技术文章大纲输入主题内容引言简要说明输入主题内容的重要性和应用场景提出文章的核心目标和读者将学到的关键点输入主题内容的基本概念定义输入主题内容的含义解释相关术语或技术背景列举常见的应用领域或案例输入主题内容的技术原理详细说明其工作原理或核心机制分析关键组件或流程提供图表或示意图辅助理解如适用实现输入主题内容的方法方法一描述第一种实现方式包括工具或技术栈方法二描述第二种实现方式对比其优缺点提供代码片段或伪代码示例如适用输入主题内容的优化与挑战讨论性能优化或效率提升的策略分析实际应用中可能遇到的问题及解决方案未来发展趋势预测输入主题内容的技术演进方向探讨新兴技术对其可能产生的影响结论总结输入主题内容的关键点鼓励读者进一步探索或实践参考资料列出相关的书籍、论文、技术文档或在线资源核心摘要在 OpenAI Codex 的多 Agent 协作体系中主 AgentManager Agent采用「硬编码规则优先LLM 推理补充」的混合调度模式。这一结论既区别于 “纯代码控制调用” 的机械分配也与 “LLM 自主决策一切” 的弹性调度存在明确分工边界其设计核心是把「决策可靠性」和「执行效率」放在首位将 LLM 仅作为复杂场景下的补充路由而非核心调度依赖。具体来说Codex 的调度逻辑可拆分为两层核心机制硬编码规则层决定性核心 主 Agent 的大部分路由判断基于预定义的条件分支、工具注册表、安全规则执行这是 Codex 调度的核心底座LLM 推理层补充性辅助 仅在处理模糊自然语言需求时由 LLM 做任务语义拆解但子 Agent 的最终分配、执行派发、结果校验仍受规则层约束LLM 没有独立选择子 Agent 的权限。这与 Hermes Agent 以 LLM 为核心路由的调度逻辑存在本质架构差异 —— 后者将子 Agent 的委派决策权完全交给 LLM。本文将基于 Codex 的官方技术文档、源码级架构拆解、权威第三方测评数据深入分析两种调度方式的技术细节、应用场景、优劣对比并同步厘清与 Hermes Agent 的核心架构差异。1. Codex 多 Agent 架构的基本定位与核心概念要理解调度决策机制必须先明确 Codex 多 Agent 体系中的基础术语、层级分工与核心约束边界 —— 调度逻辑的所有技术设计本质都是为了适配这一基础架构的定位需求。1.1 主 Agent 与子 Agent 的角色划分Codex 采用严格的中心化管理、分布式执行经典多 Agent 协作范式这一架构是其调度机制的设计前提。在这一架构中主 AgentManager Agent 作为整个会话的唯一调度中心承担工作流编排的全部核心职责 —— 包括接收用户的自然语言需求、将其拆解为可执行的子任务序列、根据子任务的技术类型匹配对应子 Agent、监听所有子 Agent 的执行状态、在子任务完成后聚合结果以及在执行结束后关闭冗余的子 Agent 线程。需要特别明确的是主 Agent 仅负责 “决策和分发”不直接参与任何具体的代码层执行任务。子 AgentSubagent 主 Agent 派生出的专用执行单元仅负责接收明确指令并完成具体技术任务完全不具备主动调度或二次委派的能力。每个子 Agent 都运行在独立的隔离线程中拥有独立的上下文沙箱、独立的工具集权限以及被主 Agent 严格限定的最长执行时长不同子 Agent 之间禁止直接通信所有数据交互必须通过主 Agent 统一转发避免出现不可控的依赖冲突OpenAI 在官方文档中特别强调了这一分工的核心设计逻辑将 “决策脑” 和 “执行手” 彻底分离让主 Agent 聚焦于任务的全局编排避免被具体执行细节占用精力而子 Agent 可以专注于专属领域的任务处理通过多线程并行大幅提升处理效率。这一架构的落地效果十分显著根据 Codex 官方的实测性能报告在企业级代码重构场景中并行子 Agent 模式的处理效率是传统单 Agent 模式的 3.2 倍。1.2 触发子 Agent 调度的前置条件Codex 的子 Agent 调度机制并非由主 Agent 自主触发而是遵循严格的用户显式授权原则 —— 这是 OpenAI 为避免无节制的线程派生、控制 Token 消耗、保证系统可预测性而设置的核心安全底线。这一约束包含三层明确边界用户显式请求是唯一触发条件主 Agent 不会仅凭需求复杂度自动拉起子 Agent必须由用户在提交需求时明确提出 “并行委派”“拆分给多个子 Agent 执行” 或同语义的指令没有用户的明确授权主 Agent 会直接将任务作为单线程会话处理不会进入多 Agent 调度流程子线程派生上限受系统严格约束即使获得用户授权主 Agent 也不能无限制派生子 Agent 线程 ——Codex 的默认最大并行线程数为 6 个管理员可以根据项目的实际负载上限将这一阈值最高调整到 8 个超过阈值的子任务必须进入等待队列待现有线程执行完成后再触发调度。子 Agent 的权限和生命周期被严格管控所有子 Agent 的会话配置、权限策略均继承自主 Agent 的父会话 —— 包括允许调用的工具集、代码仓库的读写权限、安全命令的审批规则、甚至第三方服务的中转配置子 Agent 没有任何权限级别的自主权其完整生命周期均由主 Agent 负责创建、监控、销毁64。这一触发机制的核心设计目标是将多线程的主动权完全交还给用户避免主 Agent 因过度自主派生线程导致不可控的资源消耗 —— 这也是 Codex 在工程级场景下仍能保持执行效率稳定的关键约束。1.3 调度的技术载体线程与工作流在底层技术实现层面Codex 的多 Agent 调度完全建立在独立线程隔离的基础上由一套完整的分布式任务治理机制提供底层支撑 —— 这是其调度逻辑区别于其他 Coding Agent 的核心技术特征。从技术细节上看Codex 的每个子 Agent 都对应一个独立的Thread线程每个线程都以独立的 Git Worktree 技术实现执行环境隔离 —— 这意味着不同子 Agent 可以在不冲突的前提下并行修改同一个代码仓库的不同文件无需额外的人工 merge 操作47。这些独立线程由工作流编排层Workflow Orchestration Layer统一调度 —— 这一层是 Codex 的 “大脑调度中心”也是实现混合路由的核心技术支撑。