没有“Codex Max 计划“：如何在 ChatGPT Pro 上让 Codex 用量更持久

没有"Codex Max 计划"：如何在 ChatGPT Pro 上让 Codex 用量更持久

【免费下载链接】munder-difflinA local multi-agent harness that works with your existing Claude Code, Codex subscriptions, allows you to run an office of agents项目地址: https://gitcode.com/GitHub_Trending/mu/munder-difflin

OpenAI 官方并不存在名为 "Codex Max" 的订阅计划——用户口中的 Codex Max 实际指代的是 ChatGPT Pro 套餐，即每月 $100 的 Pro 5x 与每月 $200 的 Pro 20x。本文以该事实为起点，系统梳理 Codex 的周限额机制、用量查询方法、模型选择策略与省 token 实战习惯，并结合 Munder Difflin 开源仓库中 Codex 引擎的真实接入方式（provider 定义、CLI 命令参考、远程会话端点），说明如何把这些技巧落地到本地多 Agent 办公环境中，让每一份 Pro 额度都花在刀刃上。

先说结论：Codex Max 是什么，不是什么

"Codex Max" 这个叫法至少有三种来源，三者都不是订阅计划，容易造成混淆：

1. Anthropic 的 Claude Max 计划——这是 Claude 的订阅档位，与 OpenAI 无关；
2. OpenAI 旧版 GPT-5.1-Codex-Max 模型——这是历史模型命名；
3. Codex 的 Max 推理档位——/model中的 Max 设置会让模型在单个任务上投入更多推理时间（对应 OpenAI 模型文档中对 reasoning effort 档位的说明）。

用户真正想表达的，通常是ChatGPT Pro 计划：OpenAI 在 2026 年 4 月 9 日将 Pro 拆分为两档，新增 $100 档（Pro 5x，即 Codex 用量为 Plus 的 5 倍），并在 5 月 31 日前提供了最高 10x 的发布期加成；$200 档（Pro 20x）仍是最高用量档位。需要特别留意的是：自 2026 年 9 月 10 日起，OpenAI 暂停了 Pro 20x 的新订阅与升级，现有订阅会正常续费。如果当前持有 Pro 20x，取消或降级前务必三思——一旦断档，在暂停解除前无法重新购买。Pro $100（Pro 5x）目前仍正常售卖。

选型层面的横向对比，可参考仓库中的 Codex CLI vs Claude Code 对比文章；而"一个会话一个职责"这类习惯，与 多 Claude Code 会话管理指南 中的做法完全互通。

Codex 到底有没有周限额

有，而且在 Pro 套餐上，周限额才是当前真正需要关注的指标。

根据 OpenAI 定价页说明：本地消息（local messages）与云对话（cloud chats）共享同一个用量池，且该池还可能适用周限额。同一份额度同时覆盖Codex CLI、IDE 扩展、ChatGPT 桌面应用与 ChatGPT Work四种入口。换言之，无论从哪个入口发起任务，消耗的都是同一个钱包。

关于"五小时窗口"：Plus 用户在 2026 年 8 月下旬重新收回了五小时窗口，但 OpenAI Codex 团队的 Thibault Sottiaux 在 8 月 25 日明确表示，Pro $100 与 Pro $200 在"未来数月"内继续不受五小时窗口限制；8 月 31 日他又澄清 Pro 的倍数（5x/20x）适用于周限额。因此结论是：Pro 用户按周做预算，而不是按单次会话做预算——没有五小时刷新，一次长时间无人值守的运行会持续消耗整周额度。

云任务会比本地任务更费额度吗

通常是的。云对话在 ChatGPT 套餐上运行于 GPT-5.6 Sol，可能比本地消息消耗更多额度，且目前无法更改其默认模型；而 CLI 或 IDE 中的本地任务可以使用你指定的任何模型，包括更便宜的 Terra 与 Luna。

代码评审也遵循同样的分流规则：Codex 通过 GitHub 触发的评审（如 PR 上 @codex）计入 Code Review 用量，而本地/review计入通用额度。因此本地评审应在config.toml中把review_model指向更小的模型。

