【GPT-6 Astra太费额度，试试这一招额度立省50%】

今天上午，我打开 Codex，准备继续完成周五没有做完的桌面端小工具。

为了提高效率，我直接选择了最新的 GPT-6 Astra，并把推理强度调到了“极高”。

开始之前，我还特意看了一眼后台：5 小时使用额度依然是 100% 满格。

我把任务交给它，然后等着收结果。

没想到仅仅运行了 2 分钟 41 秒，任务还没有完成，Codex 就直接停了。

切到后台一看，刚才还是满格的 5 小时额度，已经瞬间归零。

代码没有写完，额度倒是先烧完了。

不得不承认，GPT-6 Astra 的推理能力确实非常强。面对复杂架构、疑难 Bug 和多层逻辑分析时，它几乎没有明显短板。

但问题也很现实：如果开发一个普通小工具，都能在几分钟内把 Plus 用户的额度烧穿，那这个模型再强，普通开发者也很难把它当作日常主力。

Astra 为什么这么费额度？

问题可能不在模型本身，而在于我们的使用方式。

一、不要让旗舰模型承包所有工作

在传统的单 Agent 模式下，很多人习惯把任务直接扔给 Astra，让它从头做到尾。

于是，Astra 不仅要分析需求、设计架构，还要亲自完成这些工作：

• 扫描项目目录；

• 阅读几十个源文件；

• 查找函数调用关系；

• 修改配置文件；

• 编写增删改查接口；

• 补充测试用例；

• 反复运行命令并检查报错。

这些工作当然需要模型完成，但并不是每一步都需要最强模型。

让 Astra 一边负责顶层设计，一边亲自翻文件、改配置、跑测试，就像让总工程师画完图纸以后，再去工地搬砖、拧螺丝。

能力没有问题，成本却高得离谱。

Astra 的额度本来就珍贵，如果连大量重复、机械的执行工作也全部交给它，几分钟烧空额度并不奇怪。

解决问题的关键，不是强迫自己少用 Astra，而是重新安排不同模型的职责。

二、让 Astra 当总指挥，让 Luna 负责干活

针对 Astra 额度消耗过快的问题，GitHub 开发者 donvito 在 9 月 5 日开源了一个项目：codex-astra-luna-orchestrator。

这个项目的核心思路非常简单：利用 Codex Multi-Agent V2 的子 Agent 委托能力，把 Astra 和 Luna 组成一套上下级协作系统。

在这套方案里，GPT-6 Astra 不再亲自处理所有细节，而是退到幕后，只负责最有价值的工作：

• 分析需求；

• 拆解任务；

• 制定实现方案；

• 处理关键架构决策；

• 协调多个子任务；

• 验收最终结果。

大量读取文件、修改代码、运行测试和查阅文档的工作，则统一交给速度更快、使用成本更低的 GPT-5.6 Luna。

作者一共设计了 5 个固定的子 Agent 角色。

explorer：负责探索项目

explorer 主要分析代码仓库结构，梳理目录、模块关系、文件依赖和数据流。

它只负责调查和汇报，不随意修改代码。

worker：负责具体实现

worker 接收边界明确的编码任务，例如修改某个组件、补充一个接口或者修复一个具体问题。

它负责真正写代码，但不能擅自扩大修改范围。

tester：负责测试验证

tester 独立运行测试、复现错误、检查修改结果，并保留关键报错信息。

除非 Astra 明确要求，否则 tester 不会为了让测试通过而直接修改生产代码。

reviewer：负责代码审查

reviewer 从独立视角检查代码质量、潜在缺陷、安全风险和规范问题。

它相当于最后一道质量关。

researcher：负责外部资料检索

researcher 专门查阅官方文档、依赖库资料和外部技术方案，避免让 Astra 把大量额度消耗在机械搜索上。

这样一来，真正需要深度思考的工作仍然由 Astra 完成，大量消耗 Token 的执行任务则交给 Luna。

只要分工合理，Astra 的额度消耗就能明显下降。对于需要扫描大量文件、修改多个模块的工程任务，节省一半左右的高级额度并不难。

三、如何在本地安装这套配置

最简单的方法，不是自己从零编写 Agent 配置，而是直接复制作者已经调校好的项目文件。

作者采用的是官方推荐的 Project-scoped 项目级安装方式。

配置只对当前项目生效，不容易影响其他代码仓库。

第一步：复制三个核心部分

把开源项目中的以下内容完整复制到自己的项目根目录：

.codex/
.agents/
AGENTS.md

其中：

• .codex/ 保存 Codex 配置和 5 个子 Agent 的角色规则；

• .agents/ 保存任务调度技能和协作流程；

• AGENTS.md 负责定义整个项目的协同规范和角色边界。

复制完成后，从当前项目目录启动 Codex，配置就会自动生效。

如果希望所有项目都使用这套模式，也可以将相关内容合并到用户目录的 ~/.codex/ 中。

不过对于第一次尝试的人来说，建议先使用项目级配置，确认运行正常后再考虑全局安装。

四、确认 Astra 和 Luna 的分工配置

打开项目中的 .codex/config.toml，可以看到类似下面的配置：

model = "gpt-6-astra"
model_reasoning_effort = "high"

approval_policy = "on-request"
sandbox_mode = "workspace-write"

