GPT‑6 Sol vs Luna：Coding Agent 自动选模完整教程

GPT-6 Sol 负责规划、复杂改动与验收，GPT-6 Luna 负责检索、提取和机械修改。本文提供 Codex 自定义子代理配置、API 自动路由代码与成本估算，帮助团队在不牺牲质量的前提下降低 Agent 成本。

摘要： 本文讨论 OpenAI 于 2026 年 9 月 22 日发布的 GPT‑6 Sol 与 GPT‑6 Luna，在 Coding Agent（以 Codex 和 OpenAI API 为主）中应该如何分工、如何让系统“自动选模”。核心结论是：主控与复杂改动交给 Sol，代码检索、信息提取、机械修改等边界清晰的子任务交给 Luna，并用“固定模型的自定义子代理 + 失败自动升级”来实现自动选模，而不是指望 Agent 自己猜。本文适合已经在用 Codex、Cursor 类工具或自建 Agent 的开发者与团队。两款模型已 GA，建议现在就在非生产分支上迁移测试；读完后你能拿到可直接复制的 config.toml、自定义子代理文件、一个 Python 自动路由器，以及一套成本估算方法。

核心结论

GPT‑6 Sol 和 Luna 不是“二选一”，而是一主一辅：在 Coding Agent 里，Sol 负责规划、跨文件改动、调试和最终验收，Luna 负责大批量、目标明确的子任务。“自动选模”最可靠的做法是把选择规则写进配置和代码——在 Codex 中用固定了 model 与 model_reasoning_effort 的自定义子代理，在 API 中用“Luna 分诊 → 按难度路由 → 测试失败就升级到 Sol”的路由器。

价格差距约 20 倍：官方 API 价格 Sol 为输入 $2 / 输出 $10（每百万 Token），Luna 为 $0.10 / $0.50，均比 GPT‑5.6 对应型号便宜 50%。把能下放的子任务交给 Luna，是最直接的降本手段。
起步参数：官方在 Codex 中建议 Sol 从 Medium 起步、Luna 从 High 起步；Luna 最高支持 Max，但不支持 Ultra。
最大的坑是“子代理继承父模型”：官方文档说明，未配置模型的子代理会继承父代理的模型和推理强度。开着 Sol Ultra 却不配置子代理，等于所有子任务都在跑 Sol，额度消耗会非常快。
API 接入优先用 Responses API：官方迁移指南说明，Sol 与 Luna 在 Chat Completions 中只有 reasoning_effort: "none" 时才支持函数调用，带推理的工具调用请用 Responses API。
实施建议：先让 Luna 承担只读类子代理（检索、摘要、测试日志分析），跑一两周对比质量与账单，再逐步放开可写权限。

背景与主要变化

先说结论：这次更新的重点不是能力大跃进，而是“同等能力更便宜、缓存更省”，这恰好让“多模型分工”的 Coding Agent 架构第一次变得非常划算。

OpenAI 在本月早些时候发布了旗舰模型 GPT‑6 Astra，随后于 9 月 22 日（美国时间）推出 GPT‑6 Sol 和 GPT‑6 Luna。官方表示两者采用与 Astra 相近的训练方法，把 Astra 在专业工作、事实准确性、编程、计算机操作和对齐上的进展带到更快、更便宜的模型中。第三方媒体 heise 的评价则更冷静：价格显著下降，但代际性能跃升并不明显。这两种说法并不矛盾——对 Agent 开发者而言，价格和缓存才是这次最值得利用的变化。

项目	GPT‑6 Sol	GPT‑6 Luna	说明
API 模型 ID	`gpt-6-sol`	`gpt-6-luna`	官方公告确认
输入价格（每百万 Token）	$2（原 GPT‑5.6 Sol $4）	$0.10（原 $0.20）	官方公告
输出价格（每百万 Token）	$10（原 $20）	$0.50（原 $1.20）	官方公告
缓存输入读取	官方称 GPT‑6 缓存读取享 90% 折扣	同左	具体单价以官方定价页为准
上下文窗口	1,050,000 Token	1,050,000 Token	来自 LiteLLM 与第三方模型库，建议以模型页复核
最大输出	128,000 Token	128,000 Token	同上
推理强度	none / low / medium / high / xhigh / max	none 至 max	Luna 在 Codex 中不支持 Ultra
Codex 可用性	Plus、Pro、Business、Enterprise、Edu	同左；Free 和 Go 用户可在桌面端使用 Luna	官方公告