这也引出一个反直觉的结论：把任务送到云端，是为了让它们离开你的笔记本、并行运行，而不是为了省额度。从终端发起云任务时，codex cloud exec需要环境 id，且默认只做一次尝试，除非你显式增加尝试次数。实测（文档作者在 2026-09-14 基于 codex-cli 0.153.4 验证，输出已裁剪）：

$ codex --version codex-cli 0.153.4 $ codex cloud exec --help Usage: codex cloud exec [OPTIONS] --env <ENV_ID> [QUERY] --attempts <ATTEMPTS> Number of assistant attempts (best-of-N) [default: 1]

除非你想对比多个候选方案，否则保持--attempts为 1——每一次 attempt 都是一次独立的完整运行，都会独立计费。

如何实时检查 Codex 用量

两个官方入口：

• 在活跃的 Codex CLI 会话中键入/status；
• 打开用量仪表盘：chatgpt.com/codex/settings/usage。

OpenAI 定价页建议每 1～2 周查看一次仪表盘，摸清自己的消耗节奏。CLI 中还可以用/statusline把速率限额钉在页脚，随时可见，无需主动询问。

如果任务进行到一半用尽额度，Codex 会在遵守合理使用（fair use）的前提下把当前正在进行的这一轮做完；之后 Plus 与 Pro 用户可以直接购买积分（credits）而非升级套餐，也可以等待用量页面上显示的复位时间。

更主动的做法是：在接近限额时就切换到更小的模型——切换模型并不会"还回"已消耗的额度，只会让剩余额度走得更远。

哪个模型能让 Codex 用量最持久

GPT-5.6Luna，且领先幅度很大。以 OpenAI Pro 5x 的官方估算（2026-09-14 核对）为例，每五小时的本地消息条数约为：

Pro 20x 则是上表各档的 4 倍。由于 Pro 没有五小时上限，建议把上表当作节奏参考而非硬性限额。

一个可落地的分工建议：

• Luna：清晰、可重复的编辑类任务；
• Terra：日常功能开发；
• Sol 或 Astra（low/medium effort）：反复失败的疑难 bug。

会话内用/model切换，脚本化运行则用codex exec -m gpt-5.6-luna直接指定。两个需要警惕的细节：

• Fast mode 是隐性的额度吞噬者：在 Astra 与 GPT-5.6 上按 2.5 倍计费，回复更快，但你的周额度也更短；
• 老配置中的模型已退役：如果旧的config.toml仍固定着gpt-5.4，请改为gpt-5.6-terra——GPT-5.4 已于 2026 年 8 月 31 日从 ChatGPT 账户的 Codex 可用模型列表中移除。

模型档位的选择与能力上限说明，还可以对照 Munder Difflin 仓库中 Codex 引擎的 provider 定义 查看：Codex 的默认命令为codex，安装命令为npm install -g @openai/codex，其推荐编排器（orchestrator）角色模型为gpt-5-codex，并且 Codex 通过codex resume [OPTIONS] [SESSION_ID]子命令恢复会话。

如何减少 Codex 的 token 消耗

省 token 的核心思路是：削减每一轮对话都必须携带的内容。你的提示词、文件、聊天历史与工具结果都在消耗 token，因此下面这些习惯对每条消息都有效：

• 保持AGENTS.md精简。Codex 在开始任何工作前都会读取它。把针对子目录的规则下沉到嵌套的AGENTS.md中，避免根目录文件无限膨胀。
• 关掉用不到的 MCP 服务器。OpenAI 明确说明，每个启用的 MCP server 都会往你的消息中注入上下文。
• 一个任务一个会话。新任务用/new开启，而不是堆在长对话里；单个任务拉长时用/compact压缩上下文。官方最佳实践文档明确警告：用同一个会话承载整个项目会严重膨胀上下文。
• 及早打断重试循环。一次运行失败就中断它，修正提示词或补上缺失文件后再重跑。OpenAI 的 Astra 用量指南指出：提高 effort 并不能凭空提供模型从未拥有过的信息或访问权限。
• 把评审指向更便宜的模型。在config.toml中设置review_model，避免/review继承昂贵的会话模型。

