Субагенты

ChatGPT Work и Codex могут выполнять рабочие процессы с субагентами, параллельно запуская специализированных агентов, а затем объединяя их результаты в одном ответе. Это может быть особенно полезно для сложных задач с высокой степенью параллелизма, таких как исследование кодовой базы или реализация многоэтапного плана разработки функции.

В локальных клиентах Codex также можно определять пользовательских агентов с разными конфигурациями моделей и инструкциями для различных задач.

Доступность

ChatGPT Work в веб-версии

ChatGPT Work предоставляет доступ к рабочим процессам с субагентами и сведениям об их активности для соответствующих требованиям учётных записей.

Локальные клиенты Codex

В текущих выпусках Codex рабочие процессы с субагентами включены по умолчанию. Активность субагентов отображается в настольном приложении ChatGPT, Codex CLI и расширении IDE.

Поскольку каждый субагент самостоятельно работает с моделью и инструментами, рабочие процессы с субагентами расходуют больше токенов, чем сопоставимые запуски с одним агентом.

ChatGPT Work в веб-версии

В ChatGPT Work попросите ChatGPT делегировать независимые задачи субагентам. Агенты работают в размещённой среде ChatGPT, а в чате отображаются их действия и результаты. На большинстве уровней интеллектуальности запрашивайте делегирование явно. При уровне Ultra ChatGPT может заранее делегировать работу, если параллельные агенты способны существенно повысить скорость или качество.

Настольное приложение ChatGPT

Попросите Codex в чате приложения делегировать независимые части работы субагентам. Текущие локальные выпуски Codex выполняют делегирование по прямому запросу или если этого требуют применимые инструкции AGENTS.md либо инструкции навыка. В приложении отображается каждый поток субагента, поэтому можно изучить его работу и сводку, возвращённую в основной чат.

Codex CLI

В интерактивном сеансе CLI попросите Codex использовать субагентов. Codex также может следовать применимым инструкциям AGENTS.md или инструкциям навыка, требующим делегирования. Используйте /agent, чтобы просматривать потоки агентов и переключаться между ними во время их работы. Основной поток объединяет результаты субагентов в итоговом ответе.

Расширение IDE

В чате IDE попросите Codex делегировать независимые части работы субагентам. Codex также может следовать применимым инструкциям AGENTS.md или инструкциям навыка, требующим делегирования. Когда доступен интерфейс фоновых агентов, активные субагенты отображаются над полем ввода. Разверните панель, чтобы просмотреть их состояние, остановить всех активных субагентов или открыть поток отдельного субагента.

Чем полезны рабочие процессы с субагентами

Даже у моделей с большими контекстными окнами есть ограничения. Если основной чат (где вы определяете требования, ограничения и решения) переполняется шумным промежуточным выводом, таким как заметки об исследовании, журналы тестов, трассировки стека и вывод команд, со временем надёжность сеанса может снизиться.

Это часто описывают следующими терминами:

• Загрязнение контекста: полезная информация теряется среди шумного промежуточного вывода.
• Деградация контекста: по мере заполнения чата менее существенными подробностями эффективность снижается.

Дополнительную информацию см. в материале Chroma о деградации контекста.

Рабочие процессы с субагентами помогают, вынося шумную работу из основного потока:

• Основной агент сосредоточен на требованиях, решениях и итоговых результатах.
• Специализированные субагенты параллельно выполняют исследование, тесты или анализ журналов.
• Вместо необработанного промежуточного вывода субагенты возвращают сводки.

Они также позволяют сэкономить время, когда работу можно выполнять независимо и параллельно, и упрощают решение более масштабных задач, разбивая их на ограниченные части. Например, Codex может разделить анализ документа объёмом в несколько миллионов токенов на меньшие задачи и вернуть основному потоку краткие выводы.

