昨天刷 X，看到博主 @AYi_AInotes 发了一条帖子，标题就很有煽动性：「刚发现一个 OpenAI 订阅的隐藏用法，感觉像白捡的」。

点进去看，讲的是 Codex 的一个进阶玩法：别让 Sol 什么都自己干，它太贵了；把体力活全委托给 Luna Max，让 Sol 只当包工头。帖子说，照这个思路配置完，同一个订阅，产出量直接翻倍。

说实话，我第一反应是"又一个标题党"。但把帖子里的每一个技术细节都查了一遍之后——官方文档、DeepSWE 榜单、OpenAI 上周刚宣布的降价——发现这事不但真的，而且时机比博主自己意识到的还要巧。

这篇文章把整套玩法拆开讲清楚：为什么这个分工成立、配置怎么做、数据怎么说、以及有哪些坑。

一、GPT-5.6 三档模型：贵的不一定适合所有活

先说背景。7 月 9 日 OpenAI 全面开放 GPT-5.6 系列，一共三档：Sol（旗舰）、Terra（中间档）、Luna（入门档）。官方定位很清楚：Sol 最强最贵，Luna 最便宜最快，Terra 卡在中间。

公开 API 价格（每百万 token）：

档位	定位	输入价	输出价	降价后（7/30）
GPT-5.6 Sol	旗舰，最强推理	$5.00	$30.00	不变
GPT-5.6 Terra	中间档，兼顾能力与成本	$2.50	$15.00	$2.00 / $12.00
GPT-5.6 Luna	入门档，最快最便宜	$1.00	$6.00	$0.20 / $1.20

注意最后那一列：7 月 30 日，OpenAI 刚宣布 Luna 降价 80%、Terra 降价 20%——官方的说法是应对中国低价模型和微软 MAI 的价格竞争。也就是说，你看到这篇文章的这一刻，Luna 的价格已经只剩一个月前的五分之一。

拿 DeepSWE 榜单（用 mini-swe-agent 框架、在隔离容器里端到端解决真实编码问题的 benchmark）的数据看：

模型	DeepSWE 分数	输入价
GPT-5.6 Sol	0.727（第 1）	$5.00
GPT-5.6 Terra	0.696（第 2）	$2.50
GPT-5.6 Luna	0.672（第 4）	$1.00

所以呢：Sol 和 Luna 的分数差只有 5.5 个百分点，但价格差了 25 倍。换算成一次具体的活——20 万输入 token + 4 万输出 token 的任务——Sol 要花约 2.2 美元，Luna 降价后只要 0.09 美元。这个差距已经不是"性价比"问题了，是"你愿不愿意为 5.5 分付 25 倍的钱"的问题。

大部分人默认选 Sol，觉得贵的就是好的。但重度用户的实测结论恰好相反：Luna 不是 Sol 的平替，而是 Sol 的劳动力。

二、核心思路：把"思考"和"执行"拆开

Sol 贵，贵得有道理。社区里的共识是：Sol 在规划、架构决策、代码审核这类需要全局推理的任务上确实明显更强。你让它写一个跨模块的重构方案、审一遍同事的 PR、判断某个设计要不要推倒重来——它值这个价。

但"值"不代表所有活都该它干。

Luna Max（Luna + max reasoning effort）在 DeepSWE 上的表现，社区实测下来跟 Sol Medium 咬得很近。而写代码、改文件、跑测试、修 bug、做重构——这些有明确边界的"体力活"，Luna Max 干得跟 Sol 差不了太多。

所以最佳模式是：

Sol 当包工头，Luna Max 当工人。

Sol 负责拆任务、做架构决策、审代码；具体的实现、改 bug、跑测试、重构，自动委托给 Luna Max 去跑。主线程的 Sol 额度省下来只花在刀刃上，体力活全让便宜的 Luna Max 扛。

所以呢：这不是"用便宜模型凑合"，而是把模型的优势区切分开——复杂推理留在 Sol，机械执行交给 Luna。同一个订阅，额度的消耗速度立刻降下来，产出自然上去。

三、实操：让 Sol 自己把 luna-worker 配好

这个玩法最妙的地方在于：配置不用你动手，直接让 Sol 自己配。

Codex 官方文档明确支持自定义子代理：在 ~/.codex/agents/（全局，对所有项目生效）或项目根目录 .codex/agents/（仅当前项目）下放一个独立 TOML 文件，就能定义一个子代理，可以指定它的模型、推理强度、指令和沙箱模式。

所以原帖的操作是，直接跟 Sol 说：

在 ~/.codex/agents/ 下创建一个 luna-worker.toml，模型设 gpt-5.6-luna，reasoning effort 设 max，写好描述和指令，专门用来处理有明确边界的委托任务。创建完验证配置，给我看 diff。

Sol 会自己把子代理配好。它生成的文件大致长这样：

name = "luna_worker"
description = "Use when the task has a clear boundary: implementation, bug fixing, running tests, or refactoring delegated by the parent agent."

model = "gpt-5.6-luna"
model_reasoning_effort = "max"
sandbox_mode = "workspace-write"

developer_instructions = """
You are the Codex custom subagent `luna_worker`.

