Codex 用 GPT-5.6 如何省 Token：Sol、Terra、Luna 的任务分工法

看一段关于 Codex 更新的视频，最值得留下的不是“又多了多少功能”，而是一个很实用的提醒：不要把最强模型设成所有任务的默认答案。资料整理、格式转换、信息核对、跨文件分析、复杂故障排查，本来就不是同一种工作；让它们都占用同一级能力和推理强度，通常既慢，也不经济。

这里说的“省 Token”，在 API 场景中会体现在输入、输出和推理消耗上；在订阅产品中，更直观的感受可能是额度、等待时间和一次任务能够走多远。两种场景的原则相同：不让高能力模型与高推理强度承担边界清楚、可快速验收的重复工作。

当前 OpenAI 的 GPT-5.6 模型指南将 Sol 定位为最高能力需求，Terra 定位为智能与成本的平衡，Luna 定位为效率优先、高频使用的工作负载。下面把这个定位翻译成一套可以直接用于 Codex 的工作分流方法。

01｜先给任务分级，再选模型

真正需要先判断的不是“哪个模型最强”，而是四件事：任务边界是否清楚、输入资料是否已经齐全、出错的后果有多大、结果能不能快速验收。四项都简单时，模型不需要替人做大量推演；其中一项变复杂，才值得提高模型能力或推理强度。

Luna：适合高频、边界清楚、可快速检查的任务。例如按固定格式整理资料、提取文档字段、把已确认内容改写成统一模板、批量生成初稿。前提是输入和验收标准明确，不能把“快”当作免核对。
Terra：适合多数日常协作任务。例如对比几份资料、拆解一个多步骤计划、维护已有项目、做普通的跨文件整理。它的意义不是“中庸”，而是避免每件正常工作都动用最高档能力。
Sol：留给真正需要更强判断的场景。例如资料相互矛盾、任务影响范围大、已经多次失败、需要在多个方案之间做取舍，或必须先找出问题再动手。此时省下的是返工，而不是单次调用。

一个简单的起手式是：先用 Luna 或 Terra 做范围清楚的第一步；只有出现明确证据时再升级到 Sol。这个证据可以是资料冲突、验收失败、连续两次不能完成、需要处理不可逆变更，或用户要求更高的研究深度。不要因为任务描述模糊就直接切到最强模型，先把目标、输入和交付物说清楚通常更有效。

模型选择决定能力层级，推理强度决定同一模型愿意为一次任务投入多少推演。官方建议把 medium 作为平衡起点，把 low 用于对响应速度敏感的工作；只有在更高强度带来可测质量提升时，再使用 high 或 xhigh，而 max 应留给最难、质量优先的任务。

对普通使用者来说，不必把它记成一串参数，可以记成三句话：先用能完成任务的最低档；出现真实质量缺口再上调；上调后拿同一批代表任务比较结果。没有比较，就不知道更长的思考究竟是在提高质量，还是只是在增加消耗。

例如，让模型把一份已经确认的提纲排成 Markdown，低推理就够；让它根据互相矛盾的材料判断哪一份可以作为正式依据，才需要提高能力和推理。前者的关键是格式正确，后者的关键是证据链完整，不能用同一档处理。

换模型只能解决一部分问题。一次任务之所以变长，常常不是模型不够强，而是输入里混进了无关资料，目标不断变化，或者没有验收标准，导致模型只能反复猜测。

这也是 Codex 适合处理实际工作的原因：模型不只是回答一句话，还可以在明确边界内读取、整理、生成、检查和归档。但 Agent 能否省心，取决于人是否先定义了边界和验收。模型选得对，任务描述仍然模糊，消耗一样会失控。

可以把下面这张“分工卡”固定在自己的工作流里：

这段视频提醒大家按任务选模式，真正可落地的部分正是这里：让简单任务快速通过，让普通任务稳定完成，让困难任务获得足够的推理空间。AI 办公的效率，不是让每一件事都开到最高档，而是让每一档能力都用在它最该承担的位置。

参考：视频入口；OpenAI GPT-5.6 模型指南。产品界面、可选模型与额度策略可能随版本和账户而变化，具体以当前 Codex 页面和官方说明为准。