AI 视频分析报告
Codex 额度三天烧完？让 Sol 当包工头就行 Codex 里最贵的 Sol，一半时间在干改文件、跑测试这种体力活 —— 太亏了。 一条提示词让它自己建个 luna-worker 子代理：Sol 只管拆任务和代码审查，具体实现全甩给 Luna Max。 提示词四个字段全在片里，照抄就能用 👇 提示词：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。 #Codex #AI编程 #GPT5 #提效技巧 #AIHOT
任务ID: 1984
30秒速读
核心摘要
90
GPT5.6分Soul、Luna两档，前者贵性能强，后者便宜速度快
多数用户默认全程用Soul，导致Codex额度消耗速度极快
配置luna-worker子代理后，Sol仅负责拆任务、代码审查，改文件跑测试等体力活全由Luna Max承接
可执行建议
- 直接使用指定提示词，在~/.codex/agents/下创建luna-worker.toml，模型设为gpt-5.6-luna，reasoning effort设max，配置完成后验证配置查看diff即可。
高价值评论洞察
- 大量实测用户反馈原方案存在落地障碍：Luna处理复杂任务效果远差于Sol，部分账号无法委派Luna，实际使用反而速度变慢、消耗更高
- 有用户反馈平台存在地区检测降权机制，使用1年以上的Pro账号被强制降为5.5mini，不少用户已经摸索出适配Terra、DeepSeek的自定义多模型分层调度方案
用户关注点
- 该提效方案的实际落地效果、潜在踩坑点，以及Sol复审子代理产出是否会额外增加Token消耗的争议问题
- 实操相关需求，包括提示词提取、子代理关闭方法、API是否适配、不同规模项目的适配性等细节
可复用选题/回应建议
- 推出实测避坑内容，梳理配置子代理的常见报错、适配替代方案，回应用户的落地疑问
- 补充进阶分层调度玩法，分享不同项目规模的模型分工搭配，覆盖Terra、DeepSeek等多模型的配置教程
代表性评论
- 用户实测反馈Luna处理复杂任务和Sol差距极大，部分账号甚至无法委派Luna，价值是直接点出原方案的落地局限性，为内容优化提供方向
- 用户提出疑问：如果Sol复审子代理产出发现问题反复重跑，反而会更费Token，价值是戳中方案核心逻辑漏洞，引发广泛共鸣讨论
标签与备注
标签
Codex额度优化AI编程技巧GPT5使用教程AI提效方法子代理配置Token消耗优化
备注
暂无备注
转录文本
大家好，今天分享一个可以极大减少Codex Token开销的小Trick。 一条提示词喂给Codex即可。 玩法来自AI Heart，上一条评分75的精选，让Soul当包工头，Luna Max当工人。 GPT 5.6分三档，Soul最强最贵，Luna最便宜最快。 大多数人默认全程用Soul，额度烧得飞快。 但Soul的优势在规划、架构决策和审代码，写代码、跑测试这些边界明确的体力活，Luna干得差不多，所以Soul负责指挥，Luna Max负责执行。 Luna Max就是Luna模型配上最高档的Raising Effort，配置不用自己写。 把这条提示词喂给Soul。 在Codex的Agent目录下建一个LunaWorker.tomls代理。 模型设成GPT 5.6、Luna，Raising Effort设成Max，写清描述和指令，建完验证并给出Diff。 之后Soul只做拆任务和代码审查。 具体实现、修Bug、跑测试，会自动委托给这个子代理。 更难的做法，不建配置文件。 直接让Soul自己开Luna Max线程跑批量任务。 为什么划算？ 看Deep SWE绑单，Luna Max的分数咬着SoulMeeting，成本却差一个数量级。同一份订阅等于同时养好几个工人。一句话总结，别把Soul当苦力，让它当老板。这就是这条省额度的小trick。欢迎点赞、关注和收藏，我们下期再见。