Codex 子代理省額度教學：Sol 決策、Luna 執行，ChatGPT Plus 怎麼用得更有效率？
教你在 Codex 建立 GPT-5.6 Luna 子代理，讓 Sol 負責決策、Luna 處理搜尋、整理與測試，並釐清 Plus、Pro 20x 與 Max 推理強度的差別。
Codex 可以把工作分給不同模型：讓 GPT-5.6 Sol 負責拆解需求、做決策與驗收，再讓 GPT-5.6 Luna 子代理處理搜尋、整理、測試與範圍明確的小型修改。這樣做確實能讓 ChatGPT Plus 的 Codex 額度支撐更多工作，但它不是破解方案限制，也不等於把 Plus 升級成 Pro 20x。
真正值得學的不是「全部改用便宜模型」，而是把每個模型放在正確的位置。Sol 的時間留給高價值判斷，Luna 則負責規格清楚的執行工作。
先說結論：這套方法值得用，但不等於 Plus 變成 Pro
OpenAI 將 GPT-5.6 Sol 定位為處理複雜推理、模糊問題與高難度工作的模型，Luna 則適合快速、大量、範圍明確的任務。兩者的差異不只是能力，也包含額度消耗。
以 OpenAI 公布的 ChatGPT Plus 估算用量來看，Sol 每 5 小時約可處理 10～100 次本機訊息，Luna 則約為 250～2,000 次。用級距兩端相比，Luna 的訊息數約為 Sol 的 20～25 倍。OpenAI Codex Pricing同時提醒，實際用量會受到上下文、推理強度、工具使用與任務複雜度影響，因此不能把這個比例當成每次都能達成的保證。
更重要的是，Pro 20x 指的是付費方案提供的用量上限。Plus 選擇 Luna，只是以較輕量模型延長同一份額度，並沒有取得 Pro 的完整用量與其他權益。
我的結論很直接：如果你經常把檔案搜尋、Log 整理、既有測試與格式修改全部交給 Sol，建立 Luna Worker 很值得；如果工作本來就充滿模糊需求與架構判斷，硬切給 Luna 反而可能增加重做成本。
Codex Subagent 是什麼？
Subagent 是主 Agent 臨時啟動的子代理。主 Agent 保留整體目標與最後決策，再把可以獨立完成的工作交出去。Codex 完成協調後，會把各個子代理的結果收回主對話統整。
OpenAI 的 Subagents 文件指出，這種工作流特別適合程式探索、測試、問題分類與文件整理。中間產生的大量搜尋結果、測試輸出與 Log 不必全部塞進主對話，也能降低重要需求被雜訊淹沒的機會。
但 Subagent 並不是免費勞動力。每個子代理都會執行自己的模型推理與工具操作，多 Agent 工作通常比單 Agent 使用更多 token。真正省額度的前提，是把原本由 Sol 處理的低判斷工作轉給 Luna，而不是每次都開更多 Agent。
Sol、Terra、Luna 應該怎麼分工？
模型選擇不能只看單次價格，而要看完成任務的總成本。Luna 雖然省額度，但若任務需要反覆修正，最後可能比 Sol 一次做對更浪費。
| 工作類型 | 建議模型 | 原因 |
|---|---|---|
| 拆解模糊需求、技術決策、風險判斷、最終驗收 | GPT-5.6 Sol | 需要理解全局與處理多步驟問題 |
| 一般功能實作、文件分析、日常程式工作 | GPT-5.6 Terra | 在能力、速度與成本之間較平衡 |
| 找檔案、整理資料、執行既有測試、分類 Log、小型修改 | GPT-5.6 Luna | 邊界清楚，可快速大量處理 |
最實際的配置不是「Sol 當主管、Luna 永遠搬磚」這句口號，而是增加一道委派門檻：只有能清楚寫出輸入、範圍、交付物與停止條件的工作，才交給 Luna。
例如「幫我改善整個結帳流程」範圍太大，不適合直接丟給 Luna；「找出結帳按鈕的前端入口、相關測試與 API 呼叫，不能修改程式，回報檔案路徑」就很適合。
Plus 使用 Luna，額度真的可能多 20 倍嗎？
