Subagenten

ChatGPT Work und Codex können Subagenten-Workflows ausführen, indem sie spezialisierte Agenten parallel starten und deren Ergebnisse anschließend in einer Antwort zusammenführen. Dies kann besonders bei komplexen Aufgaben hilfreich sein, die sich stark parallelisieren lassen, etwa bei der Erkundung einer Codebasis oder der Umsetzung eines mehrstufigen Funktionsplans.

In lokalen Codex-Clients können Sie außerdem benutzerdefinierte Agenten mit unterschiedlichen Modellkonfigurationen und Anweisungen für verschiedene Aufgaben definieren.

Verfügbarkeit

ChatGPT Work im Web

ChatGPT Work stellt berechtigten Konten Subagenten-Workflows und deren Aktivitäten zur Verfügung.

Lokale Codex-Clients

In aktuellen Codex-Versionen sind Subagenten-Workflows standardmäßig aktiviert. Die Aktivitäten von Subagenten werden in der ChatGPT-Desktop-App, in Codex CLI und in der IDE-Erweiterung angezeigt.

Da jeder Subagent seine eigene Modell- und Toolarbeit ausführt, verbrauchen Subagenten-Workflows mehr Token als vergleichbare Ausführungen mit einem einzelnen Agenten.

ChatGPT Work im Web

Bitten Sie ChatGPT in ChatGPT Work, unabhängige Arbeiten an Subagenten zu delegieren. Die Agenten werden in der gehosteten Umgebung von ChatGPT ausgeführt, und der Chat zeigt ihre Aktivitäten und Ergebnisse an. Bei den meisten Intelligenzstufen müssen Sie ausdrücklich um Delegierung bitten. Mit Ultra kann ChatGPT Aufgaben proaktiv delegieren, wenn parallele Agenten die Geschwindigkeit oder Qualität wesentlich verbessern würden.

ChatGPT-Desktop-App

Bitten Sie Codex in einem App-Chat, unabhängige Teile der Arbeit an Subagenten zu delegieren. Aktuelle lokale Codex-Versionen delegieren, wenn Sie direkt darum bitten oder wenn entsprechende AGENTS.md- oder Skill-Anweisungen dies verlangen. Die App zeigt jeden Subagenten-Thread an, sodass Sie dessen Arbeit und die an den Hauptchat zurückgegebene Zusammenfassung prüfen können.

Codex CLI

Bitten Sie Codex in einer interaktiven CLI-Sitzung, Subagenten zu verwenden. Codex kann auch entsprechenden AGENTS.md- oder Skill-Anweisungen folgen, die eine Delegierung verlangen. Verwenden Sie /agent, um Agenten-Threads während ihrer Ausführung zu prüfen und zwischen ihnen zu wechseln. Der Haupt-Thread führt die Ergebnisse der Subagenten in seiner endgültigen Antwort zusammen.

IDE-Erweiterung

Bitten Sie Codex in einem IDE-Chat, unabhängige Teile der Arbeit an Subagenten zu delegieren. Codex kann auch entsprechenden AGENTS.md- oder Skill-Anweisungen folgen, die eine Delegierung verlangen. Wenn die Benutzeroberfläche für Hintergrundagenten verfügbar ist, werden aktive Subagenten oberhalb des Eingabefelds angezeigt. Klappen Sie den Bereich auf, um ihren Status anzuzeigen, alle aktiven Subagenten zu stoppen oder einen einzelnen Subagenten-Thread zu öffnen.

Vorteile von Subagenten-Workflows

Selbst bei großen Kontextfenstern stoßen Modelle an Grenzen. Wenn Sie den Hauptchat (in dem Sie Anforderungen, Einschränkungen und Entscheidungen festlegen) mit unübersichtlichen Zwischenausgaben wie Erkundungsnotizen, Testprotokollen, Stacktraces und Befehlsausgaben überfrachten, kann die Sitzung mit der Zeit unzuverlässiger werden.

