Codex 任務分流：用便宜模型分工的簡單設計

你已經習慣請 Codex 整理文章、處理檔案，現在手上又有一批內容要分類。裡面有些工作只是計數，有些需要讀懂文字，少數才需要仔細判斷。這時就會想：能不能透過 Codex 任務分流，把重複工作交給程式或費用較低的模型，自己仍然只跟 Codex 說話？

這個方向可以設計成一個小型擴充：Codex 負責理解需求、安排分工與驗收，外部模型只處理範圍清楚的工作，最後回到原聊天交付。接下來我會用「文章分類」帶你看懂分工標準、完整流程，以及怎麼試行，才知道多接一個模型有沒有價值。

Codex 任務分流是什麼？

Codex 任務分流，是讓 Codex 保留主控角色，依工作規則與驗收方式，把任務分配給本機程式、外部模型或自己處理，再收回結果、檢查與整合的工作設計。使用者交辦與取得成果的入口，維持在原本的 Codex 聊天。

例如，你交辦「把這批文章分成 AI、金融、健康、其他」。程式先整理文章 ID 與筆數，外部模型讀取提供的內容並分類，Codex 再處理分類理由矛盾、主題跨領域的文章，最後交付一份完整分類表。每個執行者處理的是同一個目標裡的一部分。

這類主控分工已有架構可參考。Anthropic 的 orchestrator-workers 指南，描述由中央模型拆解任務、委派工作，再整合結果的做法。本文把這個概念用在 Codex 的日常檔案與內容工作，提出一套可先小量試行的設計。

本文的 Codex 任務分流需要自行建立規則與執行程式，目前談的是設計方法，並非 Codex 內建的「自動省額度」開關。若你還在認識主控工具，可以先看Codex 入門介紹；更換主模型、把另一個模型接成工具的設定差異，則由Codex 串接模型的方法接著說明。

先看驗收，再決定工作交給誰

要做好 Codex 任務分流，我認為最重要的判斷是：這份工作做完後，能不能清楚知道它有沒有做對？一項可驗收的委派，必須說清楚輸入範圍、允許的輸出，以及通過條件。主控才有依據收回結果，也能知道哪些問題需要自己接手。

例如，文章分類可以限定「只讀這份檔案的 20 篇文章，每篇回傳 ID、分類與原文依據」。程式能檢查是否剛好回傳 20 筆、ID 有沒有重複、分類是否來自允許清單；Codex 則對照原文，判斷分類與依據是否合理。相較於「幫我把網站整理好」，這份工作更容易委派與收回。

Codex 任務分流的第一類：固定規則交給程式

固定規則工作，是輸入與處理方法已經寫清楚，照同樣規則就能重複得到結果的工作。例如計算文章筆數、找出重複 ID、統一欄位名稱，或檢查每筆資料有沒有標題。

這些工作適合直接交給程式。以文章分類來說，模型回傳結果後，「每個 ID 都要出現一次」就能由程式逐筆比對，省去模型反覆閱讀與數數的用量。執行程式仍會使用電腦或服務資源，差別在於這一步可以省下語言模型推論。

受限語意工作，交給外部模型

受限語意工作需要讀懂文字，但判斷範圍已經限定，例如從指定文章抽出讀者問題、依既定分類標準分類，或把提供的段落濃縮成摘要。外部模型收到資料與規則後，只產出指定的候選結果。

像是分類文章時，可以要求外部模型從「AI、金融、健康、其他」四類選一類，附上支持判斷的原文；遇到同時符合兩類的內容，另列為待主控判斷。這樣 Codex 任務分流才有明確的回收方式，主控能把注意力放在有歧義的項目。

複雜取捨與整合，留給 Codex

需要理解整體目標、比較衝突資料或決定取捨的工作，由 Codex 接手。例如「這兩篇文章應不應該合併」，就涉及兩篇的讀者需求、保留價值與網站安排，比選一個分類多了好幾層判斷。

同一批文章裡，外部模型可以先抽出主題與讀者問題；是否合併、哪些內容值得保留，再交由 Codex 綜合判斷。正式發布、覆寫檔案或操作既有帳戶，也繼續走主控原有的工具與授權流程。分流的範圍由工作需要決定，外部模型第一版只回傳資料或候選稿。

一張流程圖看懂分派與回交

Codex 任務分流的流程，從你在原聊天交辦成果開始。Codex 先定義輸入、分工與驗收條件，再把工作送往三個去向；完成後，結果重新匯回主控，經過檢查才交付。

驗收分成兩層，是因為格式與筆數正確，不能證明內容判斷正確。一份有 20 筆、欄位齊全的分類表，仍可能把健康文章分到金融；這種錯誤要回到原文與分類標準才能發現。

未通過時，結果回交 Codex，由主控判斷是補清楚工作單、自己完成有問題的部分，還是停止這次處理。修正後再驗收，才走向交付。第一版可把自動付費重試設為零，遇到逾時、缺筆或理解錯誤就保留紀錄回交，讓失敗有清楚的出口。

