降低Codex额度消耗：压缩配置与自动截断上下文

GPT-6 Astra 上线之后，Codex 操控电脑的能力确实更强了，但额度下降速度也让我感受非常明显。原来可以用三天的额度，做同样的内容，大半天就能用完。我退回 GPT-5.6 后，消耗依然很快，最后只好把历史任务和本机配置完整翻了一遍。

众所周知，Codex 一致是我的最佳 CP，我一直在用 Codex 做产品、写文章、跑脚本。

讲真，GPT-6 Astra 上线之后，性能确实很强，尤其是操控电脑这一块。让它根据屏幕上的状态继续操作，整个执行过程比以前更顺，这个提升我超级认可。

但额度消耗也让我感受非常强烈。以前一轮额度通常能用三天左右，现在做同样的内容，大半天就能用完。

对，就是这么夸张。

比如，参考下图，从使用记录看，9 月 10 日、11 日是这一周的用量高位，虽然它不能直接换算出每个任务究竟消耗了多少额度，但至少能说明：那几天的 Codex 任务明显消耗更多。

Codex 近 7 天套餐用量记录

正是因为这个体感，我不太敢继续用 GPT-6 Astra，先退回了 GPT-5.6 Sol。

结果很扎心：切到 GPT-5.6 以后，额度下降速度还是很快。

再按模型和工具拆开看，7 天内一共有 299 轮产品活动，GPT-6 Astra 和 GPT-5.6 Sol 都有持续使用；

同期插件调用 984 次，其中 Computer Use 和 Unified Computer Use 占了主要部分。

这也符合我的实际工作场景：大量任务都不是纯聊天，而是在让 Codex 操控电脑、调用工具、连续完成工作流。

Codex 近 7 天模型活动与工具调用

下图，近 7 天产品活动与工具活动：GPT-6 Astra、GPT-5.6 Sol 均有连续使用，工具调用主要集中在 Computer Use。*

GPT-5.6 Sol 中等推理强度

01 额度不是突然消失，而是被上下文一点点吃掉

这次检查里，我看到两条使用 GPT-5.6 Sol、中等推理强度的长任务，累计输入 token 分别接近 1599 万和 1582 万。

任务进行到后面，单次调用携带的输入已经达到 22.8 万到 25.4 万 token。

这类消耗很容易被忽略。你在界面里只发了一句短话，模型收到的却不只是这句话。前面的聊天记录、工具返回、项目规则、Skills 描述、插件说明，都可能继续跟着进入下一轮。

所以一个任务用得越久，每次调用就越重。表面上还是问一句、改一个小地方，背后可能已经拖着二十多万 token 的上下文在跑。

我还检查了自己的 Codex 环境：一共有 274 份 Skill 定义，全局 `AGENTS.md` 原来有 5284 字节。

其中很多规则本身有用，但写得过长、重复解释，或者要求每次任务都读取大量资料，就会继续增加上下文。

Codex 近 7 天技能使用活动

近 7 天 Skill 活动记录：「已使用技能」为 295，多个工作流 Skill 在这一阶段被实际调用。

这与 OpenAI 最近针对 GPT-6 Astra 发布的文章基本一致：

《Rethinking skills and prompts for GPT-6 Astra》

OpenAI 官方说明：Skill 描述太多、太长，会持续占用上下文；AGENTS.md 也不应该要求模型在每个小任务开始前都读取一整套文档。更合适的方式，是只在当前任务确实需要时再加载对应规则和资料。

额度掉得快，不一定是模型突然变贵了，也可能是每一轮都在重复携带越来越重的上下文。

于是，我这次实际做了三类调整。

第一，把全局 `AGENTS.md` 从 5284 字节压缩到 1705 字节。品牌名、公众号发布规则、飞书操作方式这些关键约束都保留，只删掉重复说明和不需要每轮都出现的内容。

第二，给 Codex 增加自动压缩和工具输出限制：

model_auto_compact_token_limit = 160000

model_auto_compact_token_limit_scope = “total”

tool_output_token_limit = 8000

[skills]

max_context_tokens = 4000

这些数字不是所有电脑都必须照抄的标准答案。它们解决的是同一个问题：不要让单个任务和工具输出无限膨胀。

第三，没有看到插件多就直接卸载。插件、MCP 和 Skills 都可能承载真实工作流，粗暴关闭很容易把原本能用的能力弄坏。

当然，更稳妥的方式是先判断它们是否真的在每轮注入上下文，再决定要不要处理。

02 直接把这段提示词交给 Codex

自己逐项翻配置当然可以，但对大多数人来说，最省事的方式还是让 Codex 先检查自己的运行环境，再做一次可回滚的优化。

下面这段提示词，你可以直接复制给你的 Codex：

请帮我优化本机 Codex 的额度消耗。你可以直接检查并修改配置，但必须遵守以下要求：

1. 先读取并检查：

– ~/.codex/config.toml

– ~/.codex/AGENTS.md

– 已安装的 Skills、Plugins 和 MCP

– 最近 Codex 会话的 token 使用情况

– 是否存在 OpenCodex、第三方代理、自定义 model_catalog_json 或自定义 openai_base_url

2. 先诊断额度消耗快的主要原因，重点检查：

– 单个任务是否长期累积上下文

– 每轮输入 token 是否越来越大

– AGENTS.md 是否过长

– Skills 描述是否大量注入上下文

– 工具输出是否过长

– 是否加载了过多 MCP、插件或无关能力

– 当前模型和 reasoning effort 是否与界面选择一致

– 是否被第三方工具自动改成“自定义模型”