Dies wird häufig folgendermaßen beschrieben:

• Kontextverschmutzung: Nützliche Informationen gehen in unübersichtlichen Zwischenausgaben unter.
• Kontextverfall: Die Leistung nimmt ab, während sich der Chat mit weniger relevanten Details füllt.

Hintergrundinformationen finden Sie im Chroma-Beitrag über Kontextverfall.

Subagenten-Workflows helfen, indem sie unübersichtliche Arbeit aus dem Haupt-Thread auslagern:

• Der Hauptagent kann sich auf Anforderungen, Entscheidungen und endgültige Ergebnisse konzentrieren.
• Spezialisierte Subagenten können parallel Erkundungen, Tests oder Protokollanalysen durchführen.
• Zusammenfassungen der Subagenten werden anstelle unaufbereiteter Zwischenausgaben zurückgegeben.

Sie können auch Zeit sparen, wenn sich die Arbeit unabhängig parallel ausführen lässt, und machen umfangreichere Aufgaben besser handhabbar, indem sie diese in klar abgegrenzte Teile zerlegen. Codex kann beispielsweise die Analyse eines Dokuments mit mehreren Millionen Token in kleinere Aufgaben aufteilen und dem Haupt-Thread komprimierte Erkenntnisse zurückgeben.

Verwenden Sie parallele Agenten zunächst für leseintensive Aufgaben wie Erkundung, Tests, Triage und Zusammenfassungen. Gehen Sie bei parallelen, schreibintensiven Workflows vorsichtiger vor, da gleichzeitig Code bearbeitende Agenten Konflikte verursachen und den Koordinationsaufwand erhöhen können.

Zentrale Begriffe

Codex verwendet in Subagenten-Workflows einige zusammengehörige Begriffe:

• Subagenten-Workflow: Ein Workflow, bei dem Codex parallele Agenten ausführt und deren Ergebnisse zusammenführt.
• Subagent: Ein delegierter Agent, den Codex zur Bearbeitung einer bestimmten Aufgabe startet.
• Agenten-Thread: Der Thread, in dem ein Subagent seine Arbeit ausführt. Unterstützte Clients ermöglichen es Ihnen, diese Threads zu öffnen, um Fortschritt oder Ergebnisse zu prüfen.

Subagenten-Workflows auslösen

ChatGPT Work im Web

Bei den meisten Intelligenzstufen müssen Sie direkt um Subagenten oder parallele Agentenarbeit bitten. Ultra ermöglicht eine proaktive Delegierung, sodass ChatGPT geeignete unabhängige Arbeiten ohne separate Aufforderung delegieren kann.

Lokale Codex-Clients

Bitten Sie direkt um Subagenten oder parallele Agentenarbeit. Codex kann auch delegieren, wenn entsprechende Projekt- oder Skill-Anweisungen dies verlangen.

In der Praxis bedeutet manuelles Auslösen, direkte Anweisungen wie „starte zwei Agenten“, „delegiere diese Arbeit parallel“ oder „verwende einen Agenten pro Punkt“ zu verwenden. Subagenten-Workflows verbrauchen mehr Token als vergleichbare Ausführungen mit einem einzelnen Agenten, da jeder Subagent seine eigene Modell- und Toolarbeit ausführt.

Eine gute Aufforderung für Subagenten sollte erklären, wie die Arbeit aufzuteilen ist, ob Codex vor dem Fortfahren auf alle Agenten warten soll und welche Zusammenfassung oder Ausgabe zurückgegeben werden soll.

Review this branch with parallel subagents. Spawn one subagent for security risks, one for test gaps, and one for maintainability. Wait for all three, then summarize the findings by category with file references.

Modelle und Reasoning auswählen

Unterschiedliche Agenten benötigen unterschiedliche Modell- und Reasoning-Einstellungen.

ChatGPT Work im Web

Wählen Sie in ChatGPT Work im Eingabebereich ein Modell und eine Intelligenzstufe aus. Je nach ausgewähltem Modell können die verfügbaren Intelligenzstufen Light, Medium, High, Extra High und Max umfassen. Ultra ist nur für berechtigte Konten und unterstützte Modelle verfügbar. Es verwendet maximales Reasoning und ermöglicht ChatGPT, geeignete Arbeiten proaktiv an Subagenten zu delegieren.