跟著做：建立第一版 Codex 任務分流

接下來，我們用一份文章分類檔案，走完 Codex 任務分流的準備、建置與試跑。第一版只接一個供應商、一個模型，先讓資料能正確讀進來、結果能逐筆查回去，再增加工作量。以下是請 Codex 實作的委託範例：

步驟一：建立資料夾，存入三筆示範文章

在電腦上新增一個空資料夾，命名為 codex-routing-demo。用純文字編輯器新增檔案，把下面內容貼上，以 UTF-8 編碼存成 articles.csv，放進這個資料夾。這三筆都是可公開的示範文字，方便我們先看懂輸入與輸出如何對應。

id,title,content
A001,用 AI 整理會議紀錄,這篇文章介紹如何請 AI 把會議逐字稿整理成摘要與待辦事項。
A002,認識定期存款,這篇文章說明定期存款的存期與利息計算方式。
A003,建立規律睡眠習慣,這篇文章介紹固定起床時間與睡前減少刺激的做法。

id 是每篇文章的固定編號，之後靠它找回原文；title 是標題，content 是提供給模型閱讀的內容。先打開檔案，確認有一列欄位名稱、三列資料，而且 A001、A002、A003 各出現一次，就完成這一步。三筆是示範數量，方便首次逐筆檢查。

步驟二：在 Codex 開啟資料夾，貼上建置指令

在 Codex 選擇剛建立的 codex-routing-demo 作為工作資料夾，開啟這個專案的聊天，貼上下面整段指令。這是要 Codex 幫你寫出分流入口的工作說明；程式與 Skill 會在這一步建立。

請在目前資料夾建立一套「文章分類」的 Codex 任務分流入口。

請依 OpenAI 現行 Skills 文件建立本機 Skill，搭配一支 API 程式與設定檔。確認 Skill 放在目前 Codex 能載入的位置，告訴我 Skill 名稱、檔案位置與使用方式。

輸入是 articles.csv，欄位為 id、title、content。只讀這份資料，保留原檔。
輸出路徑可由每次交辦指定，未指定時使用 outputs/result.csv；不得覆寫既有結果。
分類固定為 AI、金融、健康、其他，以文章主要回答的問題為準。
每筆輸出 id、category、evidence、review_reason：固定編號、候選分類、支持分類的原文、待判斷原因。
遇到跨領域或資料不足，寫出待判斷原因，交回 Codex 決定。

固定規則交給程式：檢查必要欄位、輸入 ID 是否重複，以及輸出有無漏筆或重複、分類是否在清單內、引用是否出現在原文。
外部模型只讀本次提供的文字，做分類與原文擷取。Codex 負責核對分類是否合理、處理歧義與整合成果。
請把必要資料、分類規則與輸出要求整理成外部模型實際收到的工作單。

先做示範模式，用預先寫好的範例回覆檢查資料讀寫與驗收程式，不連外部模型、不發付費請求。
正式模式預設最多一次外部請求、逾時 60 秒、自動付費重試為零；模型、輸出長度與單次預算尚未設定時，停止送出。
保存處理筆數、呼叫次數、可取得的用量與錯誤紀錄；隱藏 API key。
完成後請在原聊天列出新檔案、示範結果路徑、檢查結果，以及正式試跑還缺哪些設定。

這套入口的三個部分各有用途：Skill 保存可重複使用的分工方法，API 程式負責送出請求與接回結果，設定檔記住模型及執行限制。API 就是程式向模型服務提出請求、取得回覆的介面；OpenAI 的 Skill 文件則說明，Skill 可以包含指令、資源與腳本。

建置完成後，先打開 Codex 提供的 Skill 路徑與示範 result.csv。確認 Skill 已可供目前專案使用、結果有三筆對應 ID，且執行紀錄中的外部請求次數為零。這時驗過的是檔案讀寫與檢查流程，真正的模型分類留到正式試跑。

上面指令裡的「工作單」，就是每次委派時一起送出的任務說明，包含必要資料、判斷規則、輸出欄位與驗收條件。外部模型讀到的是 API 程式實際送出的內容；Codex 使用的 Skill、AGENTS.md 工作規則與歷史對話，要由主控選出本次需要的資訊放進工作單。

工商時間

如果你想要更系統化、更輕鬆的學好 SEO 與 AI SEO，歡迎參考我與知識衛星合作的 SEO 線上課程：《SEO 排名攻略學》、《AI SEO 流量變革》。

透過《SEO 排名攻略學》獲得穩定的 SEO 流量與實戰經驗。
再搭配《AI SEO 流量變革》看懂 AI 搜尋趨勢，搶佔 AI 搜尋紅利。

步驟三：取得 API key，設定模型與試跑預算

以 DeepSeek 為例，先登入 DeepSeek 官方 API key 管理頁，建立供程式使用的 API key。API key 是程式存取服務時使用的憑證；同時到該平台的餘額或帳務頁，確認 API 帳戶有可用的計費來源。