Для начала используйте параллельных агентов для задач, в которых преобладает чтение, например исследования, тестирования, первичного анализа и составления сводок. Будьте осторожнее с параллельными рабочими процессами, в которых преобладает запись, поскольку одновременное редактирование кода агентами может привести к конфликтам и увеличить затраты на координацию.

Основные термины

В рабочих процессах с субагентами Codex использует несколько связанных терминов:

• Рабочий процесс с субагентами: рабочий процесс, в котором Codex запускает параллельных агентов и объединяет их результаты.
• Субагент: делегированный агент, которого Codex запускает для выполнения определённой задачи.
• Поток агента: поток, в котором субагент выполняет свою работу. Поддерживаемые клиенты позволяют открывать эти потоки для просмотра хода работы или результатов.

Запуск рабочих процессов с субагентами

ChatGPT Work в веб-версии

На большинстве уровней интеллектуальности запрашивайте субагентов или параллельную работу агентов напрямую. Ultra поддерживает упреждающее делегирование, поэтому ChatGPT может делегировать подходящие независимые задачи без отдельного запроса.

Локальные клиенты Codex

Запрашивайте субагентов или параллельную работу агентов напрямую. Codex также может делегировать работу, если этого требуют применимые инструкции проекта или навыка.

На практике ручной запуск означает использование прямых инструкций, например «запусти двух агентов», «делегируй эту работу параллельно» или «используй по одному агенту для каждого пункта». Рабочие процессы с субагентами расходуют больше токенов, чем сопоставимые запуски с одним агентом, поскольку каждый субагент самостоятельно работает с моделью и инструментами.

Хороший запрос для субагента должен объяснять, как разделить работу, следует ли Codex дождаться всех агентов, прежде чем продолжать, и какую сводку или результат нужно вернуть.

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.

Выбор моделей и параметров рассуждения

Разным агентам нужны разные настройки модели и рассуждения.

ChatGPT Work в веб-версии

В ChatGPT Work выберите модель и уровень интеллектуальности в поле ввода. В зависимости от выбранной модели могут быть доступны уровни интеллектуальности Light, Medium, High, Extra High и Max. Уровень Ultra доступен только соответствующим требованиям учётным записям и поддерживаемым моделям. Он использует максимальную глубину рассуждений и позволяет ChatGPT заранее делегировать подходящую работу субагентам.

На других уровнях интеллектуальности явно запрашивайте субагентов, когда хотите делегировать работу параллельно.

Локальные клиенты Codex

Если вы не закрепили модель или model_reasoning_effort, Codex может выбрать конфигурацию, обеспечивающую подходящий для задачи баланс интеллектуальности, скорости и стоимости. Он может предпочесть gpt-5.6-terra для быстрого анализа или конфигурацию gpt-5.6 с более интенсивными рассуждениями для более сложных задач. Если вам нужен более точный контроль, укажите предпочтения в запросе или задайте model и model_reasoning_effort непосредственно в файле агента.

Выбор модели

• gpt-5.6: Начните с неё для агентов, выполняющих сложные задачи. Эта модель лучше всего подходит для неоднозначной многоэтапной работы, требующей планирования, использования инструментов, проверки и доведения до результата в рамках большого контекста.
• gpt-5.6-terra: Используйте для агентов, которым важнее скорость и эффективность, чем глубина анализа, например для исследования, масштабного анализа с преобладанием чтения, проверки больших файлов или обработки вспомогательных документов. Эта модель хорошо подходит для параллельных исполнителей, возвращающих основному агенту краткие результаты.
• gpt-5.6-luna: Используйте для быстрых агентов с узкой областью задач, выполняющих понятную, повторяемую или массовую работу.

Интенсивность рассуждений (model_reasoning_effort)

• ultra: Используйте для наиболее глубоких рассуждений, если выбранная модель поддерживает этот уровень.
• max и xhigh: Используйте для особенно сложных рассуждений, если выбранная модель поддерживает эти уровни.
• high: Используйте, когда агенту необходимо проследить сложную логику, проверить предположения или проработать пограничные случаи (например, для агентов, выполняющих проверку или анализ безопасности).
• medium: Сбалансированный вариант по умолчанию для большинства агентов.
• low: Используйте для простых задач, когда важнее всего скорость.

