返回列表
2026年7月23日 下午11:48

🚀Graph Engineering范式：Codex Multi-agent V2支持Kimi、MiniMax、GPT多模型混用+动态派生subagent，并行执行、Pi Agent工具调用，效率倍增

原始影片

學習筆記

TL;DR

Codex 新推出的 Multi-agent V2 系統，透過主 Agent 調度、Sub-Agent 協作、多模型與工具混用、支援並行動態派生，大幅提升處理複雜任務的效率與彈性，並具備 Graph Engineering 的核心特徵。

快速結論

Codex 的 Multi-agent V2 是一項重要的升級，它將 Codex 從單一超級 Agent 轉變為一個 Agent 調度系統。這個新功能允許主 Agent 理解並拆解複雜任務，再將子任務分配給多個具備不同模型（如 Kimi、MiniMax、GPT 等）和工具（如 Py Agent、SQL）的 Sub-Agent 並行執行。這種設計讓 Agent 間能更靈活地分工、提高效率，並統一收集與合併執行結果，形成完整的解決方案。

Multi-agent V2 的核心優勢在於其高度的靈活性和擴展性。用戶不僅可以手動配置 Sub-Agent 並為其指定特定模型和思考級別，還可以讓主 Agent 根據任務複雜度動態派生新的 Sub-Agent。這種能力使得 Codex 能夠更有效地處理多變的任務情境，並透過為不同任務選擇最適合且成本效益高的模型，顯著節省高階模型的 Token 消耗。

此升級使得 Codex 的工作方式日益接近 Graph Engineering 的概念，特別是與 Code Interpreter 的 Dynamic workflow 功能有共通之處。Graph Engineering 強調將多個 Agent、工具、驗證環節和回饋機制組織成一個可實際執行的任務圖。Codex Multi-agent V2 透過主 Agent 的調度、角色分工、並行執行和結果匯總等能力，已具備了鮮明的 Graph Engineering 特徵，預示著其在複雜 AI 編程和任務自動化領域的巨大潛力。

這支影片在說什麼

這支影片深入介紹了 Codex 最新版本 0.145.0 中新增的 Multi-agent V2 多智能體系統。影片說明了這個系統如何讓用戶更靈活地使用和管理 AI Agent，透過主 Agent 調度、Sub-Agent 協作、支援多模型混用與動態派生等功能，解決處理複雜任務時的效率和彈性問題。本影片適合對 AI Agent 協作、Graph Engineering 概念或 Codex 工具應用感興趣的開發者和使用者。

最重要的 3-5 個重點

  1. 從單一超級 Agent 轉型為 Agent 調度系統：Codex Multi-agent V2 的核心變革，是一個主 Agent 負責理解、拆解任務，並將不同工作（如程式碼審查、方案設計、功能開發、測試驗證）分配給多個 Sub-Agent 並行執行，最終統一收集、判斷並合併結果。
  2. 高度靈活的 Sub-Agent 配置：支援為不同的 Sub-Agent 配置不同的模型（如 Kimi、MiniMax、GPT 等）、推理層級（思考級別），並可控制並發數量。Sub-Agent 不僅可以使用第三方模型，還能呼叫不同的工具（如 Py Agent、SQL），提升任務處理的彈性與效率。
  3. 接近 Graph Engineering 的設計思路：Multi-agent V2 的工作方式（主 Agent 調度、角色分工、並行執行、結果匯總）與 Graph Engineering 概念高度契合，後者關注如何將多個 Agent、工具和驗證機制組織成一個可執行的任務圖，以解決複雜問題。
  4. 支援手動與動態派生 Sub-Agent：用戶可以手動建立和配置 Sub-Agent，也能讓 Codex 根據任務複雜度自動或動態派生多個 Sub-Agent，使其能同時執行任務，大幅提升應對複雜任務的能力。
  5. 優化資源使用與成本效益：透過為不同 Sub-Agent 分配最合適的模型（包括第三方模型和非高階模型），可以有效節省像「GPD5.6素模型」這類高階模型的 Token 消耗，實現更具成本效益的 AI 任務處理。

知識架構

I. Codex Multi-agent V2 總覽

A. 核心功能：更穩定的多智能體系統
B

. 轉型：從單一超級 Agent -> Agent 調度系統 C. 與 Graph Engineering 的關係：設計思路日益接近

II. 主 Agent 與 Sub-Agent 協作模式

A. 主 Agent 職責
    1. 理解和拆解任務
    2. 調度 Sub-Agent
    3. 統一收集、判斷、合併 Sub-Agent 執行結果
B. Sub-Agent 職責
    1. 執行特定子任務 (e.g., 程式碼審查、方案設計、功能開發、測試驗證)

