Optimieren Sie Ihre Codex Pro-Nutzung mit config.toml in 5 Minuten

Dein Codex 5x- und 20x-Pro-Plan verbrennt zu schnell. Der Grund ist ein Routing-Fehler, wie Codex Subagenten behandelt.

Wenn du GPT-5.6 Sol in der Modellauswahl auf „Ultra“ setzt, läuft auch jeder Subagent, den Codex erzeugt, auf Sol Ultra.

Das spawn_agent-Tool erlaubt es nicht, für den Child-Agenten ein anderes Modell oder einen anderen Reasoning-Aufwand zu wählen. Es kopiert den Parent. Drei Subagenten für eine Aufgabe bedeuten drei Sol-Ultra-Instanzen, die gleichzeitig laufen und jeweils dein Kontingent mit voller Geschwindigkeit verbrauchen.

https://x.com/evi77ain/status/2075445272013095033

Du kannst diesen Tokenverbrauch um etwa 50 % senken, indem du eine intelligentere Modellmischung verwendest:

• GPT 5.6 Sol Extra High als Haupt-Brain
• GPT 5.6 Sol Medium für die schlaueren Subagenten
• GPT 5.6 Terra High für die schnellen, leichten Agenten

Warum genau diese drei Modelle? Darauf komme ich zurück, nachdem wir die Konfigurationsdatei repariert haben.

Die Idee ist einfach. Du brauchst ein „Orchestrator“-Modell, das das Denken übernimmt: Planung, Architektur, Entscheidung, was delegiert wird. Dann gibt es „Executor“-Modelle, die den Plan umsetzen. Die Executors sind günstiger, schneller und intelligent genug, um Anweisungen zu befolgen, ohne eine vollwertige Reasoning-Leistung zu benötigen.

Codex unterstützt dies bereits über eine Datei namens config.toml und benutzerdefinierte Agentendefinitionen. Du definierst Agentenrollen in kleinen Konfigurationsdateien, legst fest, welches Modell jede Rolle verwendet, und fügst eine Routing-Richtlinie hinzu, die Codex mitteilt, wann welcher Agent verwendet werden soll. Danach erledigt Codex alles automatisch. Du reichst Aufgaben wie gewohnt ein.

Lass Codex den „Auto-Modus“ für dich erstellen

Öffne Codex und füge diesen Prompt ein. Er wird deine vorhandene Konfiguration lesen, die Agentendateien erstellen und die Routing-Richtlinie aktualisieren.

1Lies meine aktuelle ~/.codex/config.toml und die Dokumentation unter
2https://developers.openai.com/codex/subagents für benutzerdefinierte Agentendefinitionen.
3
4Führe dann Folgendes aus:
5
61. Erstelle drei Agenten-TOML-Dateien unter ~/.codex/agents/:
7
8   fast_scan – für schnelle Suchen, Codebase-Erkundung, Dateiauslesungen
9   und leichte Analysen.
10   - model: gpt-5.6-terra
11   - model_reasoning_effort: high
12   - sandbox_mode: read-only
13   - Instructions: Sammle schnell Beweise, gib eine prägnante Zusammenfassung zurück,
14     bearbeite keine Dateien.
15
16   routine_worker – für Routine-Coding, Tests, Dokumentation
17   und abgegrenzte Fehlerbehebungen.
18   - model: gpt-5.6-sol
19   - model_reasoning_effort: medium
20   - Instructions: Implementiere die zugewiesene Aufgabe und überprüfe das Ergebnis.
21
22   deep_worker – für schwieriges Debugging, Architekturentscheidungen, Sicherheit
23   und mehrdeutige, mehrschrittige Arbeiten.
24   - model: gpt-5.6-sol
25   - model_reasoning_effort: high
26   - Instructions: Bearbeite komplexe Aufgaben sorgfältig, validiere Annahmen,
27     führe eine gründliche Überprüfung durch.
28
292. Aktualisiere den Abschnitt [agents] meiner config.toml mit dieser Routing-Richtlinie:
30
31   „Entscheide automatisch, ob Delegierung sinnvoll ist.
32   Wähle fast_scan für leichte, schreibgeschützte Arbeiten, routine_worker
33   für normale Implementierungen und deep_worker für komplexe oder
34   risikoreiche Reasoning-Aufgaben.
35   Frage den Benutzer nicht, ein Modell auszuwählen, es sei denn, das erforderliche Modell
36   ist nicht verfügbar.
37   Behalte einfache Aufgaben beim Hauptagenten.“
38
393. Stelle sicher, dass max_threads = 6 und max_depth = 1 unter [agents] gesetzt sind.
40
414. Zeige mir die endgültige config.toml und alle drei Agentendateien an, damit ich
42   sie vor dem Speichern überprüfen kann.