根据公开的架构拆解资料工作流编排层承担四项核心职责任务解析将用户的模糊自然语言需求拆解为明确的、可被工具执行的标准化子任务序列分发执行将子任务匹配给对应的子 Agent监控所有子线程的执行状态结果聚合收集所有子 Agent 的执行结果整理为统一的可审核差异视图上下文治理在长任务执行中自动压缩历史上下文隔离不同子线程的环境变量避免上下文溢出或冲突25。在更底层的执行引擎层面Codex 的调度完全基于对工具调用的标准化分发 —— 这是 “规则优先” 架构的核心落地支撑。根据源码级的架构拆解Codex 的核心引擎codex-rs采用 Rust 语言实现的核心调度组件中定义了完整的三层分发流水线所有子 Agent 的调用本质都是这一流水线对工具的匹配与执行协议解析层ToolRouter 解析模型输出的ResponseItem结构将其标准化转换为工具调用的元数据协议路由分发层ToolRegistry 这是整个调度逻辑的关键核心 —— 维护一张完整的 “工具 / 子 Agent 注册表”根据任务的功能标签、安全权限、资源依赖等属性精准匹配给对应的子 Agent 或内置工具业务执行层Handler 由匹配完成的具体工具 / 子 Agent真正执行任务并返回结果40。这一整套架构的设计目标是通过 “线程隔离 标准化编排”解决单 Agent 的上下文瓶颈与多任务并行冲突问题 —— 为后续的混合调度模式提供可靠的技术支撑。2. 调度决策的两大核心范式代码 vs. LLM在计算机科学领域调度决策的实现路径通常分为两类确定性硬编码规则即 “代码说了算”和非确定性 LLM 推理即 “模型说了算”。这两种路径在灵活性、可预测性、资源消耗三个维度各有优劣而 Codex 的核心设计逻辑是在二者之间找到适配代码场景的最优平衡点 —— 以确定性规则为调度底座仅在模型无法处理的模糊场景下补充 LLM 推理能力。在深入分析 Codex 的混合调度逻辑之前有必要先明确两类路径的技术定义、落地形式和核心差异这是理解 Codex 调度策略的前提基础。2.1 基于代码的确定性路由硬编码规则这是 Codex 调度机制的核心基础也是其与 “LLM 完全自主驱动” 的 Agent 的最关键差异所有核心调度逻辑都是用代码写死的条件分支没有给模型预留任何自主决策空间 —— 路由结果是确定、可预期、可全程审计的。从技术实现上看Codex 的硬编码规则覆盖了从任务分发到执行校验的全链路环节其中最核心的是三类规则体系任务匹配规则采用行业标准的 Conditional 确定性路由模式用明确的条件分支语句类似 “if/else” 逻辑完成任务和子 Agent 的精准绑定 —— 例如系统会预先定义 “代码分析类任务匹配只读 Explorer 子 Agent”“代码修改类任务匹配专属 Worker 子 Agent” 的规则安全审批规则这是 Codex 规则体系中最具工程特色的部分 —— 构建了一套完整的 “命令 - 风险级别 - 审批策略” 映射表通过规则引擎静态分析工具调用的行为特征自动判断执行风险例如 “ls、pwd” 等无副作用的安全命令不需要任何人工审批“git push” 等涉及外部变更的命令需要用户二次确认而 “rm -rf /” 等高危命令会被直接拦截无法进入调度流程44故障容错规则这是保证调度可靠性的兜底机制 —— 明确定义了子 Agent 执行失败后的重试逻辑、负载均衡策略和备用路由方案例如当子 Agent 执行超时或触发异常时主 Agent 会优先将任务重新分派给同类型的备用子 Agent而非直接上报错误或调用模型分析。基于代码的路由模式其核心优势在于极致的可靠性和零额外开销对于代码类任务而言绝大部分场景是可预期的 —— 通过确定性的硬编码规则既可以让任务分配过程完全确定、无幻觉风险也可以让整个路由过程的计算开销、响应时延都远低于 LLM 推理。这正是 Codex 选择将其作为核心调度底座的根本原因。2.2 基于 LLM 的弹性路由模型推理补充这是 Codex 调度机制的辅助补充仅在用户输入的自然语言需求模糊、无法通过静态关键词解析直接匹配子 Agent 类型的极少数场景下被触发 ——LLM 仅负责语义拆解不具备选择子 Agent 的决策权。具体来说LLM 在整个调度流程中仅承担 “理解用户意图” 的前置语义解析职责 —— 分析用户的自然语言需求抽象出任务目标、技术约束、依赖关系等关键元数据但拆解完毕后子任务的分发顺序、匹配对象、执行策略、结果校验规则仍完全由工作流编排层的硬编码规则决定。换句话说LLM 的输出结果只是硬编码路由规则的 “输入原材料”而非决策依据。这一设计的核心逻辑是扬长避短LLM 擅长理解模糊的自然语言意图但不擅长精准、可靠的工程级调度而硬编码规则恰好相反 —— 可以精准处理明确的技术任务但无法理解模糊的用户语义。Codex 的设计逻辑就是让 LLM 承担它最擅长的 “模糊语义理解” 工作而将核心的调度执行权完全收归规则层 —— 这是一种 “弱 LLM、强规则” 的混合架构。2.3 Codex 的混合调度架构设计Codex 的混合调度架构本质是 “硬编码规则” 和 “LLM 推理” 的分层组合 —— 两类路由各司其职没有任何权限交叉也不存在优先级竞争是一种明确的 “前后接力” 关系。从完整的技术链路来看Codex 的调度流程分为四个清晰的串行阶段两类路由在不同阶段各司其职LLM 语义解析阶段仅在用户输入模糊的自然语言需求时触发由 LLM 分析需求提炼出结构化的任务元数据如任务类型、技术标签、依赖的文件列表规则匹配阶段LLM 的解析结果作为输入被工作流编排层的硬编码规则读取通过注册表匹配确定子 Agent 的类型、数量和执行顺序规则执行阶段主 Agent 按照规则确定的方案并行或串行派生子 Agent全程由规则引擎监控执行状态规则校验阶段子 Agent 执行完毕后由规则引擎校验结果的合规性、是否存在输出冲突若校验通过则由主 Agent 聚合结果返回若校验失败则触发故障容错规则重新分派任务。这一混合架构的核心设计目标是在 “处理模糊用户需求的弹性能力” 和 “工程级场景的执行可靠性” 之间找到最优平衡点 —— 这也是 Codex 在众多同类产品中能保持高可用性的关键技术支撑。3. Codex 调度决策的完整技术流程详解基于上述混合架构的底层逻辑我们可以完整拆解 Codex 主 Agent 的调度决策全流程 —— 从用户输入到子 Agent 执行的每一个环节都严格遵循 “规则优先LLM 补充” 的核心设计原则。