Bei anderen Intelligenzstufen müssen Sie ausdrücklich um Subagenten bitten, wenn Arbeiten parallel delegiert werden sollen.

Lokale Codex-Clients

Wenn Sie kein Modell oder model_reasoning_effort fest vorgeben, kann Codex eine Konfiguration wählen, die Intelligenz, Geschwindigkeit und Kosten für die Aufgabe ausbalanciert. Für schnelle Prüfungen bevorzugt es möglicherweise gpt-5.6-terra oder für anspruchsvolleres Reasoning eine gpt-5.6-Konfiguration mit höherem Aufwand. Wenn Sie eine genauere Steuerung wünschen, geben Sie diese Auswahl in Ihrer Aufforderung vor oder legen Sie model und model_reasoning_effort direkt in der Agentendatei fest.

Modellauswahl

• gpt-5.6: Beginnen Sie hier bei anspruchsvollen Agenten. Dieses Modell eignet sich am besten für mehrdeutige, mehrstufige Arbeiten, die Planung, Toolnutzung, Validierung und konsequente Umsetzung über einen größeren Kontext hinweg erfordern.
• gpt-5.6-terra: Verwenden Sie dieses Modell für Agenten, bei denen Geschwindigkeit und Effizienz wichtiger als Tiefe sind, etwa für Erkundungen, leseintensive Prüfungen, die Prüfung großer Dateien oder die Verarbeitung unterstützender Dokumente. Es eignet sich gut für parallele Worker, die dem Hauptagenten komprimierte Ergebnisse zurückgeben.
• gpt-5.6-luna: Verwenden Sie dieses Modell für schnelle, eng abgegrenzte Agenten, die eindeutige, wiederholbare oder umfangreiche Arbeiten erledigen.

Reasoning-Aufwand (model_reasoning_effort)

• ultra: Verwenden Sie diese Stufe für das tiefgehendste Reasoning, wenn das ausgewählte Modell sie unterstützt.
• max und xhigh: Verwenden Sie diese Stufen für besonders anspruchsvolles Reasoning, wenn das ausgewählte Modell sie unterstützt.
• high: Verwenden Sie diese Stufe, wenn ein Agent komplexe Logik nachvollziehen, Annahmen prüfen oder Grenzfälle durcharbeiten muss (beispielsweise Agenten für Reviews oder Sicherheitsprüfungen).
• medium: Eine ausgewogene Standardeinstellung für die meisten Agenten.
• low: Verwenden Sie diese Stufe, wenn die Aufgabe unkompliziert ist und Geschwindigkeit höchste Priorität hat.

Ein höherer Reasoning-Aufwand erhöht die Antwortzeit und den Tokenverbrauch, kann bei komplexen Arbeiten jedoch die Qualität verbessern. Weitere Informationen finden Sie unter Modelle, Grundlagen der Konfiguration und Konfigurationsreferenz.

Orchestrierung und Thread-Steuerung

ChatGPT oder Codex übernimmt die Orchestrierung zwischen Agenten, darunter das Starten neuer Subagenten, das Weiterleiten nachfolgender Anweisungen, das Warten auf Ergebnisse und das Schließen von Agenten-Threads.

Wenn viele Agenten ausgeführt werden, wartet Codex, bis alle angeforderten Ergebnisse verfügbar sind, und gibt anschließend eine konsolidierte Antwort zurück.

ChatGPT Work im Web

Bei den meisten Intelligenzstufen startet ChatGPT Agenten nach einer direkten Aufforderung. Mit Ultra kann ChatGPT außerdem proaktiv delegieren, wenn parallele Arbeit sinnvoll ist.

Lokale Codex-Clients

Aktuelle lokale Codex-Versionen starten Agenten nach einer direkten Aufforderung oder aufgrund entsprechender Projekt- oder Skill-Anweisungen.