Nachdem Codex die Dateien erstellt hat, starte Codex neu oder öffne eine neue Aufgabe. Die Agenten werden beim Start geladen.

Was solltest du nach der Reparatur sehen?

Vor dieser Reparatur lief jeder Subagent mit dem gleichen Modell und Reasoning-Aufwand wie dein Hauptagent.

Nach dieser Reparatur liest Codex deine Agentendateien (autonom) und wählt ein günstigeres Modell aus, wenn die Aufgabe einfach ist. Eine Dateisuche leitet zu Terra High statt Sol Ultra. Eine routinemäßige Fehlerbehebung läuft auf Sol Medium. Nur die schwierigen Sachen bekommen Sol High. Dein Hauptagent bleibt auf dem, was du im Modellauswahlmenü zu Beginn der Sitzung eingestellt hast.

Du kannst es trotzdem überschreiben. Sag einfach „nur Sol verwenden“ oder „keine Subagenten verwenden“ in deinem Prompt, und das Routing tritt beiseite.

Wie die Agentendateien aussehen?

Codex erstellt Dateien, die so aussehen. Jede liegt unter ~/.codex/agents/.

1# ~/.codex/agents/fast-scan.toml
2name = "fast_scan"
3description = "Verwenden für schnelle Suchen, Codebase-Erkundung und leichte, schreibgeschützte Analysen."
4model = "gpt-5.6-terra"
5model_reasoning_effort = "high"
6sandbox_mode = "read-only"
7developer_instructions = """
8Sammle schnell Beweise und gib eine prägnante Zusammenfassung zurück.
9Bearbeite keine Dateien.
10"""

1# ~/.codex/agents/routine-worker.toml
2name = "routine_worker"
3description = "Verwenden für Routine-Coding, Tests, Dokumentation und abgegrenzte Fehlerbehebungen."
4model = "gpt-5.6-sol"
5model_reasoning_effort = "medium"
6developer_instructions = """
7Implementiere die zugewiesene abgegrenzte Aufgabe und überprüfe das Ergebnis.
8"""

1# ~/.codex/agents/deep-worker.toml
2name = "deep_worker"
3description = "Verwenden für schwieriges Debugging, Architektur, Sicherheit und mehrdeutige, mehrschrittige Arbeiten."
4model = "gpt-5.6-sol"
5model_reasoning_effort = "high"
6developer_instructions = """
7Behandle komplexe Arbeiten sorgfältig, validiere Annahmen und führe eine gründliche Überprüfung durch.
8"""

Die Routing-Richtlinie in deiner config.toml teilt dem Orchestrator mit, wann welche verwendet werden soll und wann die Arbeit beim Hauptagenten bleiben soll.

Warum diese Modell- und Aufwandskombinationen?

GPT 5.6 hat drei Modelle (Sol, Terra, Luna) und sechs Reasoning-Aufwandsstufen (Low, Medium, High, Extra High, Max, Ultra). Das sind 18 mögliche Kombinationen. Die meisten sind für Codex-Subagenten-Arbeit falsch. Das oben gezeigte Routing verwendet nur vier Modellvarianten, ausgewählt aus zwei unabhängigen Benchmark-Berichten, die diese Woche veröffentlicht wurden.

Artificial Analysis hat jedes GPT‑5.6‑Modell auf jeder Reasoning-Stufe mit 9 verschiedenen Tests getestet, die Reasoning, Wissen und Codierung abdecken. Sie veröffentlichen eine kombinierte Punktzahl pro Modell.

Sol mit max Reasoning erreicht 59 von 100 Punkten. Sol mit extra high erreicht 58. Das ist ein Unterschied von einem Punkt. Der Kostenunterschied beträgt etwa das Dreifache – Max verbraucht etwa dreimal so viele Token, um diesen einen zusätzlichen Punkt zu erzielen.

Für den Hauptorchestrator, der deine Aufgaben plant und Subagenten koordiniert, liefert extra high die gleiche Entscheidungsqualität zu einem Drittel der Tokenkosten. Max und Ultra sind für 99 % der Aufgaben übertrieben.