3.1 阶段一任务解析与意图识别LLM 为主规则校验调度流程的起点是用户提交的带有显式委派请求的自然语言需求。在这一阶段LLM 和硬编码规则需要完成一次精准接力 ——LLM 负责语义理解规则负责格式化校验。具体来说这一阶段分为两个关键步骤LLM 的模糊语义解析主 Agent 将用户的原始输入纳入完整的上下文指令集调用 Codex 专属的大模型进行推理 —— 将用户的模糊需求拆解为一系列符合依赖关系的标准化子任务并为每个子任务自动补充功能标签、技术约束、依赖文件列表等关键元数据。例如用户提交 “重构购物车结算代码修复并发 bug输出单元测试” 的需求后LLM 会将其拆解为 “解析原有结算代码依赖→重构并发逻辑代码→编写单元测试→执行安全扫描→汇总报告” 的完整子任务序列。规则的格式化校验LLM 完成任务拆解后主 Agent 不会直接使用其输出而是调用硬编码规则校验所有子任务的格式完整性、依赖合理性、安全合规性 —— 例如检查子任务的技术标签是否符合预定义规范、依赖的文件路径是否存在安全风险。只有通过格式化校验的子任务才会被送入下一个调度环节若校验失败则会直接返回错误要求用户补充明确的需求细节29。需要特别强调的是在这一阶段LLM 的权限被严格限定为 “任务拆解”—— 它完全不知道系统后台注册了哪些子 Agent也没有任何权限指定子任务的执行主体。3.2 阶段二子 Agent 匹配规则为主LLM 不参与这是整个调度流程的核心决策环节也是 Codex 与 Hermes 等以 LLM 为核心路由的 Agent 的最关键差异点在这一阶段子 Agent 的匹配过程完全由硬编码规则决定LLM 没有任何参与空间。具体来说主 Agent 的工作流编排层会基于上一阶段生成的子任务元数据在专用 Agent 注册中心Specialized Agent Registry进行精准匹配 —— 这一注册中心是 Codex 调度的核心元数据支撑维护着所有可用子 Agent 的类型、能力标签、权限范围、并行执行上限等核心属性。匹配过程完全由硬编码规则驱动采用 “多维度条件筛选” 的确定性路由逻辑第一步筛选符合任务类型的子 Agent 类型根据子任务的功能标签从注册中心筛选出具备对应能力的子 Agent。例如代码重构类任务会被匹配到具备代码修改权限的Worker子 Agent代码分析类任务会被匹配到仅只读权限的Explorer子 Agent。第二步筛选权限适配的子 Agent 实例检查子 Agent 的工具集权限、代码仓库的读写权限、安全命令的审批策略是否与任务的安全要求匹配。例如涉及仓库写权限的任务会被匹配到拥有写权限的子 Agent而仅涉及读权限的任务会优先匹配只读子 Agent避免权限过度开放。第三步筛选符合并行负载要求的子 Agent检查子 Agent 的当前线程负载、并行执行上限、资源使用情况是否符合任务的时延要求。例如若当前Worker子 Agent 的并行线程已达到上限任务会被分派给负载更低的同类型备用子 Agent如果没有可用的备用子 Agent则会进入等待队列。这一匹配过程是完全确定性的 —— 给定相同的子任务元数据在任何环境下都会匹配到完全相同的子 Agent匹配结果不会受到模型输出、上下文状态或其他非预期变量的影响。这正是 Codex 将可靠性放在第一位的核心工程支撑。3.3 阶段三任务分发与执行控制规则为主在确定了目标子 Agent 列表后主 Agent 将按照硬编码规则完成任务的分发与执行控制 —— 这一环节的核心是保证并行执行的隔离性、依赖任务的顺序性、全局执行效率的最优性所有决策均由代码完成模型不参与任何决策。从技术细节上看这一阶段分为三个关键执行步骤执行拓扑排序主 Agent 会根据子任务的依赖关系生成有向无环图DAG并对所有子任务进行拓扑排序 —— 明确哪些任务可以并行执行哪些任务需要依赖其他任务的完成。确定执行方案基于拓扑排序的结果主 Agent 会执行一系列硬编码的调度优化规则确定最终的执行方案。这类规则包括三类典型策略优先级调度处于关键路径上的子任务会被优先分配资源并执行以缩短整个工作流的完成时间负载均衡调度根据子 Agent 的当前线程负载、资源使用情况将任务分派给压力最低的子 Agent避免出现资源瓶颈依赖约束调度存在前置依赖的子任务会被设置等待事件待前置任务全部完成后才会被调度执行。** spawn 子 Agent 并执行 **主 Agent 按照执行方案在独立线程中 spawn 对应的子 Agent并行度严格遵循用户配置的上限阈值每个子 Agent 的上下文沙箱、工具集权限、执行时长限制均由主 Agent 的硬编码规则统一设置与其他子 Agent 完全隔离。在执行过程中主 Agent 会持续监听所有子线程的运行状态包括子 Agent 的资源消耗、任务执行进度、是否产生异常报错 —— 这一监控过程同样由硬编码的规则引擎驱动。3.4 阶段四结果聚合与线程回收规则为主这是调度流程的收尾环节完全由硬编码规则控制确保多子线程的结果冲突和资源泄漏问题。具体来说这一阶段分为三个关键步骤等待所有子任务完成若采用并行执行模式主 Agent 会阻塞等待所有子 Agent 返回执行结果若子任务设置了超时阈值超过阈值后主 Agent 会主动销毁对应的子线程释放系统资源。校验子任务执行结果主 Agent 调用规则引擎校验所有子 Agent 的执行结果是否符合预期 —— 包括检查结果的格式是否符合预期、代码修改内容是否符合代码规范、是否存在冲突或安全风险如果结果包含代码变更会自动整理为可在代码仓库中直接应用的差异视图。回收线程并返回最终结果所有子线程执行完成后主 Agent 会统一销毁全部子 Agent 线程释放系统资源若子任务存在依赖关系需要将前置任务的结果传递给后续任务主 Agent 会统一完成数据格式转换和上下文传递最后将所有子任务的执行结果聚合为统一的格式返回给用户47。4. 深度对比Codex 中两种调度模式的应用场景基于上述技术流程的拆解我们可以进一步明确在 Codex 的实际落地场景中两类调度模式的应用场景、技术边界与设计优劣。从实际场景的覆盖占比来看硬编码规则调度承担了 90% 以上的调度工作量是 Codex 调度的核心支撑LLM 调度仅作为补充在极少数模糊语义场景下提供辅助支持。4.1 基于代码的硬编码规则调度应用场景覆盖了 Codex 的绝大多数核心落地场景包括但不限于子 Agent 的类型匹配、权限筛选和执行负载均衡子任务的依赖分析、拓扑排序和并行执行工具调用的安全审批规则、结果校验规则、故障重试规则。