以下是 OpenAI 在 2026 年 8 月 3 日列出的 ChatGPT Plus 本機訊息估算：
| 模型 | 每 5 小時估算本機訊息 |
|---|---|
| GPT-5.6 Sol | 10～100 |
| GPT-5.6 Terra | 25～200 |
| GPT-5.6 Luna | 250～2,000 |
這張表支持「Luna 能明顯延長 Plus 額度」的說法，卻不支持「Plus 等於 Pro 20x」。前者是在同一方案內改用消耗較低的模型，後者則是付費方案直接提高使用上限。
另外，本機訊息與雲端工作共用 5 小時視窗，還可能有每週限制。相似任務也不一定消耗相同額度，長上下文、較高推理強度、搜尋與工具呼叫都會改變實際用量。
如何在 Codex 建立 Luna Worker？
Codex 個人層級的自訂 Agent 放在：
~/.codex/agents/
每個 Agent 使用一個獨立 TOML 檔。本文將檔案命名為：
~/.codex/agents/luna-worker.toml
依照目前的官方格式，自訂 Agent 至少要有 name、description 與 developer_instructions。原本只填 model 和推理強度並不完整。
name = "luna_worker"
description = "處理範圍明確、邊界清楚且可獨立完成的執行型任務。適合檔案搜尋、資料整理、執行既有測試、結果摘要與小型修改。"
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
developer_instructions = """
只處理主 Agent 明確委派的任務。
不得修改整體任務目標，也不得自行擴大工作範圍。
若需要架構、產品方向或其他未授權決策，停止並回報主 Agent。
修改前先確認目標檔案與限制；修改後執行與變更相符的驗證。
最後回報完成內容、驗證結果、未解決問題與需要主 Agent 決定的事項。
"""
為什麼不是 Luna Max？
如果目標是省額度，預設使用 max 並不合理。OpenAI 的說明指出，提高 model_reasoning_effort 會增加回應時間與 token 使用，但可能改善困難任務的品質。
Luna Worker 處理的本來就應該是邊界清楚的工作，因此從 medium 開始最實際。只有當同類任務經過比較，確認 high 或 max 能明顯減少錯誤與重做時，才值得提高推理強度。
Codex 設定中可以開啟可用的 Max 推理強度，但「允許使用 Max」和「讓所有 Luna 工作預設使用 Max」是兩件不同的事。
可直接貼給 Sol 的建立 Prompt
如果不想自己建立 TOML，可以把下面的 Prompt 交給 Sol：
請建立一個個人層級的 Codex 自訂 Agent：
~/.codex/agents/luna-worker.toml
請依照目前安裝版本支援的自訂 Agent TOML 格式建立，至少包含：
name = "luna_worker"
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
請補上清楚的 description 與 developer_instructions。
luna_worker 只負責範圍明確、邊界清楚、可以獨立完成的執行型任務，例如檔案搜尋、資料整理、執行既有測試、結果摘要與小型修改。
它不得修改整體任務目標，也不得自行擴大工作範圍。遇到需要架構、產品方向或未授權決策的情況，必須停止並回報主 Agent。
請保留現有的其他 Codex 配置，不要覆蓋或刪除無關內容。
建立完成後：
1. 根據目前安裝的 Codex 版本確認格式相容。
2. 顯示新增檔案的完整內容與 diff。
3. 驗證 TOML 可以被解析。
4. 確認 Codex 能辨識名稱為 luna_worker 的自訂 Agent。
5. 不修改任何與這個 Agent 無關的設定。
