以这套成本优化的核心逻辑并不是单纯替换成低价模型，而是遵循“高性能模型负责梳理规划，低成本模型负责具体执行落地”的分工原则。
当前我们可以配置的环节主要有三个，上下文压缩环节目前暂时无法单独指定模型，这部分的调用成本会跟随主模型，不过这并不影响我们先优化调用量更大的执行和审查环节。
Codex成本优化配置教程
第一步：配置主模型与代码审查模型
首先需要打开Codex的配置文件，不同操作系统的路径有所不同：
macOS 和 Linux 系统的配置文件路径：
~/.codex/config.tomlWindows 系统的配置文件路径：
C:\Users\<用户名>\.codex\config.toml在配置文件中加入以下内容：
model = "gpt-5.6-sol"
model_reasoning_effort = "high"
review_model = "gpt-5.6-luna"这里的主模型选择Sol系列，因为它需要负责整体的任务规划和逻辑梳理；代码审查环节交给Luna系列即可，这类模型足够完成代码检查的任务。
第二步：配置子Agent执行模型
接下来需要在指定目录下新建worker.toml配置文件，路径如下：
~/.codex/agents/worker.toml在这个文件中写入以下配置内容：
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"子Agent主要负责代码编写、文件修改和测试运行，这类任务的调用量通常比较大，将模型替换为Luna系列后，可以有效降低这部分的使用成本。需要注意的是，子Agent会继承当前会话的模型服务商，所以这里填写的模型必须和主模型属于同一家服务商提供的可用模型。
完成以上配置后就不需要再手动指定每个任务的执行模型了，后续使用Codex时会自动按照这套分工运行。
适配国产模型的配置方式
如果不想使用OpenAI官方的模型，也可以接入支持Responses API的第三方服务商，比如火山方舟Agent Plan。
首先在主配置文件中添加以下内容：
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文件中填入套餐内的轻量模型：
model = "<套餐内的轻量模型>"
model_reasoning_effort = "medium"整体的分工逻辑保持不变：使用高性能的强模型负责任务规划，使用低成本的轻量模型负责具体执行和代码审查。需要注意的是，火山方舟Agent Plan需要使用专属的API Key，而非普通的火山方舟API Key，具体的模型名称请以套餐内实际可用的列表为准。