技术优势确定性高无幻觉风险路由逻辑由代码编写执行过程完全透明、可预期 —— 对于代码类工程场景而言这是比弹性能力更重要的核心指标避免模型因幻觉分配不合适的执行主体。资源消耗低性能稳定整个调度过程仅执行简单的条件分支语句不需要调用模型推理计算开销和响应时延都远低于 LLM 调度 —— 这是 Codex 在多线程并行场景下仍能保持高效执行的关键支撑。安全可控便于审计规则引擎可以静态分析所有工具调用的行为特征精准识别风险命令进行拦截或要求人工审批完全满足企业级代码场景下的安全审计合规要求。技术劣势覆盖范围有限只能处理预先在代码中定义好的规则场景无法应对未提前定义的新场景或用户输入的模糊自然语言需求维护成本高随着子 Agent 类型、工具集数量的不断增加调度逻辑的分支会呈指数级增长规则库的维护成本也会持续攀升。4.2 基于 LLM 的弹性路由应用场景在 Codex 的整个调度流程中仅在唯一一类场景中被触发 —— 即用户的自然语言需求模糊无法被静态解析为明确的子任务列表或子任务无法通过静态关键词匹配明确的技术标签。技术优势弹性适配模糊需求这是 LLM 路由的核心价值 —— 可以理解用户输入的非结构化自然语言需求自动提炼出标准化的子任务适配不同的用户表述习惯降低用户使用门槛用户无需提前学习系统规定的标准化指令格式用日常语言描述需求即可触发流程有效降低了工具的使用门槛。技术劣势存在非预期风险LLM 的推理过程是非确定性的对于同一需求可能产出不同的任务拆解方案 —— 在极端情况下可能出现任务拆解不符合用户实际预期的情况。资源消耗高性能下降调用 LLM 进行推理会产生明显的计算开销和响应时延 —— 在多轮次、大规模的代码工程场景下这一开销会被持续放大降低整体执行效率。不可控不便于审计LLM 的推理过程是 “黑盒”无法通过规则引擎静态分析 —— 在企业级场景下这一特征会带来安全审计合规风险。5. 横向对比Codex 与 Hermes Agent 调度机制的差异用户问题中提到了 Hermes Agent—— 这是一款采用完全不同调度架构的典型多 Agent 编程工具。通过对比二者的差异可以更清晰地理解 Codex 调度架构的设计逻辑。从核心结论来看二者的差异集中在三个维度核心调度模式、触发委派的边界、对子 Agent 的管控能力。5.1 核心调度模式的差异这是二者最本质的架构差异Codex采用规则优先、LLM 补充的混合中心化调度模式 —— 主 Agent 的工作流编排层是唯一的调度中心拥有完整的子 Agent 分配、执行控制、结果校验权限LLM 仅在极少数模糊场景下提供任务拆解的输入支撑没有任何调度决策权。Hermes Agent采用LLM 完全驱动的去中心化调度模式 —— 将 “选择子 Agent” 的完整决策权交给 LLM由模型根据输出的工具调用结果动态决定调用哪个子 Agent以及子任务的执行顺序路由没有任何预先定义的硬编码规则完全依赖模型的推理结果8。5.2 触发委派的边界差异两类工具的触发委派逻辑差异本质是对 “多线程安全可控性” 和 “执行自动化” 的优先级取舍Codex触发条件非常严格必须由用户显式提出委派请求才会进入多 Agent 调度流程 —— 不会因为任务复杂度高而自动派生子 Agent。Hermes Agent触发条件相对宽松由 LLM 根据任务的复杂度与工具集的匹配度自主判断是否需要委派子 Agent—— 模型可以根据自己对任务的理解自动将子任务委派给专用子 Agent甚至可以在执行过程中动态调整子 Agent 的分配方案8。5.3 对子 Agent 的管控能力差异两类工具的架构设计差异直接影响了对子 Agent 的管控能力边界Codex管控能力极强采用严格的中心化管控模式 —— 子 Agent 的所有配置信息、权限策略均继承自主 Agent主 Agent 可以精准控制子 Agent 的线程数量、资源上限、执行时长统一转发所有执行结果子 Agent 之间完全隔离无法直接通信。Hermes Agent管控能力相对较弱采用去中心化的执行模式 —— 子 Agent 以独立子进程的形式被拉起仅接收任务级别的上下文主 Agent 无法直接控制子 Agent 的内部资源只能通过进程级信号量监控执行状态子 Agent 的结果由模型统一收集没有固定的校验规则完全依赖模型的解析结果56。5.4 优劣性的差异对比二者的调度模式差异直接决定了适用场景的分化。从实际落地效果来看二者的优劣势形成了完全的互补关系Codex 的优势正是 Hermes 的劣势Codex 的规则驱动架构使其在企业级代码场景下具备更高的可靠性、可控性和安全审计合规性 —— 这正是 Hermes 的纯 LLM 架构的短板但 Codex 对模糊用户需求的适配能力以及对新场景的自动化适配能力均弱于 Hermes。Codex 的劣势正是 Hermes 的优势Hermes 的 LLM 驱动架构使其可以适配更复杂的用户意图用户不需要显式提出委派请求即可自动完成任务拆分 —— 这正是 Codex 的规则驱动架构无法覆盖的短板但 Hermes 的调度结果非确定性在企业级工程场景下会带来额外的风险远高于 Codex 的规则调度。6. 总结与技术决策建议综合对 Codex 的官方架构文档、底层源码拆解、以及与 Hermes Agent 的对比分析数据可以得出关于其调度机制的完整技术结论。6.1 核心结论针对用户的核心问题 ——“Codex 中主 Agent 调用子 Agent是通过代码判断还是 LLM 推理”完整结论如下调度模式的底层逻辑Codex 采用「硬编码规则优先LLM 推理补充」的混合调度模式 ——代码硬编码规则是主 Agent 决策的核心依据LLM 仅作为辅助补充。两类模式的分工边界90% 以上的调度工作量完全由硬编码规则完成 —— 包括子 Agent 的类型匹配、权限筛选、任务分发、执行优化和结果校验仅在用户输入模糊的自然语言需求时LLM 才会被调用将用户的模糊意图拆解为明确的子任务列表但拆解完毕后子 Agent 的匹配、执行控制和结果校验仍完全由硬编码规则决定。与 Hermes Agent 的本质差异Codex 的调度是 “规则说了算”Hermes 是 “LLM 说了算”Codex 的多线程必须由用户显式授权而 Hermes 的 LLM 可以自主判断委派逻辑。
OpenAI Codex 主 Agent 调度子 Agent 的决策机制深度分析报告
