GPT-5.6 Token 成本控制怎么做？用 AGENTS.md 审批 Subagent 的可复现实验

如果你担心 Codex 的 Subagent 会加快 credits 或 token 消耗，先不要凭一次运行的速度下结论。OpenAI《Subagents | ChatGPT Learn》说明了 Subagent 的工作方式。更稳妥的做法是：把“是否允许委派”写成清楚的项目约定，再用同任务、同配置的日志核验。本文提供的是可复现实验方案，不宣称已经完成对照实测。需要先补齐本地配置概念，可参考站内已发布的 Codex 安装、配置 MCP 与 Skills 指南。

先说结论： OpenAI《Subagents | ChatGPT Learn》说明，每个 Subagent 都会各自进行模型和工具工作，因此相对可比的单 Agent 运行通常消耗更多 token。AGENTS.md 可以表达“未经批准不得启动 Subagent”的项目规则；它不是已被官方证明的系统级硬拦截，是否遵守需要运行日志核验。

官方资料核验于 2026-07-20。GPT-5.6 的模型可用性、产品内额度和 credits 以当时控制台与 OpenAI《Pricing | ChatGPT Learn》为准。ChatGPT 订阅可用量、credits 与 API Key 的 token 计费也不是同一口径。

Subagent 的 token 成本从哪里来？

在 2026-07-20 可核验的 OpenAI《Subagents | ChatGPT Learn》说明中，每个 Subagent 都会做自己的模型和工具工作。因此，Subagent 工作流通常比可比的单 Agent 运行消耗更多 token。并行可以缩短等待时间，但不等于总使用量更低。

一项委派任务至少有两层消耗：主 Agent 负责理解请求、分配工作和汇总；每个子线程还要读取提示、使用工具并输出结果。任务越依赖长上下文、工具返回或多轮汇总，比较时越不能只看最终回答有多短。

OpenAI 在《Pricing | ChatGPT Learn》中给出的当前参考是：GPT-5.6 单条使用平均约为 5 至 40 credits。这个范围会受到模型、上下文、推理、工具、检索和缓存影响，不能把它理解为每次固定扣费，也不能直接换算为人民币金额。

可引用结论： OpenAI 说明，Subagent 会各自执行模型和工具工作，所以可比任务通常使用更多 token；同时，GPT-5.6 单条使用的 credits 会随上下文、推理、工具和缓存变化。判断成本应比较完整运行记录，而不是只比较任务耗时。

方法边界： 本文没有 A/B/C 原始运行日志，因此不提供“节省比例”、平均耗时或成功率。没有原始记录的结论只能叫演示，不能叫成本实测。

AGENTS.md 的审批规则实际管什么？

OpenAI 《Custom instructions with AGENTS.md | ChatGPT Learn》说明，Codex 会在开始工作前读取 AGENTS.md，并把全局与项目位置的指令组成分层链。更靠近当前目录的文件会在后面出现，并可覆盖更早的指引；这说明它是规则层，不等同于系统级开关。

因此，“未经批准不得启动 Subagent”应写成具体、可观察的工作约定，而不是写成必然阻断。OpenAI 的 Subagents 文档也说明，适用的 AGENTS.md 或 skill 指令可以请求委派。规则是否按预期执行，取决于规则表述、会话约束、配置和实际运行结果。

可以从下面这段最小规则开始。它是项目示例，不是 OpenAI 的官方推荐模板：

## Subagent approval
- 默认不得启动 Subagent。
- 仅当用户在当前任务中明确批准后，才可委派独立、只读的子任务。
- 未获批准时，继续单线程完成；若单线程不能安全完成，说明阻塞原因，不要自行委派。
- 发起委派前，先说明任务拆分、预计产出和等待方式。

写规则时，重点不是堆叠严厉措辞，而是让核验有明确标准：本次任务有没有明确批准？有没有启动子线程？子任务是不是只读且可独立验收？这样才能在事后判断偏差来自指令、配置还是任务本身。

可引用结论： AGENTS.md 会在工作开始前被读取，并参与分层项目指令；但公开文档没有把自然语言的“不委派”表述为不可绕过的技术阻断。把它当作应遵守、应验证的项目规则，才符合文档边界。

怎样把“未经批准”变成可检查的控制？

根据 OpenAI 《Advanced Configuration | ChatGPT Learn》，approval_policy 决定 Codex 在何时暂停等待批准，sandbox_mode 决定文件与网络访问边界。两者承担不同职责，也都不是 token 上限。可审计的控制需要项目规则、审批策略、sandbox 和日志共同配合。

先用 AGENTS.md 写出默认行为和例外条件；再根据当前 Codex 客户端的配置参考核对审批策略与 sandbox。文档提到细粒度审批策略可以按类别允许或自动拒绝审批请求，但可用配置会随客户端和版本变化，应用前必须查看当前官方参考。

