合理使用 AI Token

不管任务需不需要，默认就选强大的模型，是无谓消耗 token 最容易的方式之一。更有意识地让模型能力匹配任务复杂度，既能降低成本、缩短延迟，也不会牺牲关键环节的质量。

# 核心想法

任务各不相同。添加时间线条目、执行 git commit、遵循技能模板，或做一次常规推送，都是机械性操作。它们不需要深入推理，需要的是速度和低成本。另一方面，设计新系统、调试隐蔽的并发问题或编写复杂算法，确实能受益于能力更强、推理投入更高的模型。

实际分工如下：

# Codex 配置

下面是一套合理的 ~/.codex/config.toml 配置，包含一个适中的默认选项和两个命名配置：

model = "gpt-5.4"
model_reasoning_effort = "medium"
personality = "pragmatic"

[profiles.simple]
model = "gpt-5.4-mini"
model_reasoning_effort = "medium"

[profiles.complex]
model = "gpt-5.4"
model_reasoning_effort = "xhigh"

默认配置取中间档，足以应付大多数临时任务，又不必让每件事都承担最高成本。常规操作切换到 --profile simple，确实需要强大能力时再使用 --profile complex。

# 如何理解这种分工

可以把它想成从工具箱里挑工具。拧紧一颗松动的螺丝，不需要拿出电钻。每天要执行几十次的常规 Codex 操作，应当默认使用能完成任务的最轻量模型。把昂贵的推理预算留给真正需要它的问题。

这比看起来更重要。高频、低复杂度的任务，恰恰最容易让 token 成本迅速累积。让这些任务使用 gpt-5.4-mini 和 medium 推理强度，能显著减少日常用量；而在难题上使用 xhigh 推理则物有所值，因为你只在值得的地方付费。