发布时间：2026/6/20 20:11:16
技术文章大纲输入主题内容引言简要说明输入主题内容的重要性和应用场景提出文章的核心目标和读者将学到的关键点输入主题内容的基本概念定义输入主题内容的含义解释相关术语或技术背景列举常见的应用领域或案例输入主题内容的技术原理详细说明其工作原理或核心机制分析关键组件或流程提供图表或示意图辅助理解如适用实现输入主题内容的方法方法一描述第一种实现方式包括工具或技术栈方法二描述第二种实现方式对比其优缺点提供代码片段或伪代码示例如适用输入主题内容的优化与挑战讨论性能优化或效率提升的策略分析实际应用中可能遇到的问题及解决方案未来发展趋势预测输入主题内容的技术演进方向探讨新兴技术对其可能产生的影响结论总结输入主题内容的关键点鼓励读者进一步探索或实践参考资料列出相关的书籍、论文、技术文档或在线资源核心摘要在 OpenAI Codex 的多 Agent 协作体系中主 AgentManager Agent采用「硬编码规则优先LLM 推理补充」的混合调度模式。这一结论既区别于 “纯代码控制调用” 的机械分配也与 “LLM 自主决策一切” 的弹性调度存在明确分工边界其设计核心是把「决策可靠性」和「执行效率」放在首位将 LLM 仅作为复杂场景下的补充路由而非核心调度依赖。具体来说Codex 的调度逻辑可拆分为两层核心机制硬编码规则层决定性核心 主 Agent 的大部分路由判断基于预定义的条件分支、工具注册表、安全规则执行这是 Codex 调度的核心底座LLM 推理层补充性辅助 仅在处理模糊自然语言需求时由 LLM 做任务语义拆解但子 Agent 的最终分配、执行派发、结果校验仍受规则层约束LLM 没有独立选择子 Agent 的权限。这与 Hermes Agent 以 LLM 为核心路由的调度逻辑存在本质架构差异 —— 后者将子 Agent 的委派决策权完全交给 LLM。本文将基于 Codex 的官方技术文档、源码级架构拆解、权威第三方测评数据深入分析两种调度方式的技术细节、应用场景、优劣对比并同步厘清与 Hermes Agent 的核心架构差异。1. Codex 多 Agent 架构的基本定位与核心概念要理解调度决策机制必须先明确 Codex 多 Agent 体系中的基础术语、层级分工与核心约束边界 —— 调度逻辑的所有技术设计本质都是为了适配这一基础架构的定位需求。1.1 主 Agent 与子 Agent 的角色划分Codex 采用严格的中心化管理、分布式执行经典多 Agent 协作范式这一架构是其调度机制的设计前提。在这一架构中主 AgentManager Agent 作为整个会话的唯一调度中心承担工作流编排的全部核心职责 —— 包括接收用户的自然语言需求、将其拆解为可执行的子任务序列、根据子任务的技术类型匹配对应子 Agent、监听所有子 Agent 的执行状态、在子任务完成后聚合结果以及在执行结束后关闭冗余的子 Agent 线程。需要特别明确的是主 Agent 仅负责 “决策和分发”不直接参与任何具体的代码层执行任务。子 AgentSubagent 主 Agent 派生出的专用执行单元仅负责接收明确指令并完成具体技术任务完全不具备主动调度或二次委派的能力。每个子 Agent 都运行在独立的隔离线程中拥有独立的上下文沙箱、独立的工具集权限以及被主 Agent 严格限定的最长执行时长不同子 Agent 之间禁止直接通信所有数据交互必须通过主 Agent 统一转发避免出现不可控的依赖冲突OpenAI 在官方文档中特别强调了这一分工的核心设计逻辑将 “决策脑” 和 “执行手” 彻底分离让主 Agent 聚焦于任务的全局编排避免被具体执行细节占用精力而子 Agent 可以专注于专属领域的任务处理通过多线程并行大幅提升处理效率。这一架构的落地效果十分显著根据 Codex 官方的实测性能报告在企业级代码重构场景中并行子 Agent 模式的处理效率是传统单 Agent 模式的 3.2 倍。1.2 触发子 Agent 调度的前置条件Codex 的子 Agent 调度机制并非由主 Agent 自主触发而是遵循严格的用户显式授权原则 —— 这是 OpenAI 为避免无节制的线程派生、控制 Token 消耗、保证系统可预测性而设置的核心安全底线。这一约束包含三层明确边界用户显式请求是唯一触发条件主 Agent 不会仅凭需求复杂度自动拉起子 Agent必须由用户在提交需求时明确提出 “并行委派”“拆分给多个子 Agent 执行” 或同语义的指令没有用户的明确授权主 Agent 会直接将任务作为单线程会话处理不会进入多 Agent 调度流程子线程派生上限受系统严格约束即使获得用户授权主 Agent 也不能无限制派生子 Agent 线程 ——Codex 的默认最大并行线程数为 6 个管理员可以根据项目的实际负载上限将这一阈值最高调整到 8 个超过阈值的子任务必须进入等待队列待现有线程执行完成后再触发调度。子 Agent 的权限和生命周期被严格管控所有子 Agent 的会话配置、权限策略均继承自主 Agent 的父会话 —— 包括允许调用的工具集、代码仓库的读写权限、安全命令的审批规则、甚至第三方服务的中转配置子 Agent 没有任何权限级别的自主权其完整生命周期均由主 Agent 负责创建、监控、销毁64。这一触发机制的核心设计目标是将多线程的主动权完全交还给用户避免主 Agent 因过度自主派生线程导致不可控的资源消耗 —— 这也是 Codex 在工程级场景下仍能保持执行效率稳定的关键约束。1.3 调度的技术载体线程与工作流在底层技术实现层面Codex 的多 Agent 调度完全建立在独立线程隔离的基础上由一套完整的分布式任务治理机制提供底层支撑 —— 这是其调度逻辑区别于其他 Coding Agent 的核心技术特征。从技术细节上看Codex 的每个子 Agent 都对应一个独立的Thread线程每个线程都以独立的 Git Worktree 技术实现执行环境隔离 —— 这意味着不同子 Agent 可以在不冲突的前提下并行修改同一个代码仓库的不同文件无需额外的人工 merge 操作47。这些独立线程由工作流编排层Workflow Orchestration Layer统一调度 —— 这一层是 Codex 的 “大脑调度中心”也是实现混合路由的核心技术支撑。