Sous-agents

ChatGPT Work et Codex peuvent exécuter des workflows de sous-agents en lançant des agents spécialisés en parallèle, puis en regroupant leurs résultats dans une seule réponse. Cela peut être particulièrement utile pour les tâches complexes hautement parallélisables, telles que l’exploration d’une base de code ou la mise en œuvre d’un plan de fonctionnalité en plusieurs étapes.

Dans les clients Codex locaux, vous pouvez également définir des agents personnalisés avec différentes configurations de modèle et instructions selon les tâches.

Disponibilité

ChatGPT Work sur le Web

ChatGPT Work présente les workflows de sous-agents et leur activité aux comptes éligibles.

Clients Codex locaux

Les versions actuelles de Codex activent les workflows de sous-agents par défaut. L’activité des sous-agents apparaît dans l’application de bureau ChatGPT, Codex CLI et l’extension IDE.

Comme chaque sous-agent effectue ses propres opérations avec le modèle et les outils, les workflows de sous-agents consomment davantage de jetons que des exécutions comparables avec un seul agent.

ChatGPT Work sur le Web

Dans ChatGPT Work, demandez à ChatGPT de déléguer les tâches indépendantes à des sous-agents. Les agents s’exécutent dans l’environnement hébergé de ChatGPT, et la conversation affiche leur activité et leurs résultats. Avec la plupart des niveaux d’intelligence, demandez explicitement la délégation. Avec Ultra, ChatGPT peut déléguer proactivement des tâches lorsque des agents parallèles amélioreraient sensiblement la rapidité ou la qualité.

Application de bureau ChatGPT

Dans une conversation de l’application, demandez à Codex de déléguer les parties indépendantes du travail à des sous-agents. Les versions locales actuelles de Codex délèguent lorsque vous le demandez directement ou lorsque les instructions AGENTS.md applicables ou celles d’une compétence le demandent. L’application présente chaque fil de sous-agent afin que vous puissiez examiner son travail et le résumé renvoyé à la conversation principale.

Codex CLI

Dans une session CLI interactive, demandez à Codex d’utiliser des sous-agents. Codex peut également suivre les instructions AGENTS.md applicables ou celles d’une compétence qui demandent une délégation. Utilisez /agent pour examiner les fils d’agents et passer de l’un à l’autre pendant leur exécution. Le fil principal regroupe les résultats des sous-agents dans sa réponse finale.

Extension IDE

Dans une conversation IDE, demandez à Codex de déléguer les parties indépendantes du travail à des sous-agents. Codex peut également suivre les instructions AGENTS.md applicables ou celles d’une compétence qui demandent une délégation. Lorsque l’interface des agents en arrière-plan est disponible, les sous-agents actifs apparaissent au-dessus de la zone de saisie. Développez le panneau pour consulter leur état, arrêter tous les sous-agents actifs ou ouvrir le fil d’un sous-agent particulier.

Pourquoi les workflows de sous-agents sont utiles

Même avec de grandes fenêtres de contexte, les modèles ont des limites. Si vous surchargez la conversation principale (où vous définissez les exigences, les contraintes et les décisions) avec des résultats intermédiaires parasites, tels que des notes d’exploration, des journaux de test, des traces de pile et des sorties de commandes, la session peut perdre en fiabilité au fil du temps.

Ce phénomène est souvent décrit ainsi :

• Pollution du contexte : les informations utiles se retrouvent noyées dans des résultats intermédiaires parasites.
• Dégradation du contexte : les performances diminuent à mesure que la conversation se remplit de détails moins pertinents.

Pour en savoir plus, consultez l’article de Chroma sur la dégradation du contexte.

Les workflows de sous-agents permettent de déplacer les tâches parasites hors du fil principal :

• Maintenez l’agent principal concentré sur les exigences, les décisions et les résultats finaux.
• Exécutez des sous-agents spécialisés en parallèle pour l’exploration, les tests ou l’analyse des journaux.
• Renvoyez des résumés des sous-agents au lieu de résultats intermédiaires bruts.

Ils peuvent également faire gagner du temps lorsque le travail peut être exécuté indépendamment en parallèle, et ils facilitent la gestion des tâches de grande ampleur en les divisant en parties délimitées. Par exemple, Codex peut scinder l’analyse d’un document de plusieurs millions de jetons en problèmes plus petits et renvoyer des conclusions synthétiques au fil principal.

