第一次把 codex 接到项目里,最容易出问题的不是模型本身,而是几个没人提醒的默认项:仓库塞多深、任务拆多细、重试几次。跑出来的结果时好时坏,账单也对不上。这篇按「先看结果、再核开销」的顺序,把该调的几处和判断标准列出来,遇到不对照着排查就行。
第一次把 codex 接到项目里,最容易出问题的不是模型本身,而是几个没人提醒的默认项:仓库塞多深、任务拆多细、重试几次。跑出来的结果时好时坏,账单也对不上,回头看往往不是模型不行,而是这几处默认值在起作用。
这篇按「先看结果、再核开销」的顺序写。前面几节管的是结果为什么飘,最后一节管的是钱花到哪去了。遇到不对,照着排查顺序走就行,不用从头读。
先管住喂进去的仓库上下文
codex 改错文件,多数情况不是它笨,是上下文里塞了太多无关文件,模型顺手抓了隔壁模块的写法。先限定目录范围再给任务,比事后跟它解释「你改错了」有用得多。
有个挺好用的判断标准:同一个任务连续跑两次,改动落到不同文件上,基本可以判定上下文太散,不是模型不稳定。这时候别急着换模型,先把喂进去的目录收窄。
- 依赖锁文件、构建产物、压缩后的前端包先排除,这几类最占 token 又几乎不提供信息
- 大仓库分次喂:先让它读目录结构并给出改动计划,确认计划后再放具体文件进去
- 同一模块的文件尽量一次给全,跨模块的别混在一起,模型容易把两边的约定搅在一起
- 判断范围是否合适,看它最后改的文件是不是都在你预期的那几个里
任务拆到「一次能改完」的粒度
一句话丢整个需求,模型会自己决定改多少。改得越多,越容易连带改坏别的逻辑,而且改坏了你还不容易发现是哪一步引入的。
合适的粒度有个简单参照:一次改动落在一个模块内、能用一个测试文件验证。超出这个范围,就该拆。跨文件重构尤其要另起一轮,别和功能开发混在同一次请求里。
- 先要方案不要代码让它只输出改动方案和涉及文件清单,你确认后再执行。这一步能挡掉大半返工。
- 按模块切分把需求按模块拆成若干轮,每轮结束后跑一次对应测试,确认没波及别处。
- 重构单独起一轮结构改动和功能改动分开提交,出问题时回滚范围小,也方便对比前后行为。
重试和自动循环:省钱还是烧钱就在这
报错自动重试这个开关,默认开着很省心,但每一次重试都是重新计费的。先看失败原因再决定重不重发,别让它无限重试下去。
还有一种情况更常见:连续几轮都改不对。这通常不是轮次不够,是上下文或任务描述本身有问题,继续加轮次只会放大开销,问题还在原地。
| 现象 | 更可能的原因 | 先做什么 |
|---|---|---|
| 改动反复落在同一处但总不对 | 任务描述缺约束,没写清不能动什么 | 把边界条件和禁止项写进任务开头 |
| 每轮都冒出新的报错 | 上下文里混了不相关的模块 | 收窄目录范围,重新给一次 |
| 长时间不结束、轮次一路往上 | 缺轮次上限,失败被当成继续尝试 | 设单次任务轮次上限,到点停 |
| 改动正确但用量明显偏高 | 上下文过大或重复读取 | 核对本次喂进去的文件清单 |
反过来说,机械式的批量改名、格式化这类确定性任务,放开重试反而省事,因为失败原因单一、结果可预期。这类不用套上面的保守策略。
跑完核一遍用量,别只信预估
同一任务两次跑出来的用量差得多,先查上下文长度,而不是先怀疑计费口径。上下文是波动最大的变量,排查顺序上它排在前面。
记账建议按任务类型分组:写新功能、改 bug、读代码三类分开看。混在一起记,只能看出总量涨了,看不出是哪一类在涨。
- 单任务用量连续几次超过同类任务的常见量级,回头查上下文和轮次设置,而不是换模型
- 单价和倍率别用记忆里的数字算,去站内页面看当时的数
- 每轮任务结束后顺手记一行:任务类型、涉及文件数、轮次,比事后翻日志快
常见问题
codex 改代码总是改错文件,是模型不行吗?
多数不是。先看这次请求里带了哪些文件,锁文件、构建产物混进去时模型很容易被带偏。改成先给目录结构、只放目标模块的源文件,再试一次;同一任务连试两轮还是落到别的文件,基本可以确定是上下文范围的问题。
自动重试开着是不是更省事?
分任务看。格式化、批量改名这类确定性任务,重试基本没副作用;需要模型判断的改动,重试等于把同样的错误再跑一遍,费用也会叠加。建议只对网络超时类错误开自动重试,逻辑报错停下来人工看。
为什么实际用量比我自己估的多?
最常见的原因是上下文里塞了没注意的大文件,另外重试和多轮对话都会累积。估之前先把一次任务的完整输入输出记下来,再按任务类型算平均,别用「大概每行代码多少 token」这种粗估。