Chase Chou @janus_path

@FradSer 所以今天我整了一个方案，把OpenCode Go整合进codex，让gpt-sol指挥 OpenCode Go的便宜模型干活 x.com/janus_path/sta…

Chase Chou @janus_path

3 days ago

最近codex不再重置额度了，额度不够用了🤣 所以，尝试一套低成本 Codex Agent 方案： Codex Desktop + lidge-jun/opencodex + OpenCode Go (GPT-5.6 Luna) 我比较看重它的一点是：不需要放弃 Codex Desktop 和 Codex Harness。 最近在测试一套我觉得很有意思的低成本 Codex Agent 方案： Codex

2 0 5 1K 2

@LinearUncle 我也是今天刚发现官方有API，然后立马尝试接入OpenCodex x.com/janus_path/sta…

Chase Chou @janus_path

3 days ago

最近codex不再重置额度了，额度不够用了🤣 所以，尝试一套低成本 Codex Agent 方案： Codex Desktop + lidge-jun/opencodex + OpenCode Go (GPT-5.6 Luna) 我比较看重它的一点是：不需要放弃 Codex Desktop 和 Codex Harness。 最近在测试一套我觉得很有意思的低成本 Codex Agent 方案： Codex

2 0 5 1K 2

Setup is also simpler than it looks. If you already have Codex Desktop and OpenCode Go, you can ask Codex itself to configure the whole thing: Install and configure lidge-jun/opencodex on my macOS machine. Goal: - Keep official Codex Desktop and GPT-5.6 Sol as the main agent - Connect OpenCode Go - Use GPT-5.6 Luna as a lower-cost sub-agent - Use Codex native spawn_agent for delegation - Prefer the configuration that works reliably for cross-provider delegation - Do not replace or break my official Codex login or native model setup - Inspect my current environment before changing anything - Verify one real sub-agent invocation after setup OpenCodex: github.com/lidge-jun/open… Then let Codex read the docs, install, configure, and validate it. Next I’m going to test this on real development tasks: Sol → Luna → Sol Review The question I care about is simple: How much Codex quality can we retain while reducing expensive model usage?

I’ve been testing a low-cost Codex Agent setup that looks surprisingly promising: Codex Desktop + lidge-jun/opencodex + OpenCode Go (GPT-5.6 Luna) The idea is not to replace Codex. Instead: Keep official Codex / GPT-5.6 Sol as the manager, and use Codex’s native spawn_agent to delegate well-scoped tasks to a lower-cost GPT-5.6 Luna worker. Roughly: Codex Desktop → GPT-5.6 Sol: understand, plan, delegate, review → native spawn_agent → OpenCodex: sub-agent model routing → OpenCode Go / GPT-5.6 Luna: execution → Sol reviews the result The key idea is: Keep the Codex Harness. Lower the worker model cost. OpenCode-AI: opencode.ai/go?ref=H4NREZ3…

搭建其实比想象中简单。 如果你已经有 Codex Desktop 和 OpenCode Go，可以直接让 Codex 帮你完成： 帮我在 macOS 上安装并配置 lidge-jun/opencodex。 目标： - 保留官方 Codex Desktop 和 GPT-5.6 Sol 作为主 Agent - 接入 OpenCode Go - 使用 GPT-5.6 Luna 作为低成本 sub-agent - 使用 Codex 原生 spawn_agent 进行任务委派 - 优先使用适合跨 Provider delegation 的配置 - 不替换我的官方 Codex 登录和原生模型配置 - 修改配置前先检查我当前环境，完成后验证一次 sub-agent 调用 OpenCodex: github.com/lidge-jun/open… 然后让 Codex 自己读项目文档、安装、配置和验证即可。 我准备继续拿真实开发任务测试： Sol → Luna → Sol Review 看看相比全程使用 Sol，实际能节省多少额度，以及任务质量会下降多少。