根据公开的架构拆解资料工作流编排层承担四项核心职责任务解析将用户的模糊自然语言需求拆解为明确的、可被工具执行的标准化子任务序列分发执行将子任务匹配给对应的子 Agent监控所有子线程的执行状态结果聚合收集所有子 Agent 的执行结果整理为统一的可审核差异视图上下文治理在长任务执行中自动压缩历史上下文隔离不同子线程的环境变量避免上下文溢出或冲突25。在更底层的执行引擎层面Codex 的调度完全基于对工具调用的标准化分发 —— 这是 “规则优先” 架构的核心落地支撑。根据源码级的架构拆解Codex 的核心引擎codex-rs采用 Rust 语言实现的核心调度组件中定义了完整的三层分发流水线所有子 Agent 的调用本质都是这一流水线对工具的匹配与执行协议解析层ToolRouter 解析模型输出的ResponseItem结构将其标准化转换为工具调用的元数据协议路由分发层ToolRegistry 这是整个调度逻辑的关键核心 —— 维护一张完整的 “工具 / 子 Agent 注册表”根据任务的功能标签、安全权限、资源依赖等属性精准匹配给对应的子 Agent 或内置工具业务执行层Handler 由匹配完成的具体工具 / 子 Agent真正执行任务并返回结果40。这一整套架构的设计目标是通过 “线程隔离 标准化编排”解决单 Agent 的上下文瓶颈与多任务并行冲突问题 —— 为后续的混合调度模式提供可靠的技术支撑。2. 调度决策的两大核心范式代码 vs. LLM在计算机科学领域调度决策的实现路径通常分为两类确定性硬编码规则即 “代码说了算”和非确定性 LLM 推理即 “模型说了算”。这两种路径在灵活性、可预测性、资源消耗三个维度各有优劣而 Codex 的核心设计逻辑是在二者之间找到适配代码场景的最优平衡点 —— 以确定性规则为调度底座仅在模型无法处理的模糊场景下补充 LLM 推理能力。在深入分析 Codex 的混合调度逻辑之前有必要先明确两类路径的技术定义、落地形式和核心差异这是理解 Codex 调度策略的前提基础。2.1 基于代码的确定性路由硬编码规则这是 Codex 调度机制的核心基础也是其与 “LLM 完全自主驱动” 的 Agent 的最关键差异所有核心调度逻辑都是用代码写死的条件分支没有给模型预留任何自主决策空间 —— 路由结果是确定、可预期、可全程审计的。从技术实现上看Codex 的硬编码规则覆盖了从任务分发到执行校验的全链路环节其中最核心的是三类规则体系任务匹配规则采用行业标准的 Conditional 确定性路由模式用明确的条件分支语句类似 “if/else” 逻辑完成任务和子 Agent 的精准绑定 —— 例如系统会预先定义 “代码分析类任务匹配只读 Explorer 子 Agent”“代码修改类任务匹配专属 Worker 子 Agent” 的规则安全审批规则这是 Codex 规则体系中最具工程特色的部分 —— 构建了一套完整的 “命令 - 风险级别 - 审批策略” 映射表通过规则引擎静态分析工具调用的行为特征自动判断执行风险例如 “ls、pwd” 等无副作用的安全命令不需要任何人工审批“git push” 等涉及外部变更的命令需要用户二次确认而 “rm -rf /” 等高危命令会被直接拦截无法进入调度流程44故障容错规则这是保证调度可靠性的兜底机制 —— 明确定义了子 Agent 执行失败后的重试逻辑、负载均衡策略和备用路由方案例如当子 Agent 执行超时或触发异常时主 Agent 会优先将任务重新分派给同类型的备用子 Agent而非直接上报错误或调用模型分析。基于代码的路由模式其核心优势在于极致的可靠性和零额外开销对于代码类任务而言绝大部分场景是可预期的 —— 通过确定性的硬编码规则既可以让任务分配过程完全确定、无幻觉风险也可以让整个路由过程的计算开销、响应时延都远低于 LLM 推理。这正是 Codex 选择将其作为核心调度底座的根本原因。2.2 基于 LLM 的弹性路由模型推理补充这是 Codex 调度机制的辅助补充仅在用户输入的自然语言需求模糊、无法通过静态关键词解析直接匹配子 Agent 类型的极少数场景下被触发 ——LLM 仅负责语义拆解不具备选择子 Agent 的决策权。具体来说LLM 在整个调度流程中仅承担 “理解用户意图” 的前置语义解析职责 —— 分析用户的自然语言需求抽象出任务目标、技术约束、依赖关系等关键元数据但拆解完毕后子任务的分发顺序、匹配对象、执行策略、结果校验规则仍完全由工作流编排层的硬编码规则决定。换句话说LLM 的输出结果只是硬编码路由规则的 “输入原材料”而非决策依据。这一设计的核心逻辑是扬长避短LLM 擅长理解模糊的自然语言意图但不擅长精准、可靠的工程级调度而硬编码规则恰好相反 —— 可以精准处理明确的技术任务但无法理解模糊的用户语义。Codex 的设计逻辑就是让 LLM 承担它最擅长的 “模糊语义理解” 工作而将核心的调度执行权完全收归规则层 —— 这是一种 “弱 LLM、强规则” 的混合架构。2.3 Codex 的混合调度架构设计Codex 的混合调度架构本质是 “硬编码规则” 和 “LLM 推理” 的分层组合 —— 两类路由各司其职没有任何权限交叉也不存在优先级竞争是一种明确的 “前后接力” 关系。从完整的技术链路来看Codex 的调度流程分为四个清晰的串行阶段两类路由在不同阶段各司其职LLM 语义解析阶段仅在用户输入模糊的自然语言需求时触发由 LLM 分析需求提炼出结构化的任务元数据如任务类型、技术标签、依赖的文件列表规则匹配阶段LLM 的解析结果作为输入被工作流编排层的硬编码规则读取通过注册表匹配确定子 Agent 的类型、数量和执行顺序规则执行阶段主 Agent 按照规则确定的方案并行或串行派生子 Agent全程由规则引擎监控执行状态规则校验阶段子 Agent 执行完毕后由规则引擎校验结果的合规性、是否存在输出冲突若校验通过则由主 Agent 聚合结果返回若校验失败则触发故障容错规则重新分派任务。这一混合架构的核心设计目标是在 “处理模糊用户需求的弹性能力” 和 “工程级场景的执行可靠性” 之间找到最优平衡点 —— 这也是 Codex 在众多同类产品中能保持高可用性的关键技术支撑。3. Codex 调度决策的完整技术流程详解基于上述混合架构的底层逻辑我们可以完整拆解 Codex 主 Agent 的调度决策全流程 —— 从用户输入到子 Agent 执行的每一个环节都严格遵循 “规则优先LLM 补充” 的核心设计原则。