另一个与 Coding Agent 直接相关的时间点是：GPT‑5.5 将于 2026 年 10 月 14 日从 ChatGPT、ChatGPT Work 和 Codex 中下线（API 不受影响）。官方要求用户替换工作区默认值、自定义代理、定时任务和脚本中的 gpt-5.5。如果你的 ~/.codex/agents/ 目录里还写着旧模型名，现在就是统一改造的时机。更多 Codex 相关教程可以在 AI Stack Nav 的 Codex 专题搜索中找到。

需要注意的边界：长上下文（超过 272K Token）的请求在 LiteLLM 文档中被列为单独计价档位，具体价格官方公告未写明，接入前请在 OpenAI 定价页确认。

核心功能拆解

结论先行：理解 Sol/Luna 的差异只需要看三件事——模型定位、推理强度、API 调用方式；Coding Agent 的“自动选模”就是在这三者之间做组合。

模型定位：主控与工人

官方在 Codex 模型页中的定位非常清楚：Sol 适合日常工作和复杂编程，尤其是模糊、困难或高价值的任务；Luna 适合“你已经知道好结果长什么样”的高频任务，例如提取、分类、转换和结构化摘要。Astra 则留给需要最强能力、跨多个步骤与工具的端到端工作。

放到 Coding Agent 里，可以翻译成下面这条编辑判断（非官方结论）：凡是需要“做决定”的步骤给 Sol，凡是“按规格执行并返回证据”的步骤给 Luna。 例如“这个 Bug 的根因是什么、该改哪几处”是决定；“列出所有调用 parseConfig 的文件和行号”是执行。

推理强度：同一模型的第二个旋钮

两款模型都支持从 none 到 max 的推理强度，API 默认值为 medium。在 Codex 桌面端和 CLI 中，官方给出的起点是 Sol 用 Medium、Luna 用 High，并提醒不同代际之间的推理档位并不能一一对应。

这意味着“自动选模”其实是一个二维选择：模型 × 推理强度。一个常见误区是用 Sol + low 做简单任务——你付的是 Sol 的单价，却只用了很浅的推理。更合理的组合是：简单分类用 Luna + none，中等检索用 Luna + high，复杂改动用 Sol + medium，疑难调试用 Sol + high 或 xhigh。

官方还特别说明 Max 与 Ultra 的区别：Max 是让单个模型对一个任务思考更久；Ultra 则会使用子代理并行处理复杂任务的不同部分。大多数任务既不需要 Max 也不需要 Ultra。

API 调用方式：优先 Responses API

根据 OpenAI 的 GPT‑6 迁移指南，有三条规则直接影响 Agent 代码：

Sol 与 Luna 支持 none 推理强度，Astra 不支持（Astra 最低用 low）。
在 Chat Completions 中，Sol 与 Luna 只有在 reasoning_effort: "none" 时才支持函数调用；需要“推理 + 工具”时应使用 Responses API。
推理强度不为 none 时，需要移除 temperature、top_p、top_logprobs 等参数。

此外，官方这次改进了提示词缓存：调整推理强度或启用/禁用工具，不再破坏之前上下文的缓存复用，并新增了显式缓存断点。对于在同一个长会话里频繁切换“轻任务/重任务”的 Agent，这是实打实的省钱点。

Coding Agent 双模型架构：Sol 负责规划与验收，Luna 负责检索、提取和机械修改，路由层决定模型与推理强度。

适用人群与使用场景

结论：个人开发者最该做的是“配置子代理”，团队最该做的是“把选模规则写进仓库”，平台型团队最该做的是“在 API 层建路由器”。

原因在于三类用户的瓶颈不同。个人开发者的问题通常是 Codex 额度消耗太快；团队的问题是每个人的模型配置不一致，导致成本和质量都不可预期；而自建 Agent 平台的团队需要按请求粒度控制成本。