最近codex不再重置额度了，额度不够用了🤣 所以，尝试一套低成本 Codex Agent 方案： Codex Desktop + lidge-jun/opencodex + OpenCode Go (GPT-5.6 Luna) 我比较看重它的一点是：不需要放弃 Codex Desktop 和 Codex Harness。 最近在测试一套我觉得很有意思的低成本 Codex Agent 方案： Codex Desktop + lidge-jun/opencodex + OpenCode Go (GPT-5.6 Luna) 核心不是“把 Codex 换成另一个模型”，而是： 继续让官方 Codex / GPT-5.6 Sol 做主管，通过 Codex 原生 spawn_agent，把边界清晰的任务交给更低成本的 GPT-5.6 Luna 执行。 大致结构： Codex Desktop → GPT-5.6 Sol：理解、规划、拆任务、验收 → native spawn_agent → OpenCodex：子 Agent 模型路由 → OpenCode Go / GPT-5.6 Luna：执行 → Sol 最终 Review 这样保留下来的其实是最有价值的部分： Codex Desktop + Codex Harness + Sol 的复杂上下文理解能力。 降低的只是部分执行任务的模型成本。 主 Agent 仍然可以使用官方 Codex 负责理解复杂上下文、规划和验收，而通过 opencodex，把部分明确、低风险的任务交给 OpenCode Go 中的模型执行。 换句话说： 保留 Codex 的 Harness，只降低部分任务的模型成本。 接下来准备和官方 Codex、Pi + Skills 做一些实际任务对比，看看这种组合到底能保留多少 Codex 的生产能力。 OpenCode Go首月只需要5刀： opencode.ai/go?ref=H4NREZ3…

虽然我一直使用codex，但是为了降低使用成本，今天我尝试了社区方案，pi + OpenCode Go(GPT 5.6 Luna). 我不建议小白使用社区方案，推荐还是使用codex这种成熟产品。 因为社区方案会有很多问题需要去解决，这里我分享一个最快捷简单的方式，就是使用codex去驾驭pi，让codex去检查pi的一些问题，比如： - Pi 是否能正确识别 AGENTS.md - Pi 是否能发现工作区已有的 skill - 增加命令安全护栏(Pi 本身没有内置沙箱，默认拥有当前用户的系统权限，因此仅靠提示词不够。) - 建立 Codex → Pi 任务模板

@cxjwin 没有显式MQ也可以，一个小系统要啥MQ，一上来就是大而全的去造火箭，事实上很多团队自行车还没造完就玩完了，或者说只需要个自行车就够用了，可以出去忽悠了……

@dotey 我倾向于 全栈(偏基建架构)+全栈(偏前端)+全栈(偏后端)+QA+产品（UI/UE） 虽然AI极大的提高了软件工程的效率，可以取代一部分人，但是不代表软件工程中的角色会消失。 x.com/janus_path/sta…

Chase Chou @janus_path

4 days ago

x.com/i/article/2085…

1 0 0 304 0

x.com/i/article/2085…

Build a plugin once and use it across compatible agent clients. Introducing Agent Plugins, an open standard developed with @awsdevelopers, @cursor_ai, @github, @code, and @vercel that packages Agent Skills and supports MCP server configurations in a shared format.

@0xMilkRabbit 我刚也想出来一个非常节省codex token的方法。 x.com/janus_path/sta…

Chase Chou @janus_path

5 days ago

我看到很多博主建议大家使用codex的时候，为了节省token，教去配置子智能体使用luna模型，但是其实有一个更方便的、更节省token的方式，就是让sol自己判断分配工作去使用GPT-5.3-Codex-Spark 模型，然后让sol检查任务结果，而且GPT-5.3-Codex-Spark 模型的额度是单独计算的。 x.com/Saccc_c/status…