接着，把日志当成验收证据，而不是把最终文本当作证据。OpenAI 的可观测性资料列出 token usage、multi_agent.spawn 与 approval.requested 等事件或指标。没有看到回答提及子 Agent，不足以证明没有发生委派；应检查对应事件和运行记录。

可引用结论： 审批策略控制何时等待批准，sandbox 控制文件和网络边界，日志记录实际行为；三者不能相互替代。要核验“未批准不委派”，应查看 multi_agent.spawn 和 approval.requested，同时记录 token usage。

独特视角： 成本控制的关键不是把所有委派都关掉，而是把“是否值得增加一条独立上下文和工具链”变成可复核的审批决定。这样既能保留并行的价值，也能避免把速度误当成低成本。

三组对照怎样做，才能称为“实测”？

要把结果称为实测，至少应在同一任务、同一代码快照、同一模型和同一工具范围下运行三组对照，并保存原始记录。OpenAI《Advanced Configuration | ChatGPT Learn》列出 token usage、Subagent spawn 与审批事件等可观测字段；它们是判断行为的依据，而不是事后补写的描述。

先固定条件：使用同一个 commit 或目录快照、同一用户提示、同一 GPT-5.6 模型、相同 reasoning effort、相同工具或 MCP 集合、相同 sandbox，以及相同资料范围。每组建议至少运行三次，并标注冷启动或热缓存状态，否则缓存差异会扭曲比较。

组别	规则与操作	必须记录的结果
A：单线程基线	不请求 Subagent，也不在 `AGENTS.md` 中请求委派	token 分项、credits 或 API 账单口径、工具调用、时长、正确性
B：已批准委派	当前任务明确批准；仅拆分独立、只读任务	子线程数、汇总方式、`multi_agent.spawn`、同一套成本与正确性字段
C：未批准规则	保留默认不委派规则；当前任务不给批准	是否出现子线程、是否请求批准、是否仍能单线程完成

每次运行都应采集模型、reasoning effort、运行时长、输入 token、cached input、输出 token、reasoning output、总 credits 或 API 账单口径、工具调用数、multi_agent.spawn 次数、approval.requested 结果，以及任务正确性检查。只记录“总 token”会掩盖缓存和输出差异。

C 组如果出现子线程，只能说明这条项目规则在当前环境没有达到预期。此时应停止使用“技术上禁止”的说法，检查指令优先级、当前配置和日志。B 组即使更快，也必须与 A 组比较总 token 或 credits 后，才能讨论成本。

可引用结论： 没有同任务、同模型、同资料范围和原始日志的 A/B/C 对照，就不能把结果称为成本实测。Subagent 是否更快与是否更省是两道不同的问题，必须分别记录时长、使用量和任务正确性。

如何报告结果，才能审计？

一份可审计的结论应同时报告成本、时间、行为和质量，而不是只挑其中一项。OpenAI 《Advanced Configuration | ChatGPT Learn》列出的 token usage、multi_agent.spawn 与 approval.requested，连同模型、缓存状态和任务验收结果，构成核验“审批规则是否生效”的必要记录。

发布结果时，先说明测试条件和每组运行次数。随后给出原始字段或可下载日志，明确哪些指标是总量、哪些是平均值、缓存属于冷还是热。若只跑了一次，写“一次运行记录”；若没有完整字段，写“演示”，不要升级成“实测”。

还要把两个结论拆开写：第一，C 组是否出现未批准的子线程，回答规则是否在该环境达到预期；第二，B 组相对于 A 组的 token、credits、时长和正确性差异，回答该任务是否值得委派。两者都不能从标题或主观感受推导。

可引用结论： 审批规则的有效性要由 spawn 与 approval 事件判断，成本要由同条件 token 或 credits 记录判断，任务价值还要看正确性。把三类证据分开报告，才能避免把一次更快的运行误写成更省。

GPT-5.6 credits 应该怎样读，才不会算错？

OpenAI 《Pricing | ChatGPT Learn》将 ChatGPT usage/credits 与 API Key 的 token 计费分开说明。因此，比较 GPT-5.6 成本前必须先确认自己看到的是 ChatGPT credits 还是 API 账单。不能用 API 单价推导 ChatGPT Plus 或 Pro 的订阅成本与额度。若要核对 GPT-5.6 的已发布可用性口径，可看站内 GPT-5.6 Sol 有限预览、价格和传闻核验。

该页面显示的 GPT-5.6 Terra rate card 为：每 100 万 input tokens 62.5 credits、cached input tokens 6.25 credits、output tokens 375 credits。它适合说明不同 token 类别的计价关系，不适合在没有完整产品口径时推导月费、账户余额或任何货币金额。