场景	推荐模型与强度	理由（编辑判断）
仓库检索、定位调用链	Luna / high，只读	目标明确，结果可用行号验证
测试日志、CI 失败摘要	Luna / medium	典型的提取与摘要任务
批量重命名、格式迁移、样板代码	Luna / high，可写	规则清晰，但需要测试兜底
跨模块功能开发、重构	Sol / medium	需要判断与权衡
疑难 Bug、并发问题	Sol / high 或 xhigh	需要更深推理
PR 最终审查与合并判断	Sol / high，只读	验收权应留在更强模型
高风险架构决策	Astra	官方建议最难的端到端工作使用 Astra

适用边界：如果你的项目很小、一次任务只改一两个文件，单用 Sol Medium 就够了，拆子代理反而会增加上下文传递和 Token 开销——官方文档也提醒子代理工作流比单代理消耗更多 Token。

安装、配置或使用步骤

结论：Codex 用户按下面 7 步配置即可获得“Sol 主控 + Luna 子代理”的固定分工；自建 Agent 的读者可以直接跳到后面的 Python 路由器。

在 Codex 中配置自动分工

升级客户端：确保 Codex CLI、IDE 插件或桌面端为最新版本，然后执行 codex --model gpt-6-sol 确认账号可以使用新模型。Enterprise 与 Edu 工作区需要管理员先启用 Luna。
设置父代理默认模型：编辑 ~/.codex/config.toml（或仓库根目录的 .codex/config.toml，便于团队统一）。
限制并发与嵌套：在 [agents] 中设置 max_threads 与 max_depth。官方默认值分别是 6 和 1，除非确实需要递归委派，不要调高 max_depth。
创建 Luna 只读侦察代理：在 .codex/agents/ 下新建 TOML 文件，固定模型、推理强度和只读沙箱。
创建 Luna 机械修改代理与 Sol 审查代理：让“能写的 Luna”只处理规则明确的改动，让“只读的 Sol”负责审查。
重启任务：新增或修改代理文件后，开启一个新的 Codex 任务，让客户端重新发现这些代理。
验证实际模型：在 CLI 中用 /agent 切换到子代理线程查看其模型与推理强度；同时用 codex exec -m gpt-6-luna "echo test" 做一次对照运行。确认子代理真的在用 Luna 之后再大规模使用。

父代理配置示例：

# .codex/config.toml（提交到仓库，团队共享）
model = "gpt-6-sol"
model_reasoning_effort = "medium"

[agents]
max_threads = 4   # 控制并发子代理数量，避免额度瞬间耗尽
max_depth = 1     # 只允许一层子代理，防止递归扇出

Luna 只读侦察代理：

# .codex/agents/luna-scout.toml
name = "luna_scout"
description = "只读代码侦察：定位文件、调用链、配置项，返回带行号的证据。"
model = "gpt-6-luna"
model_reasoning_effort = "high"
sandbox_mode = "read-only"
developer_instructions = """
只在父代理给定的范围内工作。
返回：相关文件路径、符号名、行号、以及你不确定的点。
不要提出修复方案，不要修改文件。遇到重大歧义立即停止并报告。
"""
nickname_candidates = ["Scout-A", "Scout-B", "Scout-C"]

Luna 机械修改代理与 Sol 审查代理：

# .codex/agents/luna-fixer.toml
name = "luna_fixer"
description = "按明确规格执行机械修改：重命名、格式迁移、补充样板代码。"
model = "gpt-6-luna"
model_reasoning_effort = "high"
sandbox_mode = "workspace-write"
developer_instructions = """
只执行父代理给出的明确修改清单，不做架构调整。
每次修改后运行指定测试命令，并返回 diff 摘要与测试结果。
规格不清晰时停止，不要自行猜测。
"""

# .codex/agents/sol-reviewer.toml
name = "sol_reviewer"
description = "最终审查：正确性、安全、回归风险、测试缺口。"
model = "gpt-6-sol"
model_reasoning_effort = "high"
sandbox_mode = "read-only"
developer_instructions = """
像代码负责人一样审查。优先报告正确性、安全和行为回归问题，
给出可复现步骤；不要只提风格问题。
"""

