在全端開發中,同時推進後端 API、Web 前端與 Android App 時,多工並行能大幅節省時間。最近我在 Oh My Pi (OMP) 裡配置多個 Subagent 協助開發,遇到最核心的問題就是:如何合理分配模型資源,兼顧程式碼品質與使用成本?

許多人使用 OMP 會直覺串接 Claude,但我考量到 Claude 官方對第三方終端工具的存取抓得很嚴,許多開發者都遇到帳號被 Ban 的情況。為了環境穩定,我選擇以已登入的 openai-codex 連線為主,並搭配平價的 10 美元包月方案來消化日常大量寫碼的需求。

OMP 雙軌模型路由架構

這篇文章記錄我目前採用的雙軌配置邏輯,並深入說明 OMP Subagent 的設定細節與推理降級的排查方式。


為什麼這樣選?訂閱考量與風險權衡

在模型選用上,我建議將任務拆分為兩種獨立的訂閱服務,彼此互補:

1. 避開風險:以 ChatGPT Plus(Codex)承擔核心任務

  • 避免封號風險:Claude 雖然程式能力出色,但直接接入終端工具風險較高。相比之下,使用 ChatGPT Plus 登入 openai-codex 運作穩定許多。
  • 高價值任務專用:GPT-6.1 Sol 具備優異的架構理解與嚴謹度,適合留給整體專案的架構規劃(Plan)、疑難雜症排查(Slow)以及代碼合併前的審查(Review)。

2. 成本槓桿:以 10 美元方案消化 80% 寫碼流量

  • 高性價比方案:目前市面上無論是 CommandCode GOAT 還是 OpenCode Go,每月 10 美元的月費都能享有等值 100 美元的模型額度,等於具備 10 倍的槓桿。
  • 十分之一的開發成本:將大量且瑣碎的日常寫碼、修改、單元測試交給 DeepSeek V4.1 Flash。以實質十分之一的費用處理日常 80% 的寫碼流量,即使多個 Subagent 同時並行,也不用擔心成本失控。

剖析 OMP Subagent:為什麼思考等級全部變成 low?

剛開始設定 OMP 時,不少人會發現啟動的子代理(Subagent)思考強度(Thinking Level)全部都是 low,甚至誤以為是模型不支援較高的推理強度。

查閱 OMP 原始碼(packages/coding-agent/src/task/agents.ts)後,能看到內建子代理的定義:

1
{ name: "task", model: "@task", thinkingLevel: AUTO_THINKING }

從源碼可以釐清以下三點底層邏輯:

  • modelRoles.default 不直接控制子代理:default 主要是主交談介面所使用,內建一般用途的 Subagent 讀取的是 modelRoles.task。
  • thinkingLevel: AUTO_THINKING 的預設行為:OMP 會自動評估任務複雜度來決定推理強度。如果沒有特別限制,系統常會自動判定以 low 執行,這是 OMP 內部機制的判斷,跟模型本身無關。
  • 手動覆蓋強度:若希望子代理維持較高的推理品質,可以在模型標籤後方明確加上 :high 或 :medium,並搭配關閉自動推理調節。

OMP 多 Agent 協同架構

透過合理的角色分工,整體的開發流程如下:


OMP Subagent 設定教學與 config.yml 配置

在 ~/.omp/agent/config.yml 中,主要透過三個區塊來管理 Subagent 的行為:

  1. modelRoles:定義抽象角色的模型與推理強度。
  2. task:設定子代理的並行數、覆蓋關係與推理鎖定。
  3. retry.fallbackChains:設定用量達上限時的備援鏈。

以下是建議採用的配置內容:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
# ~/.omp/agent/config.yml

modelRoles:
# 主交談 Agent
default: commandcode/deepseek/deepseek-v4.1-flash:high

# 重大架構規劃與跨模組設計
plan: openai-codex/gpt-6.1-sol:high

# 輕量與低複雜度操作
smol: commandcode/deepseek/deepseek-v4.1-flash:low
tiny: commandcode/deepseek/deepseek-v4.1-flash:off

# 深度除錯與重要功能
slow: openai-codex/gpt-6.1-sol:medium

# 一般用途 Subagent:大量平行開發的主力
task: commandcode/deepseek/deepseek-v4.1-flash:high

# 專門代碼審查與檢查
review: openai-codex/gpt-6.1-sol:high

# 快速決策與 Commit 訊息
judge: commandcode/typesafe/jev
commit: "@smol"

task:
# 將特定類型的 Subagent 對應到具體角色
agentModelOverrides:
task: "@task"
sonic: "@smol"
scout: "@smol"
reviewer: "@review"
security-reviewer: "@review"

# 平行執行的子代理上限
maxConcurrency: 4

# 關閉自動推理強度調整,固定依據選擇器的設定執行
enableEffort: false

# 備援鏈設定:僅在額度用盡時觸發切換
retry:
enabled: true
modelFallback: true
fallbackOn: usage-limit
rateLimitWalksChain: true
fallbackChains:
default:
- openai-codex/gpt-6.1-sol:low
task:
- openai-codex/gpt-6.1-sol:low
plan:
- commandcode/deepseek/deepseek-v4.1-flash:high
review:
- commandcode/deepseek/deepseek-v4.1-flash:high
slow:
- commandcode/deepseek/deepseek-v4.1-flash:high

重點設定說明

  • task.agentModelOverrides(子代理角色映射):這裡控制的是 Agent 的類型而非任務名稱。例如一般的 task 工作就會走 @task(即 DeepSeek high),而負責 Review 的子代理則走 @review(即 GPT Sol high)。
  • task.maxConcurrency: 4(並行數量限制):CommandCode GOAT 在 5 小時內有 20 美元的滑動限制,設定上限為 4 個並行任務,能避免短時間內暴衝超過速率限制。
  • task.enableEffort: false(鎖定推理強度):避免 OMP 底層的 AUTO_THINKING 將 Subagent 降級,確保執行時維持在宣告的 :high 強度。
  • fallbackOn: usage-limit(嚴格備援觸發):只有在遇到額度限制時才切換到備援鏈,避免一般網路逾時就無謂調用備用訂閱。

驗證設定與日常排查

設定完成後,可透過 OMP 內建指令檢查設定是否正確套用:

1
2
3
4
5
6
7
8
9
10
11
12
# 檢查 Subagent 與相關配置
omp config get modelRoles.task
omp config get task.agentModelOverrides
omp config get task.enableEffort
omp config get retry.fallbackChains

# 確認連線狀態
omp login commandcode
omp login openai-codex

# 查看目前額度與使用視窗
omp usage

需要特別留意的是,修改設定檔後,變更只會作用在新啟動的 Subagent 上,已經在背景執行的任務不會中途更換模型。


結語

面對多 Agent 的開發流程,重點不在於全面換用最貴的模型,而是把資源分配在對的節骨眼上。

透過 ChatGPT Plus(Codex)處理架構規劃與代碼審查,不僅能維持專案品質,也避開了 Claude 接入終端的封號風險;同時利用 10 美元的平價方案(CommandCode GOAT 或 OpenCode Go)放大額度槓桿,以十分之一的成本支撐 80% 的寫碼任務,既經濟又實用。