3. 修改任何文件前，必须为原文件创建带时间戳的备份。

4. 在不影响主要功能的情况下，进行以下优化：

– 压缩 ~/.codex/AGENTS.md，保留原有关键规则、品牌名、发布规范和个人偏好，但删除重复解释和冗长描述

– 在 ~/.codex/config.toml 中设置：

model_auto_compact_token_limit = 160000

model_auto_compact_token_limit_scope = “total”

tool_output_token_limit = 8000

– 如果不存在 [skills] 配置，添加：

[skills]

max_context_tokens = 4000

– 如果相关配置已经存在，则修改现有值，不要创建重复字段

– 不要随意卸载或禁用插件、Skills、MCP

– 不要修改项目目录、代码仓库和业务文件

5. 模型处理规则：

– 优先保留我当前明确选择的模型和推理强度，不要擅自升级到 GPT-6 Astra、Astra Extra High 或其他消耗更高的档位

– 如果当前模型已经不在 Codex 原生模型列表中，不要伪造或强行添加

– 如果模型 ID 与界面选项不一致，说明原因并恢复为 Codex 原生可识别的配置

– 如果发现 OpenCodex 或其他第三方代理修改了模型目录，只做诊断，不要擅自停止或卸载；明确告诉我它会导致界面显示“自定义”

6. 完成后必须验证：

– config.toml 能被 TOML 正常解析

– Codex CLI 能正常启动并识别配置

– 配置中没有重复字段

– AGENTS.md 的关键规则没有丢失

– 告诉我修改前后的 AGENTS.md 大小

– 列出实际修改的配置

– 给出所有备份文件路径

– 告诉我是否需要重启 Codex

7. 最后用中文给出简洁结论，包括：

– 额度消耗快的主要原因

– 已完成的优化

– 哪些地方为了安全没有改

– 后续使用建议

直接执行检查、备份、优化和验证，不需要让我逐步确认；但如果需要停用第三方代理、卸载插件或更换成另一个模型，必须先询问我。

这里有一个容易踩坑的地方：不要让 Codex 为了“省额度”擅自换模型。 模型是否出现在选择器里，会受到账号、客户端和灰度发布影响。

OpenAI 的模型文档也明确提到，不同套餐和发布阶段看到的选项可能不同。

我这次就遇到了一个额外问题。电脑里运行的 OpenCodex 代理修改了模型目录，原来选择过的 GPT-5.6 Sol 在列表里消失，界面只显示“自定义”。

Codex 显示自定义模型

这与额度优化不是一回事。如果提示词看到自定义模型就直接删配置、停服务，可能把同事正在使用的代理环境一起破坏。

因此我在提示词里专门加了一条：先诊断，涉及停止第三方代理或更换模型时，必须单独确认。

03 优化之后，使用方式也要跟着变

配置调整之后，我继续按原来的方式跑任务，额度下降速度确实明显变慢了。以我这几天的体感看，已经和 GPT-6 Astra 推出以前的下降速度差不多。

这个变化让我确认，前面的优化不是只把配置文件改得更整齐，它确实影响了实际使用。不过有一件事不能完全交给配置解决：一个任务不要无限续下去。

同一篇文章、同一套代码，在一个任务里连续改几十轮，看起来方便，后面的每一轮却可能越来越重。

一个阶段已经完成，就新建任务，把必要文件和最终结论交给新任务。它不需要重新背着前面所有试错记录继续工作。

日常明确的小任务，也没必要默认使用最高推理强度。

OpenAI 官方建议是，先从账号提供的默认档位开始，只有在任务确实需要更深规划和分析时再提高；推理强度越高，通常使用的 token 也越多。

这次优化让我重新意识到，Codex 的消耗不只由模型名字决定。模型、任务长度、全局规则、Skills 和工具输出，共同组成了每一轮真正送进模型的内容。

如果最近也感觉额度下降得比以前快，可以先不用急着换套餐，可以先把上面的提示词复制给 Codex，让它从自己的历史任务和本地配置开始检查。

先看清 token 花在了哪里，再决定该压缩上下文、拆任务，还是调整模型。

还是那句话：驾驭 AI 的首要前提是，跟随 AI的变化而变化！

本文由人人都是产品经理作者【AI产品大峡谷】，微信公众号：【AI产品大峡谷】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载

题图来自Unsplash，基于CC0协议