注意边界：官方文档说明，Codex 会在生成子代理时重新应用父会话的实时覆盖设置，包括你在会话中通过 /permissions 或 --yolo 设定的沙箱与审批选项——即使代理文件写了 read-only。所以不要在开着 --yolo 的会话里依赖代理文件的沙箱设置。

在 API 中实现自动路由

如果你在自建 Agent（或者用 n8n、Dify 调用 OpenAI API），可以用下面这个最小路由器：先用 Luna（none 推理）做分诊，再按难度选择模型，执行后跑测试，失败就升级。

# router.py —— 最小可用的 Sol / Luna 自动选模路由器
import json, os, subprocess
from openai import OpenAI

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])  # 从环境变量读取，勿硬编码

TIERS = [
    ("gpt-6-luna", "high"),    # 第 1 档：便宜，适合边界清晰任务
    ("gpt-6-sol", "medium"),   # 第 2 档：默认主力
    ("gpt-6-sol", "high"),     # 第 3 档：疑难问题
]

def triage(task: str) -> int:
    """用 Luna + none 推理做分诊，返回起始档位 0/1/2。"""
    resp = client.responses.create(
        model="gpt-6-luna",
        reasoning={"effort": "none"},
        input=(
            "判断以下编码任务的难度，只输出 JSON："
            '{"tier":0|1|2,"reason":"..."}。'
            "0=检索/提取/机械修改；1=普通功能或多文件改动；2=疑难调试/并发/架构。\n\n"
            f"任务：{task}"
        ),
    )
    try:
        return int(json.loads(resp.output_text)["tier"])
    except (ValueError, KeyError, json.JSONDecodeError):
        return 1  # 解析失败时保守地走 Sol

def run_tests() -> bool:
    r = subprocess.run(["pytest", "-q"], capture_output=True, timeout=600)
    return r.returncode == 0

def solve(task: str, context: str, max_escalations: int = 2) -> dict:
    tier = triage(task)
    for attempt in range(max_escalations + 1):
        model, effort = TIERS[min(tier, len(TIERS) - 1)]
        resp = client.responses.create(
            model=model,
            reasoning={"effort": effort},
            instructions="你是代码修改代理。只输出 unified diff。",
            input=f"{context}\n\n任务：{task}",
        )
        patch = resp.output_text
        # apply_patch(patch)  # 在隔离工作区应用补丁，此处省略
        if run_tests():
            return {"model": model, "effort": effort, "attempts": attempt + 1, "patch": patch}
        tier += 1  # 测试失败 → 升级
    return {"status": "needs_human", "last_model": model}

这个路由器的关键设计有三点：分诊本身用最便宜的 Luna + none；升级依据是客观的测试结果而不是模型自评；设置 max_escalations 上限防止无限循环。生产环境还需要补上超时、重试退避、补丁应用的隔离目录以及调用日志。

实际工作流示例

结论：一个典型的“PR 审查 + 修复”任务，按“Luna 侦察 → Sol 决策 → Luna 执行 → Sol 验收”四段拆分，能把大部分 Token 消耗压到 Luna 上，同时让关键判断留在 Sol。

工作流：并行审查一个功能分支

在已完成上面配置的仓库里，对 Codex 发出这样的提示：

审查当前分支相对 main 的改动。
1. 让 luna_scout 并行启动 3 个实例，分别梳理：数据库访问层、API 路由层、前端表单层 的受影响代码，返回带行号的证据。
2. 你（父代理）汇总证据，判断需要修改的点，写出明确的修改清单。
3. 修改清单中属于重命名、补充类型注解、补测试样板的部分交给 luna_fixer，每次修改后运行 npm test。
4. 所有修改完成后，让 sol_reviewer 做最终审查。
5. 等待全部子代理结束，按“问题 / 证据 / 已修复 / 待人工确认”四栏汇总。