Более высокая интенсивность рассуждений увеличивает время ответа и расход токенов, но может повысить качество при выполнении сложной работы. Дополнительные сведения см. в разделах Модели, Основы конфигурации и Справочник по конфигурации.

Оркестрация и управление потоками

ChatGPT или Codex выполняет оркестрацию агентов, включая запуск новых субагентов, маршрутизацию последующих инструкций, ожидание результатов и закрытие потоков агентов.

Когда работает много агентов, Codex ожидает получения всех запрошенных результатов, а затем возвращает сводный ответ.

ChatGPT Work в веб-версии

На большинстве уровней интеллектуальности ChatGPT запускает агентов после прямого запроса. При уровне Ultra ChatGPT также может заранее делегировать работу, когда полезно её параллельное выполнение.

Локальные клиенты Codex

Текущие локальные выпуски Codex запускают агентов после прямого запроса или в соответствии с применимой инструкцией проекта либо навыка.

Чтобы увидеть это в действии, попробуйте использовать следующий запрос в своём проекте:

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

Управление субагентами

ChatGPT Work в веб-версии

Откройте раздел Субагенты, чтобы просмотреть доступные только для чтения списки Активные и Завершённые. Выберите завершившего работу субагента, чтобы изучить сведения о нём и результат. На боковой панели веб-версии отображается активность субагентов, но там нет элементов управления для остановки или направления работы отдельного субагента.

Настольное приложение ChatGPT

• Откройте поток субагента через сведения об активности в основном потоке, чтобы изучить его работу.
• Попросите Codex напрямую скорректировать работу запущенного субагента, остановить его или закрыть завершённые потоки субагентов.

Codex CLI

• Используйте /agent в CLI, чтобы переключаться между активными потоками агентов и просматривать ход работы в выбранном потоке.
• Попросите Codex напрямую скорректировать работу запущенного субагента, остановить его или закрыть завершённые потоки агентов.

Расширение IDE

• Когда доступна панель фоновых агентов, разверните её, чтобы просмотреть состояние, остановить активных субагентов или открыть поток субагента.
• Попросите Codex напрямую скорректировать работу запущенного субагента, остановить его или закрыть завершённые потоки агентов.

Подтверждения и управление песочницей

Локальные клиенты Codex

Субагенты наследуют текущую политику песочницы.

ChatGPT Work в веб-версии

ChatGPT Work запускает субагентов в своей размещённой среде и не предоставляет доступа к локальной песочнице Codex или управлению режимом подтверждений. Субагенты используют инструменты, доступные родительскому чату. Разрешения для сайтов и коннекторов по-прежнему зависят от конкретного инструмента.

Настольное приложение ChatGPT

Субагенты наследуют режим разрешений, выбранный под полем ввода. Выберите режим разрешений для родительского запроса, прежде чем просить Codex делегировать работу.

Codex CLI

В интерактивных сеансах CLI запросы на подтверждение могут поступать из неактивных потоков агентов, даже когда вы просматриваете основной поток. В окне подтверждения отображается метка исходного потока, и перед подтверждением, отклонением или ответом на запрос можно нажать o, чтобы открыть этот поток.

В неинтерактивных процессах или в случаях, когда запуск не может вывести новый запрос на подтверждение, действие, требующее нового подтверждения, завершается сбоем, а Codex передаёт ошибку родительскому рабочему процессу.

При запуске дочернего агента Codex также повторно применяет текущие переопределения среды выполнения из родительского запроса. К ним относятся параметры песочницы и подтверждений, которые вы интерактивно задали во время сеанса, например изменения /permissions или --yolo, даже если в выбранном файле пользовательского агента установлены другие значения по умолчанию.

