Subagen

ChatGPT Work dan Codex dapat menjalankan alur kerja subagen dengan membuat agen khusus secara paralel, lalu mengumpulkan hasilnya dalam satu respons. Fitur ini dapat sangat membantu untuk tugas kompleks yang sangat mudah diparalelkan, seperti menjelajahi basis kode atau menerapkan rencana fitur bertahap.

Di klien Codex lokal, Anda juga dapat menentukan agen khusus dengan konfigurasi model dan instruksi yang berbeda untuk tugas yang berbeda.

Ketersediaan

ChatGPT Work di web

ChatGPT Work menyediakan alur kerja dan aktivitas subagen untuk akun yang memenuhi syarat.

Klien Codex lokal

Rilis Codex saat ini mengaktifkan alur kerja subagen secara default. Aktivitas subagen muncul di aplikasi desktop ChatGPT, Codex CLI, dan ekstensi IDE.

Karena setiap subagen menjalankan pekerjaan model dan alatnya sendiri, alur kerja subagen menggunakan lebih banyak token daripada eksekusi agen tunggal yang sebanding.

ChatGPT Work di web

Di ChatGPT Work, minta ChatGPT mendelegasikan pekerjaan independen kepada subagen. Para agen berjalan di lingkungan yang dihosting ChatGPT, dan percakapan menampilkan aktivitas serta hasil mereka. Pada sebagian besar tingkat kecerdasan, mintalah delegasi secara eksplisit. Dengan Ultra, ChatGPT dapat mendelegasikan pekerjaan secara proaktif jika agen paralel akan meningkatkan kecepatan atau kualitas secara signifikan.

Aplikasi desktop ChatGPT

Minta Codex dalam percakapan aplikasi untuk mendelegasikan bagian pekerjaan yang independen kepada subagen. Rilis Codex lokal saat ini melakukan delegasi saat Anda memintanya secara langsung atau saat instruksi AGENTS.md maupun skill yang berlaku memintanya. Aplikasi menampilkan setiap utas subagen agar Anda dapat memeriksa pekerjaannya dan ringkasan yang dikembalikan ke percakapan utama.

Codex CLI

Minta Codex dalam sesi CLI interaktif untuk menggunakan subagen. Codex juga dapat mengikuti instruksi AGENTS.md atau skill yang berlaku dan meminta delegasi. Gunakan /agent untuk memeriksa dan berpindah di antara utas agen saat berjalan. Utas utama mengumpulkan hasil subagen ke dalam respons akhirnya.

Ekstensi IDE

Minta Codex dalam percakapan IDE untuk mendelegasikan bagian pekerjaan yang independen kepada subagen. Codex juga dapat mengikuti instruksi AGENTS.md atau skill yang berlaku dan meminta delegasi. Saat UI agen latar belakang tersedia, subagen aktif muncul di atas kolom penulisan. Perluas panel untuk melihat statusnya, menghentikan semua subagen aktif, atau membuka utas subagen tertentu.

Mengapa alur kerja subagen membantu

Bahkan dengan jendela konteks yang besar, model tetap memiliki batas. Jika Anda memenuhi percakapan utama (tempat Anda menetapkan persyaratan, batasan, dan keputusan) dengan output perantara yang bising seperti catatan eksplorasi, log pengujian, pelacakan tumpukan, dan output perintah, keandalan sesi dapat menurun seiring waktu.

Hal ini sering disebut sebagai:

• Polusi konteks: informasi yang berguna terkubur di bawah output perantara yang bising.
• Pembusukan konteks: kinerja menurun ketika percakapan dipenuhi detail yang kurang relevan.

Untuk latar belakang, lihat tulisan Chroma tentang pembusukan konteks.

Alur kerja subagen membantu dengan memindahkan pekerjaan yang bising dari utas utama:

• Jaga agar agen utama tetap berfokus pada persyaratan, keputusan, dan output akhir.
• Jalankan subagen khusus secara paralel untuk eksplorasi, pengujian, atau analisis log.
• Kembalikan ringkasan dari subagen, bukan output perantara mentah.

Alur kerja ini juga dapat menghemat waktu jika pekerjaan dapat dijalankan secara independen dan paralel, serta membuat tugas berskala lebih besar lebih mudah ditangani dengan memecahnya menjadi bagian-bagian terbatas. Misalnya, Codex dapat membagi analisis dokumen dengan jutaan token menjadi masalah yang lebih kecil dan mengembalikan kesimpulan ringkas kepada utas utama.

