你的codex是不是又慢又烧token？

我们 AI 社区很多朋友都在抱怨 Codex 越来越慢，Token 额度见底的速度却越来越快。

今天分享我的思路和解决方案，核心在于重塑工作流程，将任务中的「规划」与「执行」彻底分开。

第一个层面是规划层。这个层面就像军师出图纸，需要调用能力最强、思考最透彻的顶级模型（日常我会用 GPT SOL 模型）去做调研、拆解问题、制定计划，并输出一个尽量周到的方案，以保证后续架构与效率的完善。

第二个层面是执行层。制定好方案后，把计划文档交给轻量、速度快的小模型（GPT luna + max 强度）或执行 Agent 去落地。执行层不需要特别聪明，也不用解决复杂问题，高性价比的小工照着清单跑即可，这样既快又省 Token。

从目前的基础设施来看，指望一个大模型包办从架构到码完全部砖的全流程，效率并不高。而通过模型分层使用，卡顿和焦虑就能减少大半。

除此之外，在具体落地的工具层面也可以进行解耦：

规划端 - 可以使用 cliproxyapi 将 ChatGPT 订阅转为 API 服务，把顶级模型接入轻量化的 AI 工具（如 Pi agent 或 DeepSee Harness），摆脱笨重的架构，充分发挥顶级模型在思考、分析和推理上的优势。

执行端 - 可以使用 Codex 配合轻量模型 luna/DeepSeek，或者使用 Cursor 来负责具体执行，保证任务顺畅完成。

通过模型分层与工具解耦，我们还能顺便搭建出一套反脆弱的 AI 工具链，实现关键单点有多个工具或模型做备份，从而确保整个工作流在生产环境中的持续可靠。

如果你也对这个方案感兴趣，或者你有其他关于 AI 的疑问，欢迎交流！

最初发表于公众号「阿Ken聊AI商业」，2026-09-06。