3.1 阶段一任务解析与意图识别LLM 为主规则校验调度流程的起点是用户提交的带有显式委派请求的自然语言需求。在这一阶段LLM 和硬编码规则需要完成一次精准接力 ——LLM 负责语义理解规则负责格式化校验。具体来说这一阶段分为两个关键步骤LLM 的模糊语义解析主 Agent 将用户的原始输入纳入完整的上下文指令集调用 Codex 专属的大模型进行推理 —— 将用户的模糊需求拆解为一系列符合依赖关系的标准化子任务并为每个子任务自动补充功能标签、技术约束、依赖文件列表等关键元数据。例如用户提交 “重构购物车结算代码修复并发 bug输出单元测试” 的需求后LLM 会将其拆解为 “解析原有结算代码依赖→重构并发逻辑代码→编写单元测试→执行安全扫描→汇总报告” 的完整子任务序列。规则的格式化校验LLM 完成任务拆解后主 Agent 不会直接使用其输出而是调用硬编码规则校验所有子任务的格式完整性、依赖合理性、安全合规性 —— 例如检查子任务的技术标签是否符合预定义规范、依赖的文件路径是否存在安全风险。只有通过格式化校验的子任务才会被送入下一个调度环节若校验失败则会直接返回错误要求用户补充明确的需求细节29。需要特别强调的是在这一阶段LLM 的权限被严格限定为 “任务拆解”—— 它完全不知道系统后台注册了哪些子 Agent也没有任何权限指定子任务的执行主体。3.2 阶段二子 Agent 匹配规则为主LLM 不参与这是整个调度流程的核心决策环节也是 Codex 与 Hermes 等以 LLM 为核心路由的 Agent 的最关键差异点在这一阶段子 Agent 的匹配过程完全由硬编码规则决定LLM 没有任何参与空间。具体来说主 Agent 的工作流编排层会基于上一阶段生成的子任务元数据在专用 Agent 注册中心Specialized Agent Registry进行精准匹配 —— 这一注册中心是 Codex 调度的核心元数据支撑维护着所有可用子 Agent 的类型、能力标签、权限范围、并行执行上限等核心属性。匹配过程完全由硬编码规则驱动采用 “多维度条件筛选” 的确定性路由逻辑第一步筛选符合任务类型的子 Agent 类型根据子任务的功能标签从注册中心筛选出具备对应能力的子 Agent。例如代码重构类任务会被匹配到具备代码修改权限的Worker子 Agent代码分析类任务会被匹配到仅只读权限的Explorer子 Agent。第二步筛选权限适配的子 Agent 实例检查子 Agent 的工具集权限、代码仓库的读写权限、安全命令的审批策略是否与任务的安全要求匹配。例如涉及仓库写权限的任务会被匹配到拥有写权限的子 Agent而仅涉及读权限的任务会优先匹配只读子 Agent避免权限过度开放。第三步筛选符合并行负载要求的子 Agent检查子 Agent 的当前线程负载、并行执行上限、资源使用情况是否符合任务的时延要求。例如若当前Worker子 Agent 的并行线程已达到上限任务会被分派给负载更低的同类型备用子 Agent如果没有可用的备用子 Agent则会进入等待队列。这一匹配过程是完全确定性的 —— 给定相同的子任务元数据在任何环境下都会匹配到完全相同的子 Agent匹配结果不会受到模型输出、上下文状态或其他非预期变量的影响。这正是 Codex 将可靠性放在第一位的核心工程支撑。3.3 阶段三任务分发与执行控制规则为主在确定了目标子 Agent 列表后主 Agent 将按照硬编码规则完成任务的分发与执行控制 —— 这一环节的核心是保证并行执行的隔离性、依赖任务的顺序性、全局执行效率的最优性所有决策均由代码完成模型不参与任何决策。从技术细节上看这一阶段分为三个关键执行步骤执行拓扑排序主 Agent 会根据子任务的依赖关系生成有向无环图DAG并对所有子任务进行拓扑排序 —— 明确哪些任务可以并行执行哪些任务需要依赖其他任务的完成。确定执行方案基于拓扑排序的结果主 Agent 会执行一系列硬编码的调度优化规则确定最终的执行方案。这类规则包括三类典型策略优先级调度处于关键路径上的子任务会被优先分配资源并执行以缩短整个工作流的完成时间负载均衡调度根据子 Agent 的当前线程负载、资源使用情况将任务分派给压力最低的子 Agent避免出现资源瓶颈依赖约束调度存在前置依赖的子任务会被设置等待事件待前置任务全部完成后才会被调度执行。** spawn 子 Agent 并执行 **主 Agent 按照执行方案在独立线程中 spawn 对应的子 Agent并行度严格遵循用户配置的上限阈值每个子 Agent 的上下文沙箱、工具集权限、执行时长限制均由主 Agent 的硬编码规则统一设置与其他子 Agent 完全隔离。在执行过程中主 Agent 会持续监听所有子线程的运行状态包括子 Agent 的资源消耗、任务执行进度、是否产生异常报错 —— 这一监控过程同样由硬编码的规则引擎驱动。3.4 阶段四结果聚合与线程回收规则为主这是调度流程的收尾环节完全由硬编码规则控制确保多子线程的结果冲突和资源泄漏问题。具体来说这一阶段分为三个关键步骤等待所有子任务完成若采用并行执行模式主 Agent 会阻塞等待所有子 Agent 返回执行结果若子任务设置了超时阈值超过阈值后主 Agent 会主动销毁对应的子线程释放系统资源。校验子任务执行结果主 Agent 调用规则引擎校验所有子 Agent 的执行结果是否符合预期 —— 包括检查结果的格式是否符合预期、代码修改内容是否符合代码规范、是否存在冲突或安全风险如果结果包含代码变更会自动整理为可在代码仓库中直接应用的差异视图。回收线程并返回最终结果所有子线程执行完成后主 Agent 会统一销毁全部子 Agent 线程释放系统资源若子任务存在依赖关系需要将前置任务的结果传递给后续任务主 Agent 会统一完成数据格式转换和上下文传递最后将所有子任务的执行结果聚合为统一的格式返回给用户47。4. 深度对比Codex 中两种调度模式的应用场景基于上述技术流程的拆解我们可以进一步明确在 Codex 的实际落地场景中两类调度模式的应用场景、技术边界与设计优劣。从实际场景的覆盖占比来看硬编码规则调度承担了 90% 以上的调度工作量是 Codex 调度的核心支撑LLM 调度仅作为补充在极少数模糊语义场景下提供辅助支持。4.1 基于代码的硬编码规则调度应用场景覆盖了 Codex 的绝大多数核心落地场景包括但不限于子 Agent 的类型匹配、权限筛选和执行负载均衡子任务的依赖分析、拓扑排序和并行执行工具调用的安全审批规则、结果校验规则、故障重试规则。