Расширение IDE

Субагенты наследуют режим разрешений, выбранный под полем ввода. Выберите режим разрешений для родительского запроса, прежде чем просить Codex делегировать работу.

Также можно переопределить конфигурацию песочницы для отдельных пользовательских агентов, например явно назначить одному из них режим только для чтения.

Пользовательские агенты

Codex поставляется со встроенными агентами:

• default: универсальный резервный агент.
• worker: агент, ориентированный на выполнение задач по реализации и исправлению.
• explorer: агент для исследования кодовой базы с преобладанием чтения.

Чтобы определить собственных пользовательских агентов, добавьте отдельные файлы TOML в ~/.codex/agents/ для личных агентов или в .codex/agents/ для агентов, действующих в рамках проекта.

Каждый файл определяет одного пользовательского агента. Codex загружает эти файлы как слои конфигурации для порождённых сеансов, поэтому пользовательские агенты могут переопределять те же параметры, что и обычная конфигурация сеанса Codex. Это может казаться более громоздким решением, чем отдельный манифест агента, а формат может развиваться по мере совершенствования средств создания и совместного использования.

Каждый отдельный файл пользовательского агента должен определять:

• name
• description
• developer_instructions

Если в файле пользовательского агента задано значение model или model_reasoning_effort, значение из файла имеет приоритет. В противном случае Codex определяет каждый параметр независимо: явное значение при порождении, затем соответствующее значение по умолчанию [agents], а затем значение родительского агента. Если при порождении выбирается другая модель и не указаны ни явный, ни настроенный уровень усилий, Codex использует уровень усилий по умолчанию для этой модели. Другие параметры сеанса, такие как sandbox_mode, mcp_servers и skills.config, наследуются от родительского агента, если они отсутствуют в файле пользовательского агента.

Глобальные параметры

Глобальные параметры субагентов по-прежнему находятся в разделе [agents] вашей конфигурации.

Примечания:

• Значение agents.enabled по умолчанию — true. Установите false, чтобы отключить мультиагентные инструменты.
• Если agents.max_concurrent_threads_per_session не задан, Codex выбирает значение по умолчанию. В существующих конфигурациях agents.max_threads можно по-прежнему использовать как устаревший псевдоним.
• Явные значения при порождении переопределяют agents.default_subagent_model и agents.default_subagent_reasoning_effort.
• Значение agents.interrupt_message по умолчанию — true. Установите false, чтобы не добавлять видимое модели сообщение о прерывании в контекст агента.
• Если имя пользовательского агента совпадает со встроенным агентом, например explorer, приоритет имеет пользовательский агент.

Схема файла пользовательского агента

В файл пользовательского агента также можно включить другие поддерживаемые ключи config.toml, например model, model_reasoning_effort, sandbox_mode, mcp_servers и skills.config.

Codex идентифицирует пользовательского агента по его полю name. Совпадение имени файла с именем агента — простейшее соглашение, однако именно поле name является источником истины.

Примеры пользовательских агентов

Лучшие пользовательские агенты имеют узкую специализацию и чёткую позицию. Назначьте каждому понятную задачу, набор инструментов, соответствующий этой задаче, и инструкции, которые не позволят ему отклоняться в смежные области работы.

Пример 1: проверка PR

В этом шаблоне проверка распределяется между тремя узкоспециализированными пользовательскими агентами:

• pr_explorer составляет карту кодовой базы и собирает подтверждающие данные.
• reviewer ищет риски, связанные с корректностью, безопасностью и тестами.
• docs_researcher проверяет документацию фреймворка или API через выделенный сервер MCP.

Конфигурация проекта (.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"

Такая настройка хорошо подходит для запросов наподобие:

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.

Пример 2: отладка интеграции фронтенда

Этот шаблон полезен при регрессиях пользовательского интерфейса, нестабильных браузерных сценариях или ошибках интеграции, затрагивающих код приложения и работающий продукт.

Конфигурация проекта (.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

Такая настройка хорошо подходит для запросов наподобие:

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.