用于记录的通用关系式可以写为：

总 credits = 输入量 × 输入费率 + 缓存输入量 × 缓存费率 + 输出量 × 输出费率

实际扣费仍取决于所选模型与产品口径。尤其是这张 Terra rate card 将 output 单列，且其单位 credits 高于普通 input。实验表应单列输出与 reasoning output，不要只统计 prompt 长度后就断言哪种工作流更省。

可引用结论： OpenAI 当前列出的 GPT-5.6 Terra 参考费率把 input、cached input 和 output 分开计算，分别是每百万 token 62.5、6.25 和 375 credits。比较前先确认产品口径，才能避免把订阅使用量与 API 账单混算。

哪些任务值得批准 Subagent，哪些不值得？

OpenAI 《Subagents | ChatGPT Learn》建议从独立、读重的工作开始，而不是并发写入。适合考虑批准的任务，通常能拆成独立单元，并能以短摘要回传；多个 Agent 同时编辑同一文件，则会增加冲突和协调成本，未必值得。需要先建立单线程任务边界时，可参考站内 Codex 编程必备 Skills 指南。

可以优先考虑仓库探索、独立测试、日志归类、文档核验，或相互独立的审查角度。它们共同特点是资料范围可以限制、验收条件可以先写清楚、子任务之间不需要共享大量持续上下文。

相反，一个小修复、依赖长链条共享推理的工作、多个 Agent 同写一个文件，以及无法定义独立验收条件的模糊任务，默认更适合单线程。不要为了“多 Agent”而强行拆分；拆分本身也会制造提示、汇总和沟通消耗。

在批准前问四个问题：能否拆成独立单元？每个子任务能否限制资料范围？是否只读？汇总是否足够短？任一答案是否，先维持单线程，再看是否需要调整任务定义。

可引用结论： 对独立且读多写少的任务，Subagent 更值得作为候选方案；并发写入会带来冲突与协调成本。审批应以任务独立性、资料范围和验收条件为准，而不是以“并行一定更好”为前提。

常见问题

AGENTS.md 能从技术上百分百禁止 Subagent 吗？

不应这样承诺。OpenAI《Custom instructions with AGENTS.md | ChatGPT Learn》说明，AGENTS.md 是工作前加载的分层项目指令；《Subagents | ChatGPT Learn》还说明适用指令可以请求委派。是否按“未经批准不委派”执行，应由当前环境的对照日志核验，而不是由一段自然语言规则保证。

Subagent 一定比单 Agent 贵吗？

OpenAI 在《Subagents | ChatGPT Learn》中明确表示，可比运行中，每个 Subagent 都进行模型和工具工作，因此工作流会消耗更多 token。具体 credits、完成时间和质量仍会受上下文、工具、缓存与任务设计影响；应在相同条件下比较 A 组与 B 组，而不是猜测固定差值。

ChatGPT Plus 或 Pro 的额度能用 API 价格计算吗？

不能。OpenAI《Pricing | ChatGPT Learn》把 ChatGPT usage/credits 与 API Key 的 token-based API pricing 分开说明。GPT-5.6 的单条使用平均约为 5 至 40 credits，但这不是 Plus 或 Pro 的固定月度额度，也不能据此推导订阅价格；请以产品内显示和官方页面为准。

为什么必须记录 cached input？

OpenAI《Pricing | ChatGPT Learn》的 GPT-5.6 Terra rate card 把普通 input 与 cached input 分列：每百万 token 分别为 62.5 与 6.25 credits。若不记录缓存状态，两次表面相同的任务可能因缓存命中不同而无法公平比较，进而得出错误的成本结论。

结论：先做小型对照，再决定批准范围

Subagent 是上下文管理和并行执行工具，不是免费扩容。AGENTS.md 能表达项目规则，但不应被包装成硬拦截；审批策略、sandbox 和日志各自负责不同边界。先选一个只读、可验收的小任务跑 A/B/C 三组，保留 token 分项、审批事件与正确性结果，再决定哪些任务进入批准清单。

本站提供 ChatGPT Plus / Pro 代充值、订阅协助和售后支持，不代表 OpenAI 官方身份。涉及产品功能、额度、价格或可用性时，请以 OpenAI 官方页面、产品内显示和订单实际状态为准；请保护登录凭据、支付信息与一次性验证码，不要向任何人提供不必要的敏感信息。

来源与核验日期

OpenAI，《Subagents | ChatGPT Learn》，retrieved 2026-07-20，https://learn.chatgpt.com/docs/agent-configuration/subagents?surface=app
OpenAI，《Custom instructions with AGENTS.md | ChatGPT Learn》，retrieved 2026-07-20，https://learn.chatgpt.com/docs/agent-configuration/agents-md?surface=app
OpenAI，《Advanced Configuration | ChatGPT Learn》，retrieved 2026-07-20，https://learn.chatgpt.com/docs/config-file/config-advanced
OpenAI，《Pricing | ChatGPT Learn》，retrieved 2026-07-20，https://learn.chatgpt.com/docs/pricing