Subagenten

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

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.

Bitten Sie ChatGPT in ChatGPT Work, unabhängige Aufgaben an Subagenten zu delegieren. Die Agenten laufen in der gehosteten Umgebung von ChatGPT, und der Chat zeigt ihre Aktivitäten und Ergebnisse. Bei den meisten Intelligenzstufen müssen Sie die Delegation explizit anfordern. Mit Ultra kann ChatGPT Aufgaben proaktiv delegieren, wenn parallele Agenten die Geschwindigkeit oder Qualität wesentlich verbessern würden.

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.

Bitten Sie Codex in einer interaktiven CLI-Sitzung, Subagenten zu verwenden. Codex kann auch anwendbare Anweisungen aus AGENTS.md oder Skills befolgen, die eine Delegation verlangen. Verwenden Sie /subagents, um Agenten-Threads während der Ausführung einzusehen und zwischen ihnen zu wechseln. Der Hauptthread führt die Ergebnisse der Subagenten in seiner abschließenden Antwort zusammen.

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.

Fordern Sie bei den meisten Intelligenzstufen Subagenten oder parallele Agentenarbeit direkt an. Ultra ermöglicht proaktive Delegation, sodass ChatGPT geeignete unabhängige Aufgaben ohne gesonderte Aufforderung delegieren kann.

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

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.

Wenn Sie kein Subagentenmodell und keinen Wert für model_reasoning_effort konfigurieren, übernimmt der Subagent das Modell und den Reasoning-Aufwand des übergeordneten Agenten. Wenn eine explizite Startanforderung oder ein [agents]-Standardwert ein Modell auswählt, ohne dass ein Reasoning-Aufwand explizit angegeben oder konfiguriert ist, verwendet der Subagent den Standard-Reasoning-Aufwand dieses Modells. Um Intelligenz, Geschwindigkeit und Preis für jede Aufgabe abzuwägen, fordern Sie in Ihrem Prompt ein bestimmtes Modell oder einen bestimmten Reasoning-Aufwand an, konfigurieren Sie [agents]-Standardwerte in config.toml oder setzen Sie model und model_reasoning_effort direkt in der benutzerdefinierten Agentendatei. Verwenden Sie beispielsweise gpt-6-luna für schnelle Durchsichten oder eine gpt-6.1-sol-Konfiguration mit höherem Reasoning-Aufwand für anspruchsvollere Denkaufgaben.

Modellauswahl

• gpt-6.1-sol: Beginnen Sie hier für Agenten mit anspruchsvollen Aufgaben. Verwenden Sie es für mehrdeutige, mehrstufige Aufgaben, die Planung, Tool-Nutzung, Validierung und konsequente Ausführung über einen größeren Kontext hinweg erfordern.
• gpt-6-luna: Verwenden Sie es für schnelle Agenten mit eng umrissenem Aufgabenbereich, die klare, wiederholbare oder in großer Menge anfallende Aufgaben bearbeiten.

Reasoning-Aufwand (model_reasoning_effort)

Verwenden Sie für GPT-6.1 Sol einen Reasoning-Aufwand, der von Ihrem Client und dem ausgewählten Modell unterstützt wird. Beginnen Sie bei expliziten Modelleinstellungen mit high für GPT-6 Luna oder low für GPT-6 Astra. Passen Sie den Aufwand an die Aufgabe an und verwenden Sie eine vom ausgewählten Modell unterstützte Stufe.

• ultra: Verwenden Sie diese Stufe für das tiefgehendste Reasoning, sofern das ausgewählte Modell sie unterstützt.
• max und xhigh: Verwenden Sie diese Stufen für besonders anspruchsvolles Reasoning, sofern das ausgewählte Modell diese Stufen unterstützt.
• high: Verwenden Sie diese Stufe, wenn ein Agent komplexe Logik nachvollziehen, Annahmen prüfen oder Randfälle durcharbeiten muss (beispielsweise bei Review-Agenten oder Agenten mit Sicherheitsschwerpunkt).
• medium: Bietet ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Tiefe.
• low: Verwenden Sie diese Stufe, wenn die Aufgabe unkompliziert ist und Geschwindigkeit im Vordergrund steht.

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.

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

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

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.

• 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.

Checkliste für den BerichtCheckliste für die PräsentationArbeit begonnen

AktivKeine aktiven Subagenten

Abgeschlossen · 3

Prüfung der Modell-APIPrüfung abgeschlossen; es wurden keine Kompatibilitätsprobleme mit Endpunkten gefunden.

2 Min.

PaketprüfungAm sichersten ist eine gezielte Aktualisierung der Abhängigkeiten.

3 Min.

Prüfung der LandingpagePrüfung abgeschlossen; es bestehen keine Hindernisse mehr für das endgültige Layout.

4 Min.

• Verwenden Sie /subagents in der CLI, um zwischen aktiven Agenten-Threads zu wechseln und den laufenden Thread einzusehen.
• Bitten Sie Codex direkt, einem laufenden Subagenten neue Anweisungen zu geben, ihn zu stoppen oder abgeschlossene Agenten-Threads zu schließen.