Probieren Sie die folgende Aufforderung in Ihrem Projekt aus, um dies in Aktion zu sehen:

I would like to review the following points on the current PR (this branch vs main). Spawn one agent per point, wait for all of them, and summarize the result for each point.
1. Security issue
2. Code quality
3. Bugs
4. Race
5. Test flakiness
6. Maintainability of the code

Subagenten verwalten

ChatGPT Work im Web

Öffnen Sie Subagents, um die schreibgeschützten Listen Active und Done anzuzeigen. Wählen Sie einen abgeschlossenen Subagenten aus, um dessen Details und Ergebnis zu prüfen. Die Web-Seitenleiste zeigt Subagenten-Aktivitäten an; sie bietet keine Steuerelemente zum Stoppen oder Lenken eines einzelnen Subagenten.

ChatGPT-Desktop-App

• Öffnen Sie über die im Haupt-Thread angezeigte Aktivität einen Subagenten-Thread, um dessen Arbeit zu prüfen.
• Bitten Sie Codex direkt, einen laufenden Subagenten zu lenken oder zu stoppen oder abgeschlossene Subagenten-Threads zu schließen.

Codex CLI

• Verwenden Sie /agent in der CLI, um zwischen aktiven Agenten-Threads zu wechseln und den laufenden Thread zu prüfen.
• Bitten Sie Codex direkt, einen laufenden Subagenten zu lenken oder zu stoppen oder abgeschlossene Agenten-Threads zu schließen.

IDE-Erweiterung

• Wenn der Bereich für Hintergrundagenten verfügbar ist, klappen Sie ihn auf, um den Status zu prüfen, aktive Subagenten zu stoppen oder einen Subagenten-Thread zu öffnen.
• Bitten Sie Codex direkt, einen laufenden Subagenten zu lenken oder zu stoppen oder abgeschlossene Agenten-Threads zu schließen.

Genehmigungen und Sandbox-Steuerung

Lokale Codex-Clients

Subagenten übernehmen Ihre aktuelle Sandbox-Richtlinie.

ChatGPT Work im Web

ChatGPT Work führt Subagenten in seiner gehosteten Umgebung aus und stellt keine lokale Codex-Sandbox oder Steuerung des Genehmigungsmodus bereit. Subagenten verwenden die Tools, die dem übergeordneten Chat zur Verfügung stehen. Berechtigungen für Websites und Connectors bleiben toolspezifisch.

ChatGPT-Desktop-App

Subagenten übernehmen den unterhalb des Eingabefelds ausgewählten Berechtigungsmodus. Wählen Sie den Berechtigungsmodus für den übergeordneten Turn aus, bevor Sie Codex um die Delegierung von Arbeiten bitten.

Codex CLI

In interaktiven CLI-Sitzungen können Genehmigungsanfragen aus inaktiven Agenten- Threads angezeigt werden, selbst während Sie den Haupt-Thread betrachten. Das Genehmigungs-Overlay zeigt die Bezeichnung des Quell-Threads an, und Sie können o drücken, um diesen Thread zu öffnen, bevor Sie die Anfrage genehmigen, ablehnen oder beantworten.

In nicht interaktiven Abläufen oder immer dann, wenn eine Ausführung keine neue Genehmigungsanfrage anzeigen kann, schlägt eine Aktion fehl, die eine neue Genehmigung benötigt, und Codex gibt den Fehler an den übergeordneten Workflow zurück.

Codex wendet beim Starten eines untergeordneten Agenten außerdem die aktuellen Laufzeitüberschreibungen des übergeordneten Turns erneut an. Dazu gehören Sandbox- und Genehmigungseinstellungen, die Sie während der Sitzung interaktiv festgelegt haben, etwa Änderungen an /permissions oder --yolo, selbst wenn die ausgewählte benutzerdefinierte Agentendatei andere Standardwerte festlegt.