Sebagai titik awal, gunakan agen paralel untuk tugas yang banyak melibatkan pembacaan seperti eksplorasi, pengujian, triase, dan peringkasan. Berhati-hatilah dengan alur kerja paralel yang banyak melibatkan penulisan karena agen yang mengedit kode secara bersamaan dapat menimbulkan konflik dan meningkatkan beban koordinasi.

Istilah inti

Codex menggunakan beberapa istilah terkait dalam alur kerja subagen:

• Alur kerja subagen: Alur kerja tempat Codex menjalankan agen paralel dan menggabungkan hasilnya.
• Subagen: Agen terdelegasi yang dimulai Codex untuk menangani tugas tertentu.
• Utas agen: Utas tempat subagen melakukan pekerjaannya. Klien yang didukung memungkinkan Anda membuka utas ini untuk memeriksa kemajuan atau hasil.

Memicu alur kerja subagen

ChatGPT Work di web

Pada sebagian besar tingkat kecerdasan, mintalah subagen atau pekerjaan agen paralel secara langsung. Ultra memungkinkan delegasi proaktif, sehingga ChatGPT dapat mendelegasikan pekerjaan independen yang sesuai tanpa permintaan terpisah.

Klien Codex lokal

Mintalah subagen atau pekerjaan agen paralel secara langsung. Codex juga dapat mendelegasikan saat instruksi proyek atau skill yang berlaku memintanya.

Dalam praktiknya, pemicuan manual berarti menggunakan instruksi langsung seperti "buat dua agen," "delegasikan pekerjaan ini secara paralel," atau "gunakan satu agen per poin." Alur kerja subagen menggunakan lebih banyak token daripada eksekusi agen tunggal yang sebanding karena setiap subagen menjalankan pekerjaan model dan alatnya sendiri.

Prompt subagen yang baik harus menjelaskan cara membagi pekerjaan, apakah Codex harus menunggu semua agen sebelum melanjutkan, serta ringkasan atau output apa yang harus dikembalikan.

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.

Memilih model dan penalaran

Agen yang berbeda memerlukan pengaturan model dan penalaran yang berbeda.

ChatGPT Work di web

Di ChatGPT Work, pilih model dan tingkat kecerdasan dari kolom penulisan. Tingkat kecerdasan yang tersedia dapat mencakup Light, Medium, High, Extra High, dan Max, tergantung pada model yang dipilih. Ultra hanya tersedia bagi akun yang memenuhi syarat dan model yang didukung. Tingkat ini menggunakan penalaran maksimum dan memungkinkan ChatGPT mendelegasikan pekerjaan yang sesuai secara proaktif kepada subagen.

Pada tingkat kecerdasan lainnya, mintalah subagen secara eksplisit saat Anda ingin pekerjaan didelegasikan secara paralel.

Klien Codex lokal

Jika Anda tidak menetapkan model atau model_reasoning_effort, Codex dapat memilih penyiapan yang menyeimbangkan kecerdasan, kecepatan, dan harga untuk tugas tersebut. Codex dapat mengutamakan gpt-5.6-terra untuk pemindaian cepat atau konfigurasi gpt-5.6 dengan upaya lebih tinggi untuk penalaran yang lebih menantang. Jika Anda menginginkan kontrol yang lebih terperinci, arahkan pilihan tersebut dalam prompt atau tetapkan model dan model_reasoning_effort secara langsung dalam file agen.

Pilihan model

• gpt-5.6: Mulailah dari sini untuk agen yang menangani tugas berat. Model ini paling kuat untuk pekerjaan ambigu dan bertahap yang memerlukan perencanaan, penggunaan alat, validasi, serta penyelesaian menyeluruh dalam konteks yang lebih besar.
• gpt-5.6-terra: Gunakan untuk agen yang mengutamakan kecepatan dan efisiensi daripada kedalaman, seperti eksplorasi, pemindaian yang banyak melibatkan pembacaan, peninjauan file besar, atau pemrosesan dokumen pendukung. Model ini cocok untuk pekerja paralel yang mengembalikan hasil ringkas kepada agen utama.
• gpt-5.6-luna: Gunakan untuk agen cepat dengan cakupan sempit yang menangani pekerjaan jelas, berulang, atau bervolume tinggi.