Halte dich von Ultra fern. Ultra ist teurer, weil es vier parallele Sub-Subagenten innerhalb eines einzigen Agenten erzeugt. Im Terminal-Bench (ein Test für Befehlszeilen-Coding-Workflows) erreicht Sol Ultra 91,9 % gegenüber Sol mit 88,8 %. Das sind 3,1 zusätzliche Punkte bei etwa dem Dreifachen der Kosten. OpenAI hat nicht einmal Ultra-Ergebnisse für ihre beiden wichtigsten Coding-Benchmarks veröffentlicht. Wenn du Ultra auf einem Subagenten verwendest, der bereits ein Subagent ist, erhältst du rekursives Spawning – Subagenten, die weitere Subagenten erzeugen. Die Codex-Dokumentation warnt ausdrücklich davor.

Warum Sol Medium für Routinearbeit?

Sol mit Medium Reasoning schlägt Claude Fable 5 immer noch um 11,4 Punkte in „Agents‘ Last Exam“, einem Test für langlaufende Workflows in 55 Berufsfeldern. Und das zu etwa einem Viertel der Kosten.

Medium ist stark genug, um einem Plan zu folgen, eine Funktion zu schreiben, einen Fehler zu beheben oder Tests auszuführen. Es muss keine architektonischen Entscheidungen allein treffen. Das Codex-Team empfiehlt ebenfalls, Sol Medium als tägliches Fahrermodell zu verwenden.

https://x.com/thsottiaux/status/2075581430055493909

Warum Terra High für leichte Arbeiten, nicht Luna?

Das überrascht die Leute. Luna ist günstiger pro Token (1 $/6 $ pro Million) im Vergleich zu Terra (2,50 $/15 $). Aber der Tokenpreis ist nicht das gesamte Bild.

DeepSWE v1.1 testet Coding-Agenten an 113 realen Engineering-Aufgaben in 91 Open-Source-Projekten. Es misst, wie viele Aufgaben jedes Modell erledigt, wie viel jede Aufgabe insgesamt kostet und wie viele Schritte benötigt werden.

Ergebnisse vom 9. Juli 2026:

• Sol bei max: erledigt 73 % der Aufgaben, kostet 8,39 $ pro Aufgabe, benötigt 61 Schritte.
• Terra bei max: 70 %, 4,95 $, 76 Schritte.
• Luna bei max: 67 %, 3,03 $, 102 Schritte.
• Claude Fable 5 bei max: 70 %, 21,63 $, 88 Schritte.
• Claude Opus 4.8 bei max: 59 %, 13,22 $, 120 Schritte.

Lunas 3,03 $ pro Aufgabe sehen gut aus, bis du die Schrittzahl siehst. 102 Schritte gegenüber Terras 76. Jeder Schritt ist ein Tool-Aufruf mit eigenen Eingabe- und Ausgabe-Token. Mehr Schritte bedeuten mehr insgesamt verbrauchte Token, mehr Zeit und mehr Chancen, dass das Modell in einer Fehlerschleife hängen bleibt und es erneut versuchen muss.

Luna kann auch nicht mit großen Codebasen umgehen. In Nerova, einem Test, der misst, wie gut ein Modell Informationen aus langen Eingaben abruft, erreicht Luna 41,3 %. Terra erreicht 89,6 %. Sol erreicht 91,5 %. Wenn ein Subagent Tausende von Dateien durchsuchen und diesen Kontext behalten muss, übersieht Luna Dinge, die Terra erfasst.

Im Artificial Analysis Coding Agent Index (der DeepSWE, Terminal-Bench und SWE-Atlas-QnA zu einer Codierpunktzahl kombiniert) erreicht Sol 80, Terra 77,4, Luna 74,6 und Claude Fable 5 77,2. Terra liegt 2,6 Punkte hinter Sol, kostet aber die Hälfte. Für einen Subagenten, der Dateien liest und Beweise sammelt, spielen diese 2,6 Punkte keine Rolle. Für einen Subagenten, der schwieriges Multi-File-Debugging durchführt, schon – deshalb geht diese Arbeit an Sol High statt.

Terra bei max erreicht außerdem die gleiche DeepSWE-Punktzahl wie Claude Fable 5 (beide bei 70 %) zu weniger als einem Viertel der Kosten von Fable (4,95 $ vs. 21,63 $). Du bekommst Fable-niveau Codierleistung für deinen leichten Subagenten für 5 $.

Das Fazit

Repariere deine config.toml-Datei. Setze deinen Hauptagenten auf Sol Extra High. Setze Routine-Subagentenarbeit auf Sol Medium. Setze leichte, schreibgeschützte Arbeit auf Terra High. Überspringe Luna, überspringe Low, überspringe Ultra bei Subagenten. Richte es einmal ein. Jede Codex-Sitzung danach routet automatisch, und dein Pro-Plan hält so lange, wie er sollte.