[agents]
enabled = true
max_concurrent_threads_per_session = 6
default_subagent_model = "gpt-5.6-luna"
default_subagent_reasoning_effort = "medium"

这里最关键的是两层模型配置。

根 Agent 固定使用：

model = "gpt-6-astra"
model_reasoning_effort = "high"

这意味着 Astra 负责统筹任务、制定方案和最终验收。

子 Agent 默认使用：

default_subagent_model = "gpt-5.6-luna"
default_subagent_reasoning_effort = "medium"

具体执行工作统一交给 Luna，并把推理强度设为 medium，在执行质量、速度和额度消耗之间取得平衡。

五、把子 Agent 的权限锁死

仅仅指定默认模型还不够。

为了防止子 Agent 擅自扩大任务范围，作者还在 .codex/agents/ 目录中，为每个角色设置了明确的权限边界。

例如，负责代码实现的 worker.toml：

name = "worker"
description = "Implementation subagent for bounded coding tasks."
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
sandbox_mode = "workspace-write"

developer_instructions = """
你是负责具体代码实现的子 Agent。
严格按照 Astra 分配的任务范围执行：
- 不擅自扩大修改范围
- 优先最小化改动
- 遵循项目现有代码规范
- 不擅自修改架构、API、数据库 Schema 或依赖
完成后向 Astra 汇报修改文件、测试结果和潜在风险。
"""

负责验证的 tester.toml：

name = "tester"
description = "Verification subagent."
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
sandbox_mode = "workspace-write"

developer_instructions = """
你负责独立验证 worker 提交的代码。
优先运行最小范围测试，复现错误并保留完整错误信息。
除非 Astra 明确要求，否则不要为了让测试通过而修改生产代码。
最终汇报：
1. 执行了哪些命令
2. 测试是否通过
3. 关键错误信息
4. 尚未覆盖的问题
"""

每个角色文件都显式指定：

model = "gpt-5.6-luna"

这样一来，即使你临时切换了默认模型，负责读文件、改代码和跑测试的子 Agent 也不会误用昂贵的 Astra。

六、在会话中直接调度任务

配置完成后，不需要手动逐个启动子 Agent。

直接在 Codex 对话框中输入：

$astra-orchestrator 实现新的账单批量导出接口。先让 explorer 梳理现有路径与数据流，worker 完成核心功能实现，tester 跑单测验证，最后由 reviewer 进行独立代码审查。

接下来，Astra 会先分析任务并完成拆解，然后在后台调用不同的 Luna 子 Agent：

1. explorer 查清项目结构和数据流；

1. worker 根据范围实现功能；

1. tester 运行测试并检查结果；

1. reviewer 独立审查代码；

1. Astra 汇总所有结果并完成最终验收。

原本需要 Astra 一个人从头做到尾的工作，现在变成 Astra 负责指挥，多名 Luna 子 Agent 分头执行。

既减少了旗舰额度消耗，也能利用并行能力提高交付速度。

七、哪些工作交给 Luna，哪些必须留给 Astra

模型分工并不意味着所有任务都交给便宜模型。

日常开发中，可以把这些执行型工作交给 Luna：

• 扫描目录和梳理文件；

• 查找函数引用；

• 修改普通业务代码；

• 编写增删改查接口；

• 调整配置；

• 补充单元测试；

• 运行命令并整理报错；

• 查阅依赖库文档。

但下面这些任务，最好仍然由 Astra 亲自分析：

• 数据库表结构设计；

• 核心架构调整；

• 关键鉴权方案；

• 复杂并发逻辑；

• 跨模块重构方案；

• 涉及安全和数据一致性的决策；

• 最终代码验收。

简单来说，Luna 负责执行，Astra 负责判断。

只要守住这个边界，就能在控制额度的同时，保留旗舰模型最有价值的能力。

八、并发也不是越多越好

Multi-Agent 的优势之一，就是可以同时推进多个任务。

但并发数量并不是越高越好。

如果一次启动太多 worker，多个 Agent 可能会同时修改同一个文件，最终产生代码冲突，反而需要 Astra 消耗更多额度处理善后问题。

作者建议，大型项目的并发数量控制在 6～8 条左右。

实际使用时，还要根据模块边界分配任务。相互独立的功能可以并行，同一个文件上的修改最好串行处理。

两种使用方式的差距

写在最后

GPT-6 Astra 的问题不是能力不够，而是能力太强、使用成本也太高。

如果让它从扫描目录开始，一路负责写代码、改配置、跑测试，额度当然撑不了多久。

更合理的方式，是让 Astra 坐在总指挥的位置上，把精力集中在任务拆解、架构决策和最终验收上。

至于读文件、写接口、补测试这些重复而耗时的工作，就交给 Luna 批量完成。

把 Astra 留给真正需要深度思考的地方，把 Luna 用在大量执行任务上。

同样的 Plus 配额，能够完成多少工作，很多时候并不只取决于额度上限，更取决于你怎样安排手里的模型。