Pour commencer, utilisez des agents parallèles pour les tâches principalement axées sur la lecture, telles que l’exploration, les tests, le triage et la synthèse. Soyez plus prudent avec les workflows parallèles impliquant beaucoup d’écritures, car des agents qui modifient le code simultanément peuvent créer des conflits et accroître les coûts de coordination.

Termes fondamentaux

Codex emploie quelques termes connexes dans les workflows de sous-agents :

• Workflow de sous-agents : workflow dans lequel Codex exécute des agents en parallèle et combine leurs résultats.
• Sous-agent : agent délégué que Codex lance pour traiter une tâche précise.
• Fil d’agent : fil dans lequel un sous-agent effectue son travail. Les clients compatibles vous permettent d’ouvrir ces fils pour examiner la progression ou les résultats.

Déclencher des workflows de sous-agents

ChatGPT Work sur le Web

Avec la plupart des niveaux d’intelligence, demandez directement des sous-agents ou un travail parallèle entre agents. Ultra permet la délégation proactive : ChatGPT peut donc déléguer les tâches indépendantes appropriées sans demande distincte.

Clients Codex locaux

Demandez directement des sous-agents ou un travail parallèle entre agents. Codex peut également déléguer lorsque des instructions applicables du projet ou d’une compétence le demandent.

En pratique, le déclenchement manuel consiste à utiliser des instructions directes telles que « lance deux agents », « délègue ce travail en parallèle » ou « utilise un agent par point ». Les workflows de sous-agents consomment davantage de jetons que des exécutions comparables avec un seul agent, car chaque sous-agent effectue ses propres opérations avec le modèle et les outils.

Une bonne instruction destinée aux sous-agents doit expliquer comment répartir le travail, si Codex doit attendre tous les agents avant de continuer, ainsi que le résumé ou le résultat à renvoyer.

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.

Choisir les modèles et le niveau de raisonnement

Les différents agents nécessitent des paramètres de modèle et de raisonnement différents.

ChatGPT Work sur le Web

Dans ChatGPT Work, choisissez un modèle et un niveau d’intelligence dans la zone de saisie. Les niveaux d’intelligence disponibles peuvent inclure Light, Medium, High, Extra High et Max, selon le modèle sélectionné. Ultra est réservé aux comptes éligibles et aux modèles compatibles. Il utilise le niveau de raisonnement maximal et permet à ChatGPT de déléguer proactivement les tâches appropriées à des sous-agents.

Avec les autres niveaux d’intelligence, demandez explicitement des sous-agents lorsque vous souhaitez déléguer le travail en parallèle.

Clients Codex locaux

Si vous ne fixez pas de modèle ni de valeur model_reasoning_effort, Codex peut choisir une configuration qui équilibre l’intelligence, la rapidité et le prix en fonction de la tâche. Il peut privilégier gpt-5.6-terra pour les analyses rapides ou une configuration gpt-5.6 exigeant davantage d’effort pour les raisonnements plus complexes. Pour un contrôle plus précis, orientez ce choix dans votre instruction ou définissez directement model et model_reasoning_effort dans le fichier de l’agent.

Choix du modèle

• gpt-5.6 : commencez ici pour les agents exigeants. C’est le modèle le plus performant pour les tâches ambiguës en plusieurs étapes qui nécessitent de la planification, l’utilisation d’outils, une validation et un suivi dans un contexte plus large.
• gpt-5.6-terra : utilisez-le pour les agents qui privilégient la rapidité et l’efficacité plutôt que la profondeur, par exemple pour l’exploration, les analyses principalement axées sur la lecture, l’examen de fichiers volumineux ou le traitement de documents complémentaires. Il convient particulièrement aux agents parallèles qui renvoient des résultats synthétiques à l’agent principal.
• gpt-5.6-luna : utilisez-le pour les agents rapides et étroitement spécialisés qui traitent des tâches claires, répétitives ou à grand volume.

Effort de raisonnement (model_reasoning_effort)

• ultra : utilisez-le pour le raisonnement le plus approfondi lorsque le modèle sélectionné le permet.
• max et xhigh : utilisez-les pour les raisonnements particulièrement exigeants lorsque le modèle sélectionné prend en charge ces niveaux.
• high : utilisez-le lorsqu’un agent doit suivre une logique complexe, vérifier des hypothèses ou étudier des cas limites (par exemple, pour les agents chargés de la révision ou de la sécurité).
• medium : option équilibrée par défaut pour la plupart des agents.
• low : utilisez-le lorsque la tâche est simple et que la rapidité prime.