IDE-Erweiterung

Subagenten übernehmen den unterhalb des Eingabefelds ausgewählten Berechtigungsmodus. Wählen Sie den Berechtigungsmodus für den übergeordneten Turn aus, bevor Sie Codex um die Delegierung von Arbeiten bitten.

Sie können die Sandbox-Konfiguration auch für einzelne benutzerdefinierte Agenten überschreiben, beispielsweise indem Sie einen Agenten ausdrücklich auf den schreibgeschützten Modus festlegen.

Benutzerdefinierte Agenten

Codex wird mit integrierten Agenten ausgeliefert:

• default: universeller Ausweichagent.
• worker: ausführungsorientierter Agent für Implementierungen und Fehlerbehebungen.
• explorer: leseintensiver Agent zur Erkundung der Codebasis.

Um eigene benutzerdefinierte Agenten zu definieren, fügen Sie eigenständige TOML-Dateien unter ~/.codex/agents/ für persönliche Agenten oder unter .codex/agents/ für projektbezogene Agenten hinzu.

Jede Datei definiert einen benutzerdefinierten Agenten. Codex lädt diese Dateien als Konfigurations- ebenen für gestartete Sitzungen, sodass benutzerdefinierte Agenten dieselben Einstellungen wie eine normale Codex-Sitzungskonfiguration überschreiben können. Das kann aufwendiger wirken als ein dediziertes Agenten- manifest, und das Format kann sich mit zunehmender Reife der Erstellung und Freigabe weiterentwickeln.

Jede eigenständige Datei eines benutzerdefinierten Agenten muss Folgendes definieren:

• name
• description
• developer_instructions

Wenn eine benutzerdefinierte Agentendatei model oder model_reasoning_effort festlegt, hat der Wert in der Datei Vorrang. Andernfalls löst Codex jede Einstellung unabhängig auf: ein expliziter Startwert, dann der entsprechende Standardwert aus [agents] und anschließend der Wert des übergeordneten Agenten. Wenn beim Start ein anderes Modell ausgewählt wird und weder ein expliziter noch ein konfigurierter Rechenaufwand vorhanden ist, verwendet Codex den Standardrechenaufwand dieses Modells. Andere Sitzungseinstellungen wie sandbox_mode, mcp_servers und skills.config werden vom übergeordneten Agenten übernommen, wenn sie in der benutzerdefinierten Agentendatei fehlen.

Globale Einstellungen

Globale Subagenten-Einstellungen befinden sich weiterhin unter [agents] in Ihrer Konfiguration.

Hinweise:

• agents.enabled ist standardmäßig true. Legen Sie den Wert auf false fest, um Multi-Agent-Tools zu deaktivieren.
• Wenn Sie agents.max_concurrent_threads_per_session nicht festlegen, wählt Codex den Standardwert. Bestehende Konfigurationen können agents.max_threads weiterhin als veralteten Alias verwenden.
• Explizite Startwerte überschreiben agents.default_subagent_model und agents.default_subagent_reasoning_effort.
• agents.interrupt_message ist standardmäßig true. Legen Sie den Wert auf false fest, um die für das Modell sichtbare Unterbrechungsnachricht aus dem Kontext des Agenten wegzulassen.
• Wenn der Name eines benutzerdefinierten Agenten mit einem integrierten Agenten wie explorer übereinstimmt, hat Ihr benutzerdefinierter Agent Vorrang.

Schema für benutzerdefinierte Agentendateien

Sie können außerdem weitere unterstützte config.toml-Schlüssel in eine benutzerdefinierte Agentendatei aufnehmen, beispielsweise model, model_reasoning_effort, sandbox_mode, mcp_servers und skills.config.

Codex identifiziert den benutzerdefinierten Agenten anhand seines Felds name. Den Dateinamen an den Agentennamen anzupassen, ist die einfachste Konvention, aber das Feld name ist die maßgebliche Quelle.

Beispiele für benutzerdefinierte Agenten

Die besten benutzerdefinierten Agenten sind eng umrissen und klar ausgerichtet. Geben Sie jedem eine eindeutige Aufgabe, eine zu dieser Aufgabe passende Tool-Oberfläche und Anweisungen, die verhindern, dass er in angrenzende Aufgabenbereiche abdriftet.