Upaya penalaran (model_reasoning_effort)

• ultra: Gunakan untuk penalaran paling mendalam jika model yang dipilih mendukungnya.
• max dan xhigh: Gunakan untuk penalaran yang sangat menantang jika model yang dipilih mendukung tingkat ini.
• high: Gunakan saat agen perlu menelusuri logika kompleks, memeriksa asumsi, atau menangani kasus khusus (misalnya agen peninjau atau yang berfokus pada keamanan).
• medium: Default seimbang untuk sebagian besar agen.
• low: Gunakan saat tugas bersifat langsung dan kecepatan menjadi prioritas utama.

Upaya penalaran yang lebih tinggi meningkatkan waktu respons dan penggunaan token, tetapi dapat meningkatkan kualitas untuk pekerjaan kompleks. Untuk detailnya, lihat Model, Dasar-dasar konfigurasi, dan Referensi Konfigurasi.

Orkestrasi dan kontrol utas

ChatGPT atau Codex menangani orkestrasi antaragen, termasuk membuat subagen baru, mengarahkan instruksi tindak lanjut, menunggu hasil, dan menutup utas agen.

Saat banyak agen berjalan, Codex menunggu hingga semua hasil yang diminta tersedia, lalu mengembalikan respons gabungan.

ChatGPT Work di web

Pada sebagian besar tingkat kecerdasan, ChatGPT membuat agen setelah menerima permintaan langsung. Dengan Ultra, ChatGPT juga dapat mendelegasikan secara proaktif saat pekerjaan paralel berguna.

Klien Codex lokal

Rilis Codex lokal saat ini membuat agen setelah menerima permintaan langsung atau instruksi proyek maupun skill yang berlaku.

Untuk melihat cara kerjanya, coba prompt berikut pada proyek Anda:

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

Mengelola subagen

ChatGPT Work di web

Buka Subagents untuk melihat daftar Active dan Done yang bersifat hanya baca. Pilih subagen yang telah selesai untuk memeriksa detail dan hasilnya. Bilah samping web melaporkan aktivitas subagen; bilah ini tidak menyediakan kontrol untuk menghentikan atau mengarahkan subagen tertentu.

Aplikasi desktop ChatGPT

• Buka utas subagen dari aktivitas yang ditampilkan di utas utama untuk memeriksa pekerjaannya.
• Minta Codex secara langsung untuk mengarahkan subagen yang sedang berjalan, menghentikannya, atau menutup utas subagen yang telah selesai.

Codex CLI

• Gunakan /agent di CLI untuk berpindah di antara utas agen aktif dan memeriksa utas yang sedang berjalan.
• Minta Codex secara langsung untuk mengarahkan subagen yang sedang berjalan, menghentikannya, atau menutup utas agen yang telah selesai.

Ekstensi IDE

• Saat panel agen latar belakang tersedia, perluas panel tersebut untuk memeriksa status, menghentikan subagen aktif, atau membuka utas subagen.
• Minta Codex secara langsung untuk mengarahkan subagen yang sedang berjalan, menghentikannya, atau menutup utas agen yang telah selesai.

Persetujuan dan kontrol sandbox

Klien Codex lokal

Subagen mewarisi kebijakan sandbox Anda saat ini.

ChatGPT Work di web

ChatGPT Work menjalankan subagen dalam lingkungan yang dihostingnya dan tidak menyediakan kontrol sandbox atau mode persetujuan Codex lokal. Subagen menggunakan alat yang tersedia bagi percakapan induk. Izin situs web dan konektor tetap bergantung pada alat masing-masing.

Aplikasi desktop ChatGPT

Subagen mewarisi mode izin yang dipilih di bawah kolom penulisan. Pilih mode izin untuk giliran induk sebelum Anda meminta Codex mendelegasikan pekerjaan.

Codex CLI

Dalam sesi CLI interaktif, permintaan persetujuan dapat muncul dari utas agen yang tidak aktif meskipun Anda sedang melihat utas utama. Lapisan persetujuan menampilkan label utas sumber, dan Anda dapat menekan o untuk membuka utas tersebut sebelum menyetujui, menolak, atau menjawab permintaan.

Dalam alur noninteraktif, atau kapan pun suatu eksekusi tidak dapat menampilkan persetujuan baru, tindakan yang memerlukan persetujuan baru akan gagal dan Codex menyampaikan kesalahan tersebut kembali ke alur kerja induk.

Codex juga menerapkan kembali penggantian runtime langsung dari giliran induk saat membuat agen anak. Ini mencakup pilihan sandbox dan persetujuan yang Anda tetapkan secara interaktif selama sesi, seperti perubahan /permissions atau --yolo, meskipun file agen khusus yang dipilih menetapkan default berbeda.