Un effort de raisonnement plus élevé augmente le temps de réponse et la consommation de jetons, mais peut améliorer la qualité des tâches complexes. Pour plus de détails, consultez Models, Config basics et Configuration Reference.

Orchestration et contrôle des fils

ChatGPT ou Codex gère l’orchestration entre les agents, notamment le lancement de nouveaux sous-agents, l’acheminement des instructions de suivi, l’attente des résultats et la fermeture des fils d’agents.

Lorsque de nombreux agents sont en cours d’exécution, Codex attend que tous les résultats demandés soient disponibles, puis renvoie une réponse consolidée.

ChatGPT Work sur le Web

Avec la plupart des niveaux d’intelligence, ChatGPT lance des agents après une demande directe. Avec Ultra, ChatGPT peut également déléguer de manière proactive lorsque le travail en parallèle est utile.

Clients Codex locaux

Les versions locales actuelles de Codex lancent des agents après une demande directe ou lorsqu’une instruction applicable du projet ou d’une compétence le demande.

Pour voir ce fonctionnement en action, essayez l’instruction suivante dans votre projet :

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

Gérer les sous-agents

ChatGPT Work sur le Web

Ouvrez Subagents pour afficher les listes Active et Done en lecture seule. Sélectionnez un sous-agent ayant terminé pour examiner ses détails et son résultat. La barre latérale Web affiche l’activité des sous-agents ; elle ne fournit aucune commande permettant d’arrêter ou d’orienter un sous-agent particulier.

Application de bureau ChatGPT

• Ouvrez un fil de sous-agent depuis l’activité affichée dans le fil principal afin d’examiner son travail.
• Demandez directement à Codex d’orienter un sous-agent en cours d’exécution, de l’arrêter ou de fermer les fils de sous-agents terminés.

Codex CLI

• Utilisez /agent dans la CLI pour passer d’un fil d’agent actif à l’autre et examiner le fil en cours.
• Demandez directement à Codex d’orienter un sous-agent en cours d’exécution, de l’arrêter ou de fermer les fils d’agents terminés.

Extension IDE

• Lorsque le panneau des agents en arrière-plan est disponible, développez-le pour consulter leur état, arrêter les sous-agents actifs ou ouvrir le fil d’un sous-agent.
• Demandez directement à Codex d’orienter un sous-agent en cours d’exécution, de l’arrêter ou de fermer les fils d’agents terminés.

Approbations et contrôles de l’environnement isolé

Clients Codex locaux

Les sous-agents héritent de votre politique actuelle d’environnement isolé.

ChatGPT Work sur le Web

ChatGPT Work exécute les sous-agents dans son environnement hébergé et n’expose aucun contrôle local de l’environnement isolé Codex ni du mode d’approbation. Les sous-agents utilisent les outils disponibles dans la conversation parente. Les autorisations des sites Web et des connecteurs restent propres à chaque outil.

Application de bureau ChatGPT

Les sous-agents héritent du mode d’autorisation sélectionné sous la zone de saisie. Choisissez le mode d’autorisation du tour parent avant de demander à Codex de déléguer le travail.

Codex CLI

Dans les sessions CLI interactives, les demandes d’approbation peuvent provenir de fils d’agents inactifs, même lorsque vous consultez le fil principal. La fenêtre d’approbation affiche le libellé du fil source, et vous pouvez appuyer sur o pour ouvrir ce fil avant d’approuver, de refuser ou de répondre à la demande.

Dans les flux non interactifs, ou lorsqu’une exécution ne peut pas présenter une nouvelle demande d’approbation, une action nécessitant une nouvelle approbation échoue et Codex transmet l’erreur au workflow parent.

Codex réapplique également les substitutions d’exécution actives du tour parent lorsqu’il lance un enfant. Cela inclut les choix d’environnement isolé et d’approbation que vous avez définis de manière interactive pendant la session, tels que les modifications /permissions ou --yolo, même si le fichier d’agent personnalisé sélectionné définit d’autres valeurs par défaut.