0 1 4 492 0

@Youngxxxxu 我刚想出来一个节省token的好法子 x.com/janus_path/sta…

Chase Chou @janus_path

5 days ago

我看到很多博主建议大家使用codex的时候，为了节省token，教去配置子智能体使用luna模型，但是其实有一个更方便的、更节省token的方式，就是让sol自己判断分配工作去使用GPT-5.3-Codex-Spark 模型，然后让sol检查任务结果，而且GPT-5.3-Codex-Spark 模型的额度是单独计算的。 x.com/Saccc_c/status…

0 1 4 492 0

我看到很多博主建议大家使用codex的时候，为了节省token，教去配置子智能体使用luna模型，但是其实有一个更方便的、更节省token的方式，就是让sol自己判断分配工作去使用GPT-5.3-Codex-Spark 模型，然后让sol检查任务结果，而且GPT-5.3-Codex-Spark 模型的额度是单独计算的。 x.com/Saccc_c/status…

Sac @Saccc_c

a week ago

如何能让你的Codex拥有无限子弹？ 将子代理设为luna-max。复杂任务用sol去做方案设计，用luna-max去并行执行 具体设置方法： 在Codex对话中输入下面的提示词： 在 ~/.codex/agents/luna-worker.toml 创建一个名为 luna_worker 的自定义代理。 使用以下设置： model = "gpt-5.6-luna"

69 176 1K 490K 2K

Agent 越强，我们越需要软件工程。 AI 让代码生成越来越便宜，但理解系统、控制复杂度、避免跑偏、保持长期一致性并没有变得免费。 好的架构，本质上是在减少 Agent 的重复推理。 Architecture is cached reasoning. 写了一篇文章，聊聊为什么软件工程在 Agent 时代不是过时了，而是价值正在发生变化。 blog.janus-path.com/2026/08/05/Age…

x.com/i/article/2084…

@cholf5 额度告急，真是捉急，不知道要不要使用仅剩的一次额度重置，用了又怕突然免费重置，不用的话眼瞅就要停工摆烂……🤣

Tibo, one piece of feedback on the current Codex model experience: With Sol, Terra, and Luna, plus multiple reasoning-effort levels, model selection is becoming a two-dimensional decision that users have to make before they even start working. For users who don't understand the differences, it's hard to choose correctly. For experienced users, repeatedly choosing the right model and effort for every thread or task is unnecessary overhead. I wonder if Codex could introduce an adaptive model routing / delegation mode. The user could choose only a high-level strategy such as: Auto Fast Balanced Max Then Codex itself could dynamically route subtasks to different models and reasoning levels based on task complexity. For example: simple file search / mechanical operations → Luna low routine implementation / tests → Terra medium complex implementation / debugging → Terra high architecture / high-uncertainty reasoning → Sol high or xhigh And if a lower-cost model fails validation or becomes uncertain, Codex could automatically escalate. Advanced users could still manually pin a model when needed. I think this would simplify the UX significantly while also reducing unnecessary token usage. More importantly, model selection feels like something the Codex runtime should increasingly optimize for the user, rather than requiring the user to manually orchestrate the model hierarchy.

我开源了 KeptNear，一个本地优先的密码与令牌管理器。它不只服务于人，我还在构建本地 Broker，让 AI Agent 和本地工具只能执行用户明确授权的凭据操作，避免原始 Token 出现在对话或工具输出中。 当前预览版优先完善 macOS 密码与令牌管理体验。Broker、MCP 和 CLI 仍处于源码级开发者预览，尚未作为最终用户能力激活。KeptNear 当前未签名、未经过外部安全审计，请暂时不要存储生产环境凭据。 github.com/chasechou007/K…

keyboard_arrow_left Previous keyboard_arrow_right Next

The current preview focuses on the macOS password and token experience. Broker, MCP and CLI access remain a source-level developer preview. KeptNear is unsigned and unaudited, so don’t use production credentials yet.

I open-sourced KeptNear, a local-first password & token manager. Beyond human use, I’m building a local Broker so AI agents and tools can perform user-approved credential operations without receiving raw tokens in chats or tool output. github.com/chasechou007/K…