Ekstensi IDE

Subagen mewarisi mode izin yang dipilih di bawah kolom penulisan. Pilih mode izin untuk giliran induk sebelum Anda meminta Codex mendelegasikan pekerjaan.

Anda juga dapat mengganti konfigurasi sandbox untuk masing-masing agen khusus, misalnya secara eksplisit menandai agen agar bekerja dalam mode hanya baca.

Agen khusus

Codex disertai agen bawaan:

• default: agen fallback serbaguna.
• worker: agen yang berfokus pada eksekusi untuk implementasi dan perbaikan.
• explorer: agen eksplorasi basis kode yang banyak melibatkan pembacaan.

Untuk menentukan agen khusus Anda sendiri, tambahkan file TOML mandiri di bawah ~/.codex/agents/ untuk agen pribadi atau .codex/agents/ untuk agen dengan cakupan proyek.

Setiap file menentukan satu agen khusus. Codex memuat file ini sebagai lapisan konfigurasi untuk sesi yang dibuat, sehingga agen khusus dapat mengganti pengaturan yang sama seperti konfigurasi sesi Codex biasa. Pendekatan ini dapat terasa lebih berat daripada manifes agen khusus, dan formatnya dapat berkembang seiring dengan pematangan proses penulisan dan berbagi.

Setiap file agen khusus mandiri harus menentukan:

• name
• description
• developer_instructions

Jika file agen khusus menetapkan model atau model_reasoning_effort, nilai dalam file tersebut menjadi prioritas. Jika tidak, Codex menentukan setiap pengaturan secara terpisah: nilai pembuatan eksplisit, kemudian default [agents] yang sesuai, lalu nilai induk. Jika pembuatan memilih model berbeda dan tidak ada upaya eksplisit maupun yang dikonfigurasi, Codex menggunakan upaya default model tersebut. Pengaturan sesi lain, seperti sandbox_mode, mcp_servers, dan skills.config, diwarisi dari induk jika file agen khusus tidak menyertakannya.

Pengaturan global

Pengaturan subagen global tetap berada di bawah [agents] dalam konfigurasi Anda.

Catatan:

• agents.enabled secara default bernilai true. Tetapkan menjadi false untuk menonaktifkan alat multiagen.
• Jika Anda tidak menetapkan agents.max_concurrent_threads_per_session, Codex memilih default. Konfigurasi yang sudah ada dapat tetap menggunakan agents.max_threads sebagai alias lama.
• Nilai pembuatan eksplisit menggantikan agents.default_subagent_model dan agents.default_subagent_reasoning_effort.
• agents.interrupt_message secara default bernilai true. Tetapkan menjadi false untuk menghilangkan pesan penghentian yang terlihat oleh model dari konteks agen.
• Jika nama agen khusus sama dengan agen bawaan seperti explorer, agen khusus Anda menjadi prioritas.

Skema file agen khusus

Anda juga dapat menyertakan kunci config.toml lain yang didukung dalam file agen khusus, seperti model, model_reasoning_effort, sandbox_mode, mcp_servers, dan skills.config.

Codex mengidentifikasi agen khusus berdasarkan bidang name. Menyamakan nama file dengan nama agen merupakan konvensi paling sederhana, tetapi bidang name adalah sumber kebenarannya.

Contoh agen khusus

Agen khusus terbaik memiliki cakupan sempit dan pendirian yang tegas. Berikan setiap agen tugas yang jelas, permukaan alat yang sesuai dengan tugas tersebut, dan instruksi yang mencegahnya beralih ke pekerjaan lain di luar cakupan.

Contoh 1: Peninjauan PR

Pola ini membagi peninjauan kepada tiga agen khusus yang berfokus:

• pr_explorer memetakan basis kode dan mengumpulkan bukti.
• reviewer mencari risiko kebenaran, keamanan, dan pengujian.
• docs_researcher memeriksa dokumentasi kerangka kerja atau API melalui server MCP khusus.

Konfigurasi proyek (.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"

Penyiapan ini cocok untuk prompt seperti:

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.

Contoh 2: Men-debug integrasi frontend

Pola ini berguna untuk regresi UI, alur browser yang tidak stabil, atau bug integrasi yang melintasi kode aplikasi dan produk yang sedang berjalan.

Konfigurasi proyek (.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

Penyiapan ini cocok untuk prompt seperti:

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.