背景
这次讨论从一个很实际的问题开始：在 Codex 里同时看到模型、智能档和速度档时，应该怎样理解它们的组合？如果只是简单地把所有任务都设成最强模型、最高智能、快速模式，确实可以得到更稳的结果，但代价也会立刻上去。
真正有价值的问题不是“哪个模型最强”，而是“强模型应该用在什么位置”。复杂编程任务里，最贵的判断力应该放在主代理、架构判断、疑难排障和最终验证上；而搜索文件、定位符号、整理上下文这类任务，更适合交给低成本子代理完成。
这次解决了什么
这次先把 GPT-5.5 和 GPT-5.4 放在 Codex 的三个维度里理解：模型强度、智能档和速度档。模型决定基础能力和基础成本，智能档影响推理深度和 reasoning token，速度档更多是在买响应速度，而不是直接提高智能。
随后又确认了一个关键点：在同一个主对话里，不用子代理时，并不适合指望系统自动按子任务切换底层模型。更稳的做法是用 Codex 子代理配置或 OMX 角色路由，让不同角色绑定不同模型和 reasoning effort。
最后实际检查了全局子代理配置，发现默认已经是一套省 token 的分层：主代理很强，关键角色用 gpt-5.5，探索类角色用更轻量的模型。中途尝试把多个子代理都升成高智能后，又发现这会全局提高消耗，于是恢复成原始默认值。
关键过程
第一步是分清三个维度。GPT-5.5 更适合复杂判断和高风险任务，GPT-5.4 更偏日常性价比。智能档从低到超高，影响的是模型愿意花多少推理预算；速度档则是在标准模式和快速模式之间取舍，快速模式通常更贵。
第二步是确认子代理才是“低模型跑腿、高模型判断”的正确落点。主线程里写“这一段用低模型，那一段用高模型”，通常只是任务指令，不等于真的切换底层模型。要让不同子任务用不同模型，应该把它们拆成不同 agent，例如 explore 做只读搜索，executor 做实现，verifier 做验证。
第三步是查看已有全局 agent 配置。默认配置并不是随便生成的一组文件，而是带有角色分层的：探索代理追求速度和低成本，执行、测试、分析类角色保持中等 reasoning，架构、调试、评审、验证等角色保持更高 reasoning。
第四步是一次配置试错。为了“保持最高智能”，曾经把一些子代理从 medium 升到 high，并把探索代理从低成本快模型升到更强模型。这样做确实会提高每个子代理的独立判断能力，但副作用也很明显：它改变的是全局配置，所有项目的新会话都会更贵。
第五步是恢复默认值。恢复后，探索类代理继续负责低成本搜索，视觉代理保持低 reasoning，执行、规划、测试、分析类代理回到 medium，真正需要高强度判断的角色继续保留 high。这样才符合长期使用的经济性。
踩坑
第一个坑，是把“最高智能”理解成“所有角色都最高”。这在多代理系统里很容易浪费，因为很多子代理并不做最终决策，只负责收集事实。让它们用最高智能，会把大量预算花在低风险环节。
第二个坑，是忽略全局配置的影响。全局 agents 配置一旦改重，不只当前项目会变贵，其他项目的新会话也会继承这套策略。配置前最好先确认自己改的是项目级还是全局级。
第三个坑，是把 AGENTS.md 当成模型配置源。AGENTS.md 更适合写行为规则、协作契约和“什么时候该用哪个角色”；具体模型和 reasoning effort，应该落在 agent TOML 或 Codex 配置里。
第四个坑，是忽略已有默认值的设计意图。默认分层通常已经考虑了成本和质量的平衡。除非已经知道某个角色经常误判，否则不要把整组子代理一起升档。
最后方案
最终方案是保留省 token 分层，而不是全局拉满。
主代理保持强模型，负责总体判断、最终整合和关键取舍。架构、调试、代码评审、依赖决策、最终验证这类高风险角色继续使用高 reasoning。执行、规划、测试设计、需求分析这类角色保持 medium，因为它们需要稳定，但不一定每次都需要最高推理预算。
探索代理保持轻量。它的任务是搜索文件、定位符号、归纳上下文、给主代理提供证据，而不是做最终架构决策。把这类代理保持在低成本模型和低 reasoning，是最有效的省 token 方式。
如果某个具体任务确实很难，可以临时在提示里要求主代理多开高智能角色，例如让 debugger 或 verifier 介入，而不是永久把所有 agent 配置都升档。
以后怎么做
以后遇到 Codex 模型配置，可以按这套规则判断：
- 负责最终判断的角色，用强模型。
- 负责找资料、扫代码、整理上下文的角色，用轻量模型。
- 负责实际修改的角色，用中高 reasoning，按风险临时升档。
- 负责验证、审查、安全和架构的角色，保持高 reasoning。
- 默认配置没出问题时，不要全局一刀切升档。
一句话总结：Codex 省 token 的关键不是把主代理降级，而是把子代理分工做细。高智能应该用在决策点，低成本模型应该用在信息收集点。这样复杂任务既能保持质量，也不会让每一次并行探索都变成高成本调用。