这里的“自动”体现在：父代理只负责决定“谁做什么”，而“用什么模型”已经被代理文件固定，不依赖父代理临场判断。

成本估算（示例计算，非官方数据）

假设某个子任务读取 200K Token 上下文，其中 80% 命中缓存，输出（含推理 Token）20K。按官方公布的价格和 90% 缓存折扣推算：

Sol：新鲜输入 40K × $2/M = $0.080；缓存输入 160K × $0.20/M = $0.032；输出 20K × $10/M = $0.200；合计约 $0.31。
Luna：新鲜输入 40K × $0.10/M = $0.004；缓存输入 160K × $0.01/M ≈ $0.0016；输出 20K × $0.50/M = $0.010；合计约 $0.016。

同样的子任务，Luna 大约是 Sol 的二十分之一。如果一次审查拆出 3 个侦察子代理，全部用 Sol 约 $0.93，全部用 Luna 约 $0.05。真实账单取决于推理 Token 数量、缓存命中率和是否超过 272K 长上下文档位，请以控制台用量为准。使用 ChatGPT 账号登录 Codex 时，消耗计入套餐额度而不是 API 账单，但相对比例思路相同。

四段式 Coding Agent 工作流：Luna 侦察 → Sol 决策 → Luna 执行 → Sol 验收，测试失败则升级到 Sol。

对比与选型建议

结论：默认用 Sol 做主控；只有在任务能被“写清楚验收标准”时才下放给 Luna；Astra 只留给少数高价值、端到端的难题。

以下是官方公布的部分编程相关成绩（均为 OpenAI 官方测试，且对比对象成绩取自公开报告，并非独立第三方复现）：

DeepSWE v1.1：Sol（max）得分 68.8%，官方称与 Claude Fable 5 的最高成绩相差 1.1 个百分点，每任务成本约低 80%；Luna（max）为 66.6%。
AutomationBench：Sol（xhigh）得分 33.2%，每任务成本 $0.27；Luna（high）比上一代提升 5.4 个百分点。
FrontierCode 1.1：官方称 Sol 相较 GPT‑5.6 Sol 有明显提升，并以更低成本达到 Claude Fable 5.1 xhigh 的水平。

编辑判断：Luna 在 max 强度下的 DeepSWE 成绩与 Sol 差距并不大，这说明“Luna + 高推理强度”是一个值得认真评估的档位——但高强度会产生更多推理 Token，单价优势会被部分抵消。选型不应只看榜单，而应该拿自己仓库里 20～50 个历史任务做回放测试，统计“一次通过率 × 单任务成本”。Microsoft 在 Foundry 的发布文章中也强调，合适的模型应通过评测来确定。

如果你在对比其他厂商的编程模型与 Agent 工具，可以参考站内的 AI 编程工具合集，以及 Agent 实战教程。

风险、限制与注意事项

结论：多模型 Agent 的主要风险不是模型能力，而是“配置没生效”“无限扇出”和“权限过大”这三类工程问题。

子代理模型可能没有按预期生效。 官方文档说明未配置的子代理会继承父模型。此外，在 GPT‑5.6 时期，GitHub 上有用户报告自定义代理中写明的 Luna 配置被忽略、子代理实际继承了父代理的 Sol Ultra（openai/codex issue #32587），社区论坛也有类似反馈。这些问题在 GPT‑6 版本中是否已修复，官方目前未明确说明，因此第 7 步的验证不能省略。

Ultra 与自动委派会放大消耗。 Ultra 会主动把工作分给子代理，如果没有配置子代理模型，这些子代理很可能都在高强度运行。官方也明确提醒：子代理工作流比单代理消耗更多 Token，调高 max_depth 可能导致重复扇出。

权限与审批。 可写的子代理只应处理规则明确的修改；涉及删除数据、执行生产数据库操作、推送到主分支、发布版本、修改 CI 密钥等动作，必须保留人工审批。审查类代理一律设为只读，并且不要在 --yolo 会话里依赖代理文件的沙箱设置。

Prompt Injection。 侦察代理会读取仓库中的文档、Issue 和依赖代码，这些内容里可能夹带“忽略之前的指令”之类文本。把侦察代理设为只读、要求其只返回证据而非执行指令，是最基本的隔离手段。