从仓库源码可以印证这些命令的真实存在：Munder Difflin 的 Codex CLI 命令参考 中收录了/clear（清空上下文开启新会话）、/compact（总结对话以保持在上下文限额内）、/model（通过codex --model <model>指定模型）以及codex -p "prompt"非交互打印模式等条目；其中/compact注释还特别记录了一段踩坑经验：该命令在 codex 0.137.0 的二进制命令表中确实存在（此前 provider 自动化发送它时两者不一致），且与 Claude 的/compact不同，Codex 版本会忽略末尾的焦点文本。这解释了为什么"一个任务一个会话、长任务用/compact"在 Codex 上同样成立。

能不能同时跑多个 Codex Agent

可以，而且这正是 Pro 额度消耗最快的方式——worktrees、云对话与子代理（subagents）都从同一个用量池并行消耗，且官方文档指出子代理运行比单个 agent 消耗更多 token。

所以并行的前提是两个硬条件：任务之间只触碰不同文件，并且更便宜的模型足以完成任务。在 Munder Difflin 中，这正是"混合引擎办公室"的核心价值——仓库中的 混合引擎办公室指南 给出的推荐布局是：Claude Code 担任 GOD 编排器，Codex 负责"构建这个组件、附测试"这类范围明确的编码冲刺，Copilot CLI 承接一次性派发任务，OpenCode/Crush/pi.dev 跑例行杂务。Codex 以初始提示词注入 hive 协议，并通过 inbox/outbox 路由回报结果。

从源码看 Munder Difflin 如何落地 Codex

仓库中 Codex 引擎的接入细节，与本文的省额度策略直接相关：

• 自动模式的沙箱纪律（见 codexCommands.ts）：Munder Difflin 的自动模式使用codex -a never -s workspace-write——-a never表示永不弹批准框，-s workspace-write把 Codex 的 OS 沙箱限定在工作区范围内，并通过--add-dir <dir>追加 hive agent 目录；同时设置CODEX_NON_INTERACTIVE=1抑制首次运行的交互式安装器。这与"预算按周、不按坐席"的纪律一致：每个 agent 都在受控范围内运行，额度不会被误用。源码注释明确记录，项目曾使用--dangerously-bypass-approvals-and-sandbox，后已弃用——自动模式不再放弃沙箱，而是保留沙箱再加目录。
• 远程会话端点（见 codexRemote.ts）：Codex 以$CODEX_HOME/app-server-control/app-server-control.sock构建控制套接字，macOS 将 Unix 套接字路径限制在 104 字节（sun_path），因此仓库为每个 agent 生成一个短CODEX_HOME别名（固定短前缀/tmp/mdc+ 8 位十六进制摘要），并统一用codex --remote <endpoint>前置参数发起/恢复远程会话——全局参数必须位于resume子命令之前。
• 每个 agent 独立登录与模型选择（见 agentProvider.ts）：每个 Codex agent 使用你自己的 Codex 登录，并且按 agent 单独选择模型——从 Luna 处理例行编辑，到 Astra 攻坚顽固 bug。这正是本文"按模型分级分配任务"策略在本地多 Agent 场景的实体化。

跨 Agent 的模型分级与成本控制，仓库中的 多 Agent 成本手册 有系统阐述。

总结：把 Pro 套餐当周预算来经营

一句话收束本文的全部技巧：Codex 没有 Max 计划，但有 Max 用法——用最小的可用模型与最低的 effort 完成任务，一个任务一个会话，开工前用/status核对用量，快触顶时切到 Luna 而不是等待重置。把云任务留给"需要离开笔记本并行跑"的场景，用review_model压住评审成本，并在并行多个 Codex agent 之前确认任务之间文件不相交。

这套纪律既可以在终端里手工执行，也可以在 Munder Difflin 中落地为可复现的配置：每个 Codex agent 以自有登录接入、独立选模、独立CODEX_HOME、限定工作区沙箱，并通过统一端点远程恢复会话。初次尝试可以参考 如何安装 Codex CLI，随后按 混合引擎办公室指南 从"三个工位"起步：Claude Code 做编排器、一个 Codex 工位做真实编码任务、一个便宜模型工位做例行工作，用真实消耗数据决定下一步扩张。

【免费下载链接】munder-difflinA local multi-agent harness that works with your existing Claude Code, Codex subscriptions, allows you to run an office of agents项目地址: https://gitcode.com/GitHub_Trending/mu/munder-difflin