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

Subagenten übernehmen Ihre aktuelle Sandbox-Richtlinie.

ChatGPT Work führt Subagenten in seiner gehosteten Umgebung aus und stellt weder eine lokale Codex-Sandbox noch eine Steuerung des Genehmigungsmodus bereit. Subagenten verwenden die Tools, die im übergeordneten Chat verfügbar sind. Berechtigungen für Websites und Konnektoren bleiben Tool-spezifisch.

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.

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.

Subagenten übernehmen die aktuellen Sandbox- und Genehmigungseinstellungen des übergeordneten Turns, einschließlich Änderungen, die mit /permissions oder --yolo vorgenommen wurden. Eine benutzerdefinierte Agentendatei kann diese Einstellungen nicht ersetzen.

Subagenten übernehmen den unterhalb des Eingabefelds ausgewählten Berechtigungsmodus. Wählen Sie den Berechtigungsmodus für den übergeordneten Turn, bevor Sie Codex bitten, Aufgaben zu delegieren.

Legen Sie die Sandbox- und Genehmigungseinstellungen in der übergeordneten Sitzung fest. Benutzerdefinierte Agentenanweisungen können einen Agenten auffordern, Änderungen zu vermeiden, erstellen aber keine separate schreibgeschützte Sandbox.

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. Benutzerdefinierte Agenten können Modelleinstellungen und Anweisungen ändern oder unterstützte Funktionen deaktivieren. Sie erben die Berechtigungen, den Anbieter und die MCP server der übergeordneten Sitzung; eine benutzerdefinierte Agentendatei kann diese Einstellungen nicht überschreiben.

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. Vor dem Anwenden der Datei ermittelt Codex jede Einstellung zuerst anhand eines expliziten Werts beim Starten, dann anhand des entsprechenden Standardwerts aus [agents] und schließlich anhand des Werts der übergeordneten Sitzung. Wenn eine explizite Startanforderung oder ein Standardwert aus [agents] ein Modell auswählt und keiner von beiden einen Reasoning-Aufwand vorgibt, verwendet Codex den Standardaufwand dieses Modells. Eine benutzerdefinierte Agentendatei, die nur model festlegt, behält diesen zuvor ermittelten Aufwand bei. Legen Sie auch model_reasoning_effort in der Datei fest, wenn das ausgewählte Modell diesen Aufwand nicht unterstützt oder Sie einen anderen wünschen. Skills werden von der übergeordneten Sitzung geerbt, und ein benutzerdefinierter Agent kann einzelne Skills mit skills.config deaktivieren.

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

Verwenden Sie model, model_reasoning_effort, model_reasoning_summary und model_verbosity, um das Modellverhalten anzupassen. Die Konfigurationsreferenz beschreibt die zulässigen Werte.

Um die Funktionen eines benutzerdefinierten Agenten einzuschränken, setzen Sie unterstützte Funktionsschlüssel auf false: features.shell_tool, features.apps, features.plugins, features.memories oder features.request_permissions_tool. Deaktivieren Sie einzelne Skills mit skills.config oder mitgelieferte Skills mit skills.bundled.enabled = false. Setzen Sie skills.include_instructions = false, um den automatisch eingefügten Anweisungsblock für Skills wegzulassen. Zentral verwaltete Vorgaben gelten weiterhin.

Andere Sitzungseinstellungen, darunter sandbox_mode, approval_policy, model_provider und mcp_servers, überschreiben die übergeordnete Konfiguration nicht, wenn sie in einer benutzerdefinierten Agentendatei stehen. Auch die Servicestufe richtet sich nach der Präferenz der Stammsitzung. Konfigurieren Sie MCP server in der übergeordneten Sitzung, damit der Agent sie verwenden kann.

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.

Die Beispiele verwenden GPT-6.1 Sol, sofern Ihr angemeldetes Konto oder Ihr Workspace Zugriff darauf hat. Falls es nicht verfügbar ist, wählen Sie ein Modell, das Sie verwenden können.

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

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

.codex/agents/pr-explorer.toml:

name = "pr_explorer"
description = "Read-only codebase explorer for gathering evidence before changes are proposed."
model = "gpt-6-luna"
model_reasoning_effort = "high"
developer_instructions = """
Stay in exploration mode.
Do not edit files.
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-6.1-sol"
model_reasoning_effort = "medium"
developer_instructions = """
Review code like an owner.
Do not edit files.
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-6-luna"
model_reasoning_effort = "high"
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.
"""

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

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

.codex/agents/code-mapper.toml:

name = "code_mapper"
description = "Read-only codebase explorer for locating the relevant frontend and backend code paths."
model = "gpt-6-luna"
model_reasoning_effort = "high"
developer_instructions = """
Map the code that owns the failing UI flow.
Do not edit files.
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-6.1-sol"
model_reasoning_effort = "medium"
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.
"""

.codex/agents/ui-fixer.toml:

name = "ui_fixer"
description = "Implementation-focused agent for small, targeted fixes after the issue is understood."
model = "gpt-6-luna"
model_reasoning_effort = "high"
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.