API 侧的工程细节。 路由器需要设置请求超时、带指数退避的重试、每个任务的预算上限，以及对补丁应用的幂等处理（同一补丁重复应用不应产生副作用）。函数调用的参数必须在服务端再校验一遍，不能直接信任模型输出。所有调用应记录模型、推理强度、Token 数和结果，便于审计与成本复盘。

模型与客户端变动。 Codex 自定义代理的文件格式官方表示“可能随着编写与分享能力成熟而演进”；GPT‑5.6 系列在迁移期仍可用，但下线时间以官方公告为准。建议把模型名集中写在仓库级配置中，方便一次性替换。

事实依据与来源

官方已确认的事实： GPT‑6 Sol 与 Luna 的发布、API 模型 ID（gpt-6-sol、gpt-6-luna）、API 价格及相对 GPT‑5.6 降价 50%、缓存读取 90% 折扣、Codex 与 ChatGPT Work 的可用套餐，均来自 OpenAI 官方公告。推理强度档位与 Chat Completions 函数调用限制来自 OpenAI API 模型页与 GPT‑6 迁移指南。子代理继承父模型、max_threads/max_depth 默认值、自定义代理文件字段、Sol Medium / Luna High 起步建议、Luna 不支持 Ultra、GPT‑5.5 于 10 月 14 日下线，来自 Codex 官方文档。

官方 Benchmark： DeepSWE、AutomationBench、FrontierCode 等成绩均为 OpenAI 公布，竞品成绩由 OpenAI 引用公开报告，本文未独立复现。

第三方资料： 1,050,000 Token 上下文与 128K 输出、272K 长上下文分档来自 LiteLLM 文档与第三方模型库；子代理模型未生效的问题来自 GitHub Issue 与 OpenAI 开发者社区用户报告；“性能跃升有限”的评价来自 heise。

编辑判断与实施建议： “决定给 Sol、执行给 Luna”的分工原则、场景推荐表、三个代理文件、Python 路由器和四段式工作流，均为本文实施建议，需要在你的项目中实测验证。成本估算为按公开价格推算的示例，不代表实际账单。

内容核验日期： 2026 年 9 月 25 日。

FAQ

GPT‑6 Sol 和 GPT‑6 Luna 的 API 模型 ID 是什么？

API 中分别使用 gpt-6-sol 和 gpt-6-luna。在 Codex CLI 中可以用 codex --model gpt-6-sol 或 codex -m gpt-6-luna 指定，也可以在 config.toml 中写 model = "gpt-6-sol" 作为默认值。Enterprise 和 Edu 工作区需要管理员先启用 Luna。

Sol 和 Luna 的价格分别是多少？

按 OpenAI 官方公告，Sol 为每百万输入 Token $2、输出 $10；Luna 为每百万输入 $0.10、输出 $0.50，两者都比 GPT‑5.6 对应型号便宜 50%，且缓存输入读取享 90% 折扣。超过 272K Token 的长上下文请求可能有单独价格，请以官方定价页为准。

Coding Agent 应该默认用 Sol 还是 Luna？

默认用 Sol（Medium）作为主控代理。官方在 Codex 子代理文档中也建议大多数任务从 gpt-6-sol 开始，把 gpt-6-luna 用于更快、更便宜的轻量子代理工作。只有当任务的验收标准能写清楚、并且可以用测试或行号证据验证时，才适合整体交给 Luna。

为什么我配置了 Luna 子代理，额度还是消耗得很快？

最常见的原因是子代理实际继承了父代理的模型。官方文档说明未配置模型的子代理会继承父模型；此外 GPT‑5.6 时期有用户报告自定义代理配置未生效的问题。请在 CLI 中用 /agent 查看子代理实际模型，确认新增代理文件后已开启新任务，并避免在 Ultra 模式下不加配置地让模型自动委派。

Luna 能用 Ultra 模式吗？

不能。Codex 官方模型页说明 GPT‑6 Luna 支持的推理强度最高到 Max，但不支持 Ultra。Ultra 是基于子代理的并行委派模式，适合可以拆分的大任务；如果你需要并行，可以用 Sol 作为父代理，把子代理固定为 Luna。