Execute delegated tasks with clear boundaries: implement features, fix bugs,
run tests, and refactor code. Work directly on the code and keep changes
scoped to the assigned task. When validation is needed, run the tests and
report results. Do not make architecture decisions — that is the parent
agent's job. Report what you changed and what remains.
"""

几个字段说明（都是官方格式）：

• name：子代理的调用名，保持稳定、好输入
• description：什么时候该用它——写具体，Codex 会根据这个判断任务是否委托
• model + model_reasoning_effort：指定模型和推理强度，不写就继承父会话设置
• sandbox_mode：workspace-write 允许改代码；只读任务用 read-only
• developer_instructions：核心行为指令——角色、优先级、什么该做什么不该做、怎么汇报

配置完验证一下，确认 TOML 没写错、字段生效，然后看一眼 diff。之后你干活的时候，Sol 负责拆任务和审代码，实现、改 bug、跑测试、重构，它会自动 delegate 给 luna_worker 去跑。

所以呢：一次配置，长期生效。你不需要每次手动切换模型，Sol 自己就是调度员。

四、懒人版：不建文件，直接 spawn

如果你不想维护配置文件，还有一个更懒的办法：

直接告诉 Sol：遇到需要批量执行的子任务，自己 spawn 独立的 Luna Max 对话线程去跑，跑完把结果汇总回来。

效果差不多，只是没那么结构化。子代理本质上就是父会话 spawn 出的独立线程，官方也支持在 config.toml 里限制并发：

[agents]
max_threads = 6
max_depth = 1

max_depth = 1 是个好默认值：允许一层直接子代理，但防止子代理再递归 spawn 孙代理——那会让成本和混乱一起失控。

所以呢：结构化配置适合长期固定流程，spawn 适合临时批量任务。新手建议从 spawn 开始玩明白，再固化到 TOML 里。

五、数据说了什么？以及一个诚实的提醒

博主原帖给出的核心论据是：DeepSWE 榜上 gpt-5.6-luna max 的分数跟 Sol Medium 咬得很近，但成本差了一个数量级。

我逐条核对了数据：

• 分数：DeepSWE 官方榜（8 月更新）上 Luna 0.672、Sol 0.727，差距 5.5 分。社区实测（8 月初技术群）的说法是"Luna max 的智力等同于 Sol medium"，价差约 25 倍。
• 成本：降价前 Sol 是 Luna 的 5 倍，7/30 降价 80% 后变成 25 倍——"一个数量级"的说法成立，甚至保守了。
• 但是：7 月 10 日（发布第二天）有一篇早期实测认为，Luna + max 的推理质量仍低于 Sol + medium。也就是说，“接近"不等于"等同”，复杂任务上差距是真实存在的。

这就是"包工头"模式的精妙之处：它不需要 Luna 真的追平 Sol。Sol 负责拆任务和审核，Luna 干完的活会被 Sol 检查一遍——Luna 的失误由 Sol 兜底。分工结构本身就给质量上了一道保险，这正是这套玩法比"无脑全用 Luna"靠谱的地方。

至于"同一个订阅产出量直接翻倍"——这是博主的个人经验，没有公开数据支撑，我标注为"据博主声称"。但从额度消耗逻辑看，方向是对的：主线程从"每件事都烧 Sol"变成"只有思考和审核烧 Sol"，额度大头从 Luna 走了。

所以呢：这套玩法的收益上限取决于你任务的构成——体力活占比越高，省得越多；纯架构设计、需要深度推理的项目，Sol 该花还得花。

六、避坑指南：边界越清晰，效果越好

最后说几个实操中容易翻车的地方（来自社区实践和官方教程）：

1. 委托给"有明确边界"的任务：实现、测试、重构、改 bug 都行。需求不清晰的、涉及架构决策的、动生产环境配置的，留在 Sol 或者自己手里。边界模糊时子代理会"猜"，一猜就错。
2. 别一次性 spawn 太多：子代理多了不是并行更快，是成本叠加、上下文混乱。社区教程的示例配置把并发上限设在 6，实际用下来 2-6 个比较稳。
3. 小心多代理同时改相关文件：两个子代理同时编辑相互依赖的模块，Git 可能不报冲突，但逻辑已经坏了。让 Sol 统一分配文件归属。
4. 子代理默认不建分支：直接往 main 上写。需要隔离时，prompt 里明确要求"先建分支再干活"。
5. 敏感操作别委托：生产密钥、部署脚本、数据库迁移——这类事永远让人类或 Sol 亲自确认，别让便宜的工人碰。

写在最后

GPT-5.6 三档模型 + Codex 子代理，把"模型分工"变成了一个普通开发者就能用的日常技巧：Sol 当包工头管规划和审核，Luna Max 当工人干体力活，中间省下的是一整个数量级的成本。

巧合的是，这套玩法火起来的时间点，正好撞上 OpenAI 把 Luna 砍价 80%——成本结构只会越来越有利。也许下一个问题不是"怎么省额度"，而是：当最便宜的档位已经够用的时候，旗舰模型的钱到底该花在哪？

你会在 Codex 里把哪些任务委托给 Luna Max？还是觉得贵有贵的道理、Sol 全包更省心？评论区聊聊你的配置。

---

数据来源：OpenAI GPT-5.6 官方发布（2026-07-09）、OpenAI 定价调整公告（2026-07-30，Luna 降 80%、Terra 降 20%）、DeepSWE Leaderboard（llm-stats.com，2026-08 更新）、OpenAI Codex Subagents 官方文档、@AYi_AInotes 原帖（2026-08-02）。API 价格为公开单价估算，未计入缓存折扣与批量优惠；订阅额度消耗为经验估算，个体差异较大。