Extension IDE

Les sous-agents héritent du mode d’autorisation sélectionné sous la zone de saisie. Choisissez le mode d’autorisation du tour parent avant de demander à Codex de déléguer le travail.

Vous pouvez également remplacer la configuration de l’environnement isolé pour certains agents personnalisés, par exemple en indiquant explicitement que l’un d’eux doit travailler en lecture seule.

Agents personnalisés

Codex est fourni avec des agents intégrés :

• default : agent généraliste utilisé comme solution de secours.
• worker : agent axé sur l’exécution pour les implémentations et les corrections.
• explorer : agent d’exploration de bases de code principalement axé sur la lecture.

Pour définir vos propres agents personnalisés, ajoutez des fichiers TOML autonomes sous ~/.codex/agents/ pour les agents personnels ou sous .codex/agents/ pour les agents limités au projet.

Chaque fichier définit un agent personnalisé. Codex charge ces fichiers en tant que couches de configuration pour les sessions générées, ce qui permet aux agents personnalisés de remplacer les mêmes paramètres que dans la configuration d’une session Codex normale. Cela peut sembler plus lourd qu’un manifeste dédié aux agents, et le format est susceptible d’évoluer à mesure que les méthodes de création et de partage gagnent en maturité.

Chaque fichier autonome d’agent personnalisé doit définir :

• name
• description
• developer_instructions

Si un fichier d’agent personnalisé définit model ou model_reasoning_effort, la valeur du fichier est prioritaire. Sinon, Codex détermine chaque paramètre indépendamment : une valeur explicite lors de la création, puis la valeur par défaut [agents] correspondante, puis la valeur du parent. Si une création sélectionne un autre modèle et qu’aucun effort explicite ni configuré n’est présent, Codex utilise l’effort par défaut de ce modèle. Les autres paramètres de session, tels que sandbox_mode, mcp_servers et skills.config, sont hérités du parent lorsque le fichier d’agent personnalisé les omet.

Paramètres globaux

Les paramètres globaux des sous-agents se trouvent toujours sous [agents] dans votre configuration.

Remarques :

• agents.enabled est défini par défaut sur true. Définissez-le sur false pour désactiver les outils multi-agents.
• Lorsque vous ne définissez pas agents.max_concurrent_threads_per_session, Codex choisit la valeur par défaut. Les configurations existantes peuvent continuer à utiliser agents.max_threads comme alias historique.
• Les valeurs explicites définies lors de la création remplacent agents.default_subagent_model et agents.default_subagent_reasoning_effort.
• agents.interrupt_message est défini par défaut sur true. Définissez-le sur false pour omettre le message d’interruption visible par le modèle dans le contexte de l’agent.
• Si le nom d’un agent personnalisé correspond à celui d’un agent intégré tel que explorer, votre agent personnalisé est prioritaire.

Schéma du fichier d’agent personnalisé

Vous pouvez également inclure dans un fichier d’agent personnalisé d’autres clés config.toml prises en charge, telles que model, model_reasoning_effort, sandbox_mode, mcp_servers et skills.config.

Codex identifie l’agent personnalisé grâce à son champ name. Faire correspondre le nom du fichier à celui de l’agent est la convention la plus simple, mais le champ name fait foi.

Exemples d’agents personnalisés

Les meilleurs agents personnalisés ont un périmètre restreint et des choix bien affirmés. Attribuez à chacun une tâche claire, une palette d’outils adaptée à cette tâche et des instructions qui l’empêchent de s’écarter vers des travaux connexes.

Exemple 1 : revue de PR

Ce modèle répartit la revue entre trois agents personnalisés spécialisés :

• pr_explorer cartographie la base de code et rassemble des éléments probants.
• reviewer recherche les risques liés à l’exactitude, à la sécurité et aux tests.
• docs_researcher consulte la documentation du framework ou de l’API au moyen d’un serveur MCP dédié.

Configuration du projet (.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"

Cette configuration convient bien aux prompts tels que :

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.

Exemple 2 : débogage de l’intégration frontend

Ce modèle est utile pour les régressions d’interface utilisateur, les parcours instables dans le navigateur ou les bugs d’intégration qui concernent à la fois le code de l’application et le produit en cours d’exécution.

Configuration du projet (.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

Cette configuration convient bien aux prompts tels que :

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.