III. Multi-agent V2 的靈活性與配置

A. 模型配置
    1. 支援多種模型混用 (Kimi、MiniMax、GPD5.6素模型)
    2. 可為不同 Sub-Agent 配置不同模型
    3. 可為主 Agent 配置更強大模型以提升調度精準度
B. 工具呼叫
    1. Sub-Agent 可呼叫工具 (e.g., Py Agent、SQL)
C. Sub-Agent 建立方式
    1. 手動創建
    2. 動態派生：根據任務自動產生不同 Sub-Agent
D. 其他配置
    1. 推理層級 / 思考級別
    2. 並發數量控制

IV. Graph Engineering 概念

A. 定義：將多個 Agent、工具、驗證環節、回饋機制組織成可執行的任務圖
B. 典型實現：Code Interpreter 的 Dynamic workflow 功能
C. Codex Multi-agent V2 的 Graph Engineering 特徵
    1. 主 Agent 調度
    2. 角色分工
    3. 並行執行
    4. 結果匯總

V. 操作與配置細節

A. 升級 Codex CLI 與桌面版
B. Sub-Agent 配置路徑與參數 (名稱、描述、提示詞、模型、模型提供者、推理 GPU)
C. 第三方模型整合：以 CCCSwitch 轉換 Kimi API 為 Codex 兼容格式

關鍵概念

  • Multi-agent V2：Codex 最新版本中推出的多智能體系統，旨在更靈活地使用和管理 AI Agent。
  • 主 Agent (Master Agent)：在 Multi-agent V2 中負責理解、拆解任務，並調度多個 Sub-Agent 執行子任務，最終匯總結果的核心 Agent。
  • Sub-Agent (子 Agent)：由主 Agent 調度，負責執行特定子任務的智能體，可配置不同的模型和工具。
  • Graph Engineering：一種 AI 編程概念，關注如何將多個 AI Agent、工具、驗證環節和回饋機制組織成一個有向圖狀的任務流程，實現複雜任務的自動化。
  • Dynamic workflow：Code Interpreter 的功能，可根據用戶目標生成一套工作流程，透過多個 Agent 條件分支、並行任務和驗證環節完成複雜任務，是 Graph Engineering 的典型實現。
  • 思考級別 / 推理層級：設定 Agent 進行推理的深入程度或嚴謹性。
  • Py Agent：一種可被 Sub-Agent 呼叫的工具，用於執行程式碼相關任務 [資訊不足：未詳細說明 Py Agent 功能]。
  • CCCSwitch：一種轉換工具，能將不兼容 Codex API 格式的第三方模型 API (如 Kimi API) 轉換為 Codex 兼容的格式，以便在 Codex 中使用。

重要例子與細節

  • Sub-Agent 任務與模型配置範例：
    • CodeReview：使用 Kimi C3 模型。
    • UI產品設計與評選：使用 Kimi C3 模型。

程式碼審查：使用 MiniMax 模型。 * 程式碼審查：使用 GPD5.6素模型。 * 主 Agent 使用 GPD5.6素模型進行調度。

  • 測試案例：讓主 Agent 調用三個配置好的 Sub-Agent 對程式碼進行「對抗審查」，並發啟動。
    • 示範三個 Sub-Agent 並行運作，其中一個 Sub-Agent 使用 MiniMax 模型，另一個 Sub-Agent 則呼叫 Py Agent 來執行程式碼審查。
    • 展示審查完成後，主 Agent 整理分析各 Sub-Agent 結果並給出最終結論。
  • Sub-Agent 配置方式：
    • 儲存路徑：Codex/agents 資料夾。
    • 配置內容：Agent 名稱、描述 (如「使用 Kimiki3 模型進行程式碼審查」)、具體提示詞 (prompt)。
    • 模型設定：model (模型名稱，如 Kimi C3)、model_provider (模型提供者，如 CCCSwitch 或 MiniMax 自帶)、inference_gpu (推理 GPU，如 high)。
  • CCCSwitch 的應用：將 Kimi API 轉換為 Codex 兼容格式。
    • 配置範例：model_provider 設定為 CCCSwitch，內部配置 Kimi C3 的 API Key、API 連結、模型映射等。
    • MiniMax 模型 API 本身兼容 Codex 格式，因此不需透過 CCCSwitch 轉換。
  • Sub-Agent 呼叫工具：
    • 程式碼審查 Sub-Agent 呼叫了 Py Agent。
    • UI 產品設計 Sub-Agent 呼叫了 SQL (使用 Super Database SQL 插件)。
  • 動態派生 Sub-Agent 範例：
    • 任務：派生 5 個 Sub-Agent 對程式碼進行對抗審查，分別調用不同的 GPT 系列模型、Kimi 模型和 MiniMax 模型。
    • 展示動態派生的 Sub-Agent 並行執行，並顯示個別 Agent 的運行狀況（如 Kimi 模型可能因速率限制被暫停）。
  • 建立漏洞挖掘 Sub-Agent：任務範例，要求使用深度安全挖掘 SQL、GPD5.6素模型、思考級別為 Ultra high。