用 Chat Completions 接口调用 Sol，函数调用为什么报错或不生效？

根据官方 GPT‑6 迁移指南，Sol 与 Luna 在 Chat Completions 中只有在 reasoning_effort 为 none 时才支持函数调用。如果你需要“推理 + 工具调用”，应迁移到 Responses API。另外，推理强度不为 none 时要移除 temperature 和 top_p 参数。

从 GPT‑5.5 或 GPT‑5.6 迁移过来需要改哪些地方？

需要替换工作区默认模型、config.toml、.codex/agents/ 下的自定义代理、定时任务和脚本中的旧模型名。官方建议付费套餐改用 gpt-6-sol，Free 和 Go 用户在桌面端改用 gpt-6-luna。推理强度不能直接照搬，建议用几个熟悉的任务从较低档位开始对比。GPT‑5.5 将于 2026 年 10 月 14 日从 Codex 下线。

有没有官方的“自动选模”开关？

官方目前没有一个“自动在 Sol 和 Luna 之间切换”的独立开关。最接近的是 Ultra 模式的自动委派，以及 ChatGPT 桌面端的 Power 预设（从 Luna High 到 Astra Extra High 的六档）。在 Coding Agent 中，更可控的做法是用固定模型的自定义子代理，或在 API 层自己实现分诊与升级路由，本文的配置和代码就是这种方案。

参考来源

内容核验日期：2026 年 09 月 25 日

工具评测文章

工具选型与提示词资料

适合阅读工具评测、工具推荐、对比测评类文章后继续转化。

工具选型表 按场景、价格、上手难度和核心能力筛选合适的 AI 工具。 查看资料包 提示词模板包 提供写作、运营、编程、图片和视频生成常用提示词模板。 查看资料包

AI Stack Nav

GPT‑6 Sol vs Luna：Coding Agent 自动选模完整教程

核心结论

背景与主要变化

核心功能拆解

模型定位：主控与工人

推理强度：同一模型的第二个旋钮

API 调用方式：优先 Responses API

适用人群与使用场景

安装、配置或使用步骤

在 Codex 中配置自动分工

在 API 中实现自动路由

实际工作流示例

工作流：并行审查一个功能分支

成本估算（示例计算，非官方数据）

对比与选型建议

风险、限制与注意事项

事实依据与来源

FAQ

GPT‑6 Sol 和 GPT‑6 Luna 的 API 模型 ID 是什么？

Sol 和 Luna 的价格分别是多少？

Coding Agent 应该默认用 Sol 还是 Luna？

为什么我配置了 Luna 子代理，额度还是消耗得很快？

Luna 能用 Ultra 模式吗？

用 Chat Completions 接口调用 Sol，函数调用为什么报错或不生效？

从 GPT‑5.5 或 GPT‑5.6 迁移过来需要改哪些地方？

有没有官方的“自动选模”开关？

参考来源

工具选型与提示词资料

最新文章

热门文章

标签云

AI Stack Nav

发表回复取消回复

GPT‑6 Sol vs Luna：Coding Agent 自动选模完整教程

核心结论

背景与主要变化

核心功能拆解

模型定位：主控与工人

推理强度：同一模型的第二个旋钮

API 调用方式：优先 Responses API

适用人群与使用场景

安装、配置或使用步骤

在 Codex 中配置自动分工

在 API 中实现自动路由

实际工作流示例

工作流：并行审查一个功能分支

成本估算（示例计算，非官方数据）

对比与选型建议

风险、限制与注意事项

事实依据与来源

FAQ

GPT‑6 Sol 和 GPT‑6 Luna 的 API 模型 ID 是什么？

Sol 和 Luna 的价格分别是多少？

Coding Agent 应该默认用 Sol 还是 Luna？

为什么我配置了 Luna 子代理，额度还是消耗得很快？

Luna 能用 Ultra 模式吗？

用 Chat Completions 接口调用 Sol，函数调用为什么报错或不生效？

从 GPT‑5.5 或 GPT‑5.6 迁移过来需要改哪些地方？

有没有官方的“自动选模”开关？

参考来源

工具选型与提示词资料

最新文章

热门文章

标签云

AI Stack Nav

发表回复 取消回复

发表回复取消回复