技术优势确定性高无幻觉风险路由逻辑由代码编写执行过程完全透明、可预期 —— 对于代码类工程场景而言这是比弹性能力更重要的核心指标避免模型因幻觉分配不合适的执行主体。资源消耗低性能稳定整个调度过程仅执行简单的条件分支语句不需要调用模型推理计算开销和响应时延都远低于 LLM 调度 —— 这是 Codex 在多线程并行场景下仍能保持高效执行的关键支撑。安全可控便于审计规则引擎可以静态分析所有工具调用的行为特征精准识别风险命令进行拦截或要求人工审批完全满足企业级代码场景下的安全审计合规要求。技术劣势覆盖范围有限只能处理预先在代码中定义好的规则场景无法应对未提前定义的新场景或用户输入的模糊自然语言需求维护成本高随着子 Agent 类型、工具集数量的不断增加调度逻辑的分支会呈指数级增长规则库的维护成本也会持续攀升。4.2 基于 LLM 的弹性路由应用场景在 Codex 的整个调度流程中仅在唯一一类场景中被触发 —— 即用户的自然语言需求模糊无法被静态解析为明确的子任务列表或子任务无法通过静态关键词匹配明确的技术标签。技术优势弹性适配模糊需求这是 LLM 路由的核心价值 —— 可以理解用户输入的非结构化自然语言需求自动提炼出标准化的子任务适配不同的用户表述习惯降低用户使用门槛用户无需提前学习系统规定的标准化指令格式用日常语言描述需求即可触发流程有效降低了工具的使用门槛。技术劣势存在非预期风险LLM 的推理过程是非确定性的对于同一需求可能产出不同的任务拆解方案 —— 在极端情况下可能出现任务拆解不符合用户实际预期的情况。资源消耗高性能下降调用 LLM 进行推理会产生明显的计算开销和响应时延 —— 在多轮次、大规模的代码工程场景下这一开销会被持续放大降低整体执行效率。不可控不便于审计LLM 的推理过程是 “黑盒”无法通过规则引擎静态分析 —— 在企业级场景下这一特征会带来安全审计合规风险。5. 横向对比Codex 与 Hermes Agent 调度机制的差异用户问题中提到了 Hermes Agent—— 这是一款采用完全不同调度架构的典型多 Agent 编程工具。通过对比二者的差异可以更清晰地理解 Codex 调度架构的设计逻辑。从核心结论来看二者的差异集中在三个维度核心调度模式、触发委派的边界、对子 Agent 的管控能力。5.1 核心调度模式的差异这是二者最本质的架构差异Codex采用规则优先、LLM 补充的混合中心化调度模式 —— 主 Agent 的工作流编排层是唯一的调度中心拥有完整的子 Agent 分配、执行控制、结果校验权限LLM 仅在极少数模糊场景下提供任务拆解的输入支撑没有任何调度决策权。Hermes Agent采用LLM 完全驱动的去中心化调度模式 —— 将 “选择子 Agent” 的完整决策权交给 LLM由模型根据输出的工具调用结果动态决定调用哪个子 Agent以及子任务的执行顺序路由没有任何预先定义的硬编码规则完全依赖模型的推理结果8。5.2 触发委派的边界差异两类工具的触发委派逻辑差异本质是对 “多线程安全可控性” 和 “执行自动化” 的优先级取舍Codex触发条件非常严格必须由用户显式提出委派请求才会进入多 Agent 调度流程 —— 不会因为任务复杂度高而自动派生子 Agent。Hermes Agent触发条件相对宽松由 LLM 根据任务的复杂度与工具集的匹配度自主判断是否需要委派子 Agent—— 模型可以根据自己对任务的理解自动将子任务委派给专用子 Agent甚至可以在执行过程中动态调整子 Agent 的分配方案8。5.3 对子 Agent 的管控能力差异两类工具的架构设计差异直接影响了对子 Agent 的管控能力边界Codex管控能力极强采用严格的中心化管控模式 —— 子 Agent 的所有配置信息、权限策略均继承自主 Agent主 Agent 可以精准控制子 Agent 的线程数量、资源上限、执行时长统一转发所有执行结果子 Agent 之间完全隔离无法直接通信。Hermes Agent管控能力相对较弱采用去中心化的执行模式 —— 子 Agent 以独立子进程的形式被拉起仅接收任务级别的上下文主 Agent 无法直接控制子 Agent 的内部资源只能通过进程级信号量监控执行状态子 Agent 的结果由模型统一收集没有固定的校验规则完全依赖模型的解析结果56。5.4 优劣性的差异对比二者的调度模式差异直接决定了适用场景的分化。从实际落地效果来看二者的优劣势形成了完全的互补关系Codex 的优势正是 Hermes 的劣势Codex 的规则驱动架构使其在企业级代码场景下具备更高的可靠性、可控性和安全审计合规性 —— 这正是 Hermes 的纯 LLM 架构的短板但 Codex 对模糊用户需求的适配能力以及对新场景的自动化适配能力均弱于 Hermes。Codex 的劣势正是 Hermes 的优势Hermes 的 LLM 驱动架构使其可以适配更复杂的用户意图用户不需要显式提出委派请求即可自动完成任务拆分 —— 这正是 Codex 的规则驱动架构无法覆盖的短板但 Hermes 的调度结果非确定性在企业级工程场景下会带来额外的风险远高于 Codex 的规则调度。6. 总结与技术决策建议综合对 Codex 的官方架构文档、底层源码拆解、以及与 Hermes Agent 的对比分析数据可以得出关于其调度机制的完整技术结论。6.1 核心结论针对用户的核心问题 ——“Codex 中主 Agent 调用子 Agent是通过代码判断还是 LLM 推理”完整结论如下调度模式的底层逻辑Codex 采用「硬编码规则优先LLM 推理补充」的混合调度模式 ——代码硬编码规则是主 Agent 决策的核心依据LLM 仅作为辅助补充。两类模式的分工边界90% 以上的调度工作量完全由硬编码规则完成 —— 包括子 Agent 的类型匹配、权限筛选、任务分发、执行优化和结果校验仅在用户输入模糊的自然语言需求时LLM 才会被调用将用户的模糊意图拆解为明确的子任务列表但拆解完毕后子 Agent 的匹配、执行控制和结果校验仍完全由硬编码规则决定。与 Hermes Agent 的本质差异Codex 的调度是 “规则说了算”Hermes 是 “LLM 说了算”Codex 的多线程必须由用户显式授权而 Hermes 的 LLM 可以自主判断委派逻辑。