可學習的洞察

  1. 從單點突破到協作系統的思維轉變：過去專注於優化單一 prompt 或 Agent 的循環執行，現在應思考如何將多個 Agent、工具、驗證機制組織成一個協同工作流，以應對更複雜、多面向的任務。
  2. 靈活模型選擇與成本效益考量：不再所有任務都依賴最強大的模型。透過將任務拆解，並為不同子任務分配最適合且成本較低的模型，可以顯著提升整體效率並降低 Token 消耗，實現智慧的資源配置。
  3. Graph Engineering 的實踐價值：影片強調 Graph Engineering 是一種處理複雜 AI 任務的有效範式。理解其核心思想——將任務流程圖化，結合並行、分支、驗證、回饋等機制——有助於設計更健壯、可擴展的 AI 應用。
  4. 動態適應性：允許系統根據任務需求動態派生 Agent，而非僅限於預先定義的 Agent，這代表著 AI 系統的自主性與適應能力大幅提升，能更彈性地應對未知或變化的任務情境。
  5. 工具整合的重要性：AI Agent 的能力不僅來自於其模型本身，更在於它能否有效地呼叫外部工具（如 Py Agent, SQL）。這種工具整合能力是擴展 Agent 解決問題範圍的關鍵。

可行動的整理

  • 升級 Codex：將 Codex CLI 和桌面版更新到最新版本 (0.145.0 以上)，以體驗 Multi-agent V2 功能。
  • 實作 Sub-Agent 配置：嘗試手動創建不同的 Sub-Agent，並為其配置不同的模型（Kimi、Min

iMax、GPT 等）、思考級別，並探索呼叫工具（如 Py Agent 或其他 SQL 插件）的方式。

  • 測試動態派生：設計一些複雜任務，讓主 Agent 動態派生 Sub-Agent 進行協作，觀察其效率和結果。
  • 研究 CCCSwitch：如果需要整合不兼容 Codex API 格式的第三方模型，學習如何配置和使用 CCCSwitch 進行 API 轉換。
  • 探索 Graph Engineering 概念：深入了解 Graph Engineering 和 Code Interpreter 的 Dynamic workflow，思考如何在自己的 AI 應用中引入類似的多 Agent 協作和調度邏輯。

複習問題

  1. Codex Multi-agent V2 的主要功能目標是什麼？它解決了哪些問題？
  2. 在 Multi-agent V2 中，主 Agent 和 Sub-Agent 的職責分別是什麼？
  3. 請舉例說明 Multi-agent V2 如何支援多模型混用和工具呼叫，以及這樣做的好處是什麼？
  4. 影片中提到 Multi-agent V2 的設計思路日益接近 Graph Engineering。請解釋 Graph Engineering 的核心概念，以及 Multi-agent V2 具備哪些 Graph Engineering 的特徵？
  5. 如果要在 Codex 的 Sub-Agent 中使用 Kimi 模型，但其 API 不兼容 Codex 格式，該如何解決？

待確認資訊

  • GPD5.6素模型：影片中多次提到「GPD5.6素模型」和「GPD5.6送模型」。此名稱在業界不常見，需確認具體指涉的模型（例如是否為 GPT-3.5 Turbo 或其他特定版本）。
  • Py Agent：影片中提到 Sub-Agent 可以呼叫「Py Agent」，但未詳細說明 Py Agent 的具體功能、如何配置或其與一般 Python 腳本的區別。

觀看原始影片