Beispiel 1: PR-Review

Dieses Muster verteilt das Review auf drei fokussierte benutzerdefinierte Agenten:

• pr_explorer erfasst die Codebasis und sammelt Belege.
• reviewer sucht nach Risiken hinsichtlich Korrektheit, Sicherheit und Tests.
• docs_researcher prüft Framework- oder API-Dokumentation über einen dedizierten MCP-Server.

Projektkonfiguration (.codex/config.toml):

[agents]
max_concurrent_threads_per_session = 8

.codex/agents/pr-explorer.toml:

name = "pr_explorer"
description = "Read-only codebase explorer for gathering evidence before changes are proposed."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"
developer_instructions = """
Stay in exploration mode.
Trace the real execution path, cite files and symbols, and avoid proposing fixes unless the parent agent asks for them.
Prefer fast search and targeted file reads over broad scans.
"""

.codex/agents/reviewer.toml:

name = "reviewer"
description = "PR reviewer focused on correctness, security, and missing tests."
model = "gpt-5.6-terra"
model_reasoning_effort = "high"
sandbox_mode = "read-only"
developer_instructions = """
Review code like an owner.
Prioritize correctness, security, behavior regressions, and missing test coverage.
Lead with concrete findings, include reproduction steps when possible, and avoid style-only comments unless they hide a real bug.
"""

.codex/agents/docs-researcher.toml:

name = "docs_researcher"
description = "Documentation specialist that uses the docs MCP server to verify APIs and framework behavior."
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"
developer_instructions = """
Use the docs MCP server to confirm APIs, options, and version-specific behavior.
Return concise answers with links or exact references when available.
Do not make code changes.
"""

[mcp_servers.openaiDeveloperDocs]
url = "https://developers.openai.com/mcp"

Diese Einrichtung eignet sich gut für Prompts wie:

Review this branch against main. Have pr_explorer map the affected code paths, reviewer find real risks, and docs_researcher verify the framework APIs that the patch relies on.

Beispiel 2: Fehlerbehebung bei der Frontend-Integration

Dieses Muster ist für UI-Regressionen, instabile Browserabläufe oder Integrationsfehler nützlich, die Anwendungscode und das laufende Produkt betreffen.

Projektkonfiguration (.codex/config.toml):

[agents]
max_concurrent_threads_per_session = 6

.codex/agents/code-mapper.toml:

name = "code_mapper"
description = "Read-only codebase explorer for locating the relevant frontend and backend code paths."
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"
developer_instructions = """
Map the code that owns the failing UI flow.
Identify entry points, state transitions, and likely files before the worker starts editing.
"""

.codex/agents/browser-debugger.toml:

name = "browser_debugger"
description = "UI debugger that uses browser tooling to reproduce issues and capture evidence."
model = "gpt-5.6-terra"
model_reasoning_effort = "high"
sandbox_mode = "workspace-write"
developer_instructions = """
Reproduce the issue in the browser, capture exact steps, and report what the UI actually does.
Use browser tooling for screenshots, console output, and network evidence.
Do not edit application code.
"""

[mcp_servers.chrome_devtools]
url = "http://localhost:3000/mcp"
startup_timeout_sec = 20

.codex/agents/ui-fixer.toml:

name = "ui_fixer"
description = "Implementation-focused agent for small, targeted fixes after the issue is understood."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
developer_instructions = """
Own the fix once the issue is reproduced.
Make the smallest defensible change, keep unrelated files untouched, and validate only the behavior you changed.
"""

[[skills.config]]
path = "/Users/me/.agents/skills/docs-editor/SKILL.md"
enabled = false

Diese Einrichtung eignet sich gut für Prompts wie:

Investigate why the settings modal fails to save. Have browser_debugger reproduce it, code_mapper trace the responsible code path, and ui_fixer implement the smallest fix once the failure mode is clear.