建立完成後，最穩定的使用方式仍是直接指定 Agent：
請把檔案搜尋、既有測試與結果整理委派給 luna_worker。
主 Agent 保留需求判斷與最後驗收，等 luna_worker 回報後再繼續。
自訂 Agent 的 description 能幫助 Codex 判斷使用時機，但不代表每次都會自動選中。重要工作最好在 Prompt 中明確指定。
哪些工作適合交給 Luna 子代理？
適合 Luna 的任務通常具有四個條件：輸入清楚、範圍可列舉、成果能驗證、失敗時容易停止。
- 搜尋特定功能的程式入口與相關檔案。
- 執行既有測試並整理失敗原因。
- 從大量文件擷取固定欄位。
- 依照明確規格修改單一元件或少量檔案。
- 比較設定檔、API 回應或 Log 的差異。
- 收集證據後回傳摘要，交由 Sol 判斷。
以下工作則不適合直接委派：
- 需求仍然模糊的大型功能。
- 牽涉多個系統的架構重構。
- 正式發布、刪除資料或高風險權限決策。
- 多個 Agent 同時修改高度重疊的檔案。
- 沒有驗收標準的「順便全面優化」。
問題不在 Luna 能不能做，而是主 Agent 能否快速判斷它有沒有做對。無法寫出驗收條件的任務，通常也不適合用便宜模型大量執行。
三個實際委派範例
範例一：先探索，不修改
使用 luna_worker 找出登入流程的前端入口、狀態管理、API 呼叫與相關測試。
只讀取與整理，不修改檔案。回報檔案路徑、主要函式與流程摘要。
範例二：執行測試並分類
使用 luna_worker 執行現有測試，把失敗項目依產品 Bug、測試環境與不穩定測試分類。
不要修改程式，附上指令、錯誤摘要與判斷依據。
範例三：小型實作
使用 luna_worker 修改設定頁的按鈕文案，只能變更指定元件與對應測試。
完成後執行相關測試，回報 diff、測試結果與未處理項目。
這三種寫法都把權限、範圍與交付物說清楚。即使 Luna 執行失敗，主 Agent 也能快速定位問題，不會讓省下的額度變成更多人工清理成本。
常見問題
建立 Luna Worker 後，Codex 會自動使用嗎？
不一定。Codex 會參考 Agent 的名稱與 description，但一般情況下，直接在 Prompt 指定「使用 luna_worker」最穩定。若要長期套用，也可以在專案的 AGENTS.md 寫清楚委派規則。
Luna 子代理一定要使用 Max 嗎？
不用。範圍清楚的任務從 medium 開始較符合省額度目標。只有代表性任務的比較結果證明 Max 能降低錯誤或重做，才有提高的理由。
可以同時啟動很多 Luna 子代理嗎？
可以平行處理互不依賴的工作，但每個子代理都會消耗模型與工具資源。搜尋、測試與文件整理適合平行；多個 Agent 同時改同一批檔案，容易產生衝突與額外協調成本。
Plus 使用 Luna 就等於 Pro 20x 嗎？
不等於。Plus 的 Luna 訊息級距確實約為 Sol 的 20～25 倍，但 Pro 20x 是方案本身提高用量。兩者的模型、限制與權益不能直接畫上等號。
如何確認自己真的有省到額度？
挑三種經常重複的任務，分別用 Sol 與 Luna 完成，記錄完成率、重做次數、處理時間與 Usage Dashboard 的變化。只比較單次訊息數沒有意義；能以更少總成本通過相同驗收，才算真正省到。
結語：省額度的關鍵不是小模型，而是清楚的工作邊界
Codex 的模型分工值得使用。Sol 負責理解整體目標、做關鍵決策與最後驗收，Luna 負責搜尋、整理、測試與明確的小型工作，能讓 Plus 額度使用得更有效率。
但 Luna 不是免費勞動力，Subagent 也不是開得越多越省。真正決定成效的是任務能否被清楚切割，以及主 Agent 是否保留了必要的判斷權。
如果一項工作能寫清楚「要處理什麼、不能碰什麼、交付什麼、如何算完成」，就適合交給 Luna。反過來說，需求本身仍然模糊時，先讓 Sol 把問題想清楚，通常才是成本最低的做法。
