Practical multi-agent orchestration in Codex
文章介绍了Codex中多智能体编排的实际应用，包括如何通过Sol和Terra模型协调任务、分配角色以及管理上下文继承。还提供了实用技巧，如使用Skill模式优化智能体协作和调整推理工作量。
相关文档
Getting the most out of GPT-5.6: Sol, Terra, and Luna
文章介绍了GPT-5.6系列的三种模型Sol、Terra和Luna的特点与适用场景，详细分析了它们在速度、成本和智能方面的差异。此外，文章还讨论了如何通过推理级别调整、缓存读取和多代理工作流来优化使用体验，并提供了选择最佳模型的策略。
让 Muse 变成你的「主管 + 专员」团队：手把手教程
本文是作者于 2026-10-25 在 Muse 中真实跑通后整理的实战教程，介绍如何用提示词把 Muse 组建成「主管 + 专员」的 AI 团队。文章讲解主管（主聊）与专员（子代理或旁聊）的区别与协作方式，提供主管提示词、派活模板、编码/审查/文档等专员提示词，并给出 5 分钟上手的 4 个步骤。作者通过「今日待办」实测发现专员自检不可靠，强调重要交付需加审查专员复核，并总结了路径写法、上下文记忆、安全红线等 6 个常见误区，最后给出日常使用流程和常见问题解答。
Grok Bot + Claude: 如何构建一个在你睡觉时工作的 AI 团队
文章提出不应把 AI 当作执行单个长任务的聊天机器人，而应构建一套完整的 AI 团队操作系统：以 Grok Bot 作为 Chief 协调者，配以 Researcher、Builder（Claude）、Reviewer、Reporter 四个专职角色，各司其职。核心要素包括共享工作区持久化任务状态、分层记忆系统、独立的验证流程以及人工审批边界，防止 Agent 在未经授权时执行不可逆操作。文章给出了具体的项目目录结构、Chief 角色的完整提示词，并以 GitHub issue 处理为例展示了从调研、构建、测试到审查的自动化协作流程，实现真正可审查、有证据支撑的自主工作成果。
GPT-6 Astra、Sol、Luna使用手册：官方资料到实操
文章介绍OpenAI发布的GPT-6 Sol和Luna模型，讲解如何按任务类型选择模型和推理强度：Astra适合高难度重要任务，Sol平衡能力与成本，Luna适合明确、重复的批量任务。文章详细分析了各模型的定价、事实性表现、编程能力评测，并强调真实成本不能只看每百万Token单价，还需考虑返工和沟通轮数。同时介绍了提示词缓存机制的原理和使用技巧，包括前缀稳定性、显式缓存断点设置等，最后给出Codex普通用户和API开发者的具体实操建议与代码示例。
怎么做好 Knowledge Agents？不应该复制 Coding Agents，做好检索能力、任务编排与专业分工
本文介绍 Ben Clavié 在 AI Engineer World's Fair 的演讲，主张知识型 Agent 不应照搬 Coding Agent 范式。核心观点：编程智能体的成功源于代码环境的结构化红利；而法律、医疗、投研等知识任务的难点在于正确定位、理解和验证证据。要构建可用的知识 Agent，需具备面向任务的高质量检索工具（含图表、扫描件等多模态内容），以及主智能体负责任务分解、子智能体承担专业分工的编排架构。文章还给出企业级建设的优先级建议：定义可验证任务、建设证据层、按需拆分智能体、多维度评估并保留人工审核。
Codex 模型到底怎么选？我终于把 Astra、Sol、Terra、Luna 理顺了
文章梳理了 Codex 各模型的选型思路：先区分模型代际与两个层级——模型本身与推理强度。Astra 能力上限最高，适合复杂 Coding、长任务和 Agent；Sol 是旗舰主力；Terra 均衡；Luna 最快最省。推理强度（轻度到极高）决定模型思考的深度与用量消耗，效果提升并非线性，应按任务难度递增。作者给出实用建议：小改动用 Luna/Terra，常规功能用 Sol 中，复杂调试用 Sol 高，架构与疑难问题用 Astra，最重要任务用 Astra 极高/Ultra。核心是按任务复杂度分档使用，而非默认最强配置，以延长用量。
我把 Codex 和 DeepSeek Harness 的源码都读了一遍，又跑了 150 次基准测试
作者逐行阅读 OpenAI 开源的 Codex harness（rust-v0.150.1）与 DeepSeek Harness（dsh v0.1.1-rc.2）的源码，从工具调度、多智能体、上下文管理、沙箱、可观测性、模型互操作等十个维度对比两者，并设计了五个机制场景、六个组合共 150 次真实 agent 运行测试。文章揭示多个反直觉发现：Codex 多智能体更成熟但没有独立的读文件工具；Codex 只支持 Responses 协议而 dsh 兼容 chat completions；两者在上下文压缩上防的是不同故障。结果 149/150 通过，压缩场景 Codex 快约五倍。文章最后给出按使用目的的选型建议。
Multica 从入门到上手，搭建你的第一支 AI Agent 团队
本文是 Multica 的入门教程，介绍如何搭建和管理 AI Agent 团队。Multica 将多个 AI（如 Codex）聚合到同一平台协作，内置负责人 Mika 负责任务拆解与分配。文章讲解了安装配置、创建智能体、发送任务、审核结果、组建小队等核心用法，并解释了 Skill、自动化、CC Switch 等功能。作者强调关键权限（付费、删文件、发布等）应保留人工确认，最后给出适合小白的七步上手顺序。
成为 Codex 高级用户的完整指南
本文是一篇进阶指南，旨在帮助用户将 Codex 打造为“常驻 AI 团队”，从而实现单人高效运作。文章指出，普通用户倾向于单步提示，而高级用户应转变为“设定目标与边界”的指挥者。作者提供了构建专属工作区、利用语音输入、使用 /goal 设定长期目标、让 AI 先勘察后执行等实用技巧。此外，文章还深入探讨了如何通过多智能体并行处理任务、云端运行长任务以及使用手机进行远程控制，从而打破设备与时间的限制，最大化提升工作流效率。
完美逆向文生图提示词的方法找到了
文章介绍了一种利用 Codex 创建两个子智能体（逆向提示词智能体 A 和监督智能体 B）的方法，通过 A 生成提示词、B 生图并对比找差异的循环迭代机制，将任意图片精准逆向为可复用的文生图提示词。实验表明，通过 3 轮迭代，成功将风格描述升级为版式锁定和视觉重心的精确约束，实现了 95 分的高保真复刻。
多智能体协作调查：Agent 到底该怎么分工
本文深入探讨了多智能体协作的工程实现细节，指出其并非简单的模型实例多开，而是涉及任务调度、状态管理等复杂机制。文章详细分析了 Codex、Claude Code、OpenClaw 等系统在触发方式（显式/语义/路由/队列）和拓扑结构（星型/链式/树型等）上的设计差异，并拆解了调用链中的关键环节。作者强调了显式控制、上下文隔离及 Merge 策略在构建高效多智能体系统中的重要性。
超越 Ralph 循环：构建高效的长运行 Agent 系统
作者通过实验发现，仅靠简单的 Ralph 循环（重复运行相同提示词）来驱动长运行 Agent 效果有限，容易导致歧义累积和目标偏离。文章指出 Codex 的 /goal 功能虽然解决了中断问题，但存在方向性偏差和缺乏反馈的缺陷。为此，作者提出了一套更优的工作流：在开始编码前进行严格的“设置阶段”，通过 /interview 命令让 AI 提问以消除模糊性；并采用多智能体协作模式，利用编排器管理子团队，以提高任务完成的质量和准确性。