回到 Codex，請它引導你在本機終端或憑證儲存區輸入並保存 API key，讓程式讀取。真實 key 留在本機，聊天只回報「可讀取」或「無法讀取」，紀錄與設定檔也隱藏密鑰值。DeepSeek 官方 API 文件提供認證與請求範例，可讓 Codex 按文件完成連線設定。

接著，請 Codex 列出當下可用的模型、官方費率來源，以及這三筆資料加上工作單的預估用量與費用。從中選一個模型，在聊天寫明你接受的單次預算金額與幣別，讓 Codex 存入設定，並限制輸入與最大輸出長度。若估計費用超過預算，程式應在送出前停下。

這一步完成時，Codex 應回報選用模型、資料範圍、單次預算、最多一次請求、60 秒逾時與零次自動付費重試，以及憑證可讀取狀態。設定確認後，下一步才送出正式請求；發生逾時、缺筆或錯誤，就保留紀錄回到原聊天處理。

步驟四：正式試跑三筆，打開結果逐筆核對

在同一個 Codex 聊天貼上以下指令，讓剛建立的 Codex 任務分流入口處理這份示範資料。沿用上一步確認的模型與預算，把三筆內容合在一次外部請求中完成：

請使用剛建立的文章分類 Skill，正式處理 articles.csv 的三筆示範資料。
沿用我已確認的模型與單次預算，最多送出一次外部請求，不自動付費重試。
先顯示這次會送出的欄位、筆數與預估費用；符合已確認設定才執行，超出預算就停止。
請以程式檢查 ID、分類清單與原文引用，再由你逐筆對照原文，核對分類及依據是否合理。
有歧義就保留 review_reason，由你在原聊天說明判斷；不要把待判斷項目當成完成定案。
結果另存 outputs/run-001/result.csv，原始回覆、用量與錯誤紀錄放在同一資料夾。
完成後回報結果路徑、完成筆數、待判斷項目、外部請求次數與可取得的用量費用。

Codex 回報完成後，開啟 outputs/run-001/result.csv，先比對 A001、A002、A003 是否各有一筆，再看 category 是否只使用 AI、金融、健康、其他。這份示例的主要問題分別是 AI 整理會議、定期存款與睡眠習慣，因此預期分類依序是 AI、金融、健康。

接著，把每筆 evidence 對回 articles.csv 的原文，確認引用確實存在，而且能支持該分類。例如 A002 引用「定期存款的存期與利息計算方式」，就能對應金融主題。檢查 review_reason 有內容的項目，讀 Codex 如何處理，並查看紀錄是否只送出一次請求。

若出現漏筆、原文引用不存在或分類理由矛盾，把對應 ID 貼回原聊天，請 Codex 修正資料或程式後再驗。三筆示範通過後，再換成一小批你允許外送的真實文章，沿用同樣的逐筆檢查；品質符合你的分類標準，才開始日常批次，並用後面的成本比較決定是否保留分流。

步驟五：日常交辦，從原聊天取得成果

之後每次在這個專案放入新的 articles.csv，就能在原聊天交辦 Codex 任務分流。沿用已驗過的分類標準與設定，請 Codex 使用新的輸出資料夾，保留每批結果：

請使用文章分類 Skill 處理這次的 articles.csv，沿用已確認的分類標準、模型與預算。
送出前檢查筆數與預估費用；超出原本單次限制就停下，回報需要調整的設定。
簡單分類交給外部模型，跨領域或依據不足的留給你判斷。程式驗格式與完整性，你驗分類與原文依據。
每批在 outputs 下另建未使用的資料夾，不覆寫舊結果。
完成後在原聊天給我 result.csv 的完整路徑、完成筆數、待判斷項目，以及本批用量與費用紀錄。

你在原聊天拿到分類表、待判斷項目與成果路徑，需要改分類目的時也在這裡補充。等同一套分流入口確實需要由多個流程共用，再考慮包成 MCP 工具；OpenAI 的 MCP 文件說明了工具擴充方式，MCP 與 API 的差異則能幫你分清兩者各負責哪一段。

工商時間

如果你想要更系統化、更輕鬆的學好 SEO 與 AI SEO，歡迎參考我與知識衛星合作的 SEO 線上課程：《SEO 排名攻略學》、《AI SEO 流量變革》。

透過《SEO 排名攻略學》獲得穩定的 SEO 流量與實戰經驗。
再搭配《AI SEO 流量變革》看懂 AI 搜尋趨勢，搶佔 AI 搜尋紅利。

怎樣判斷 Codex 任務分流值不值得？

評估 Codex 任務分流，要看完成同一份成果的總成本。總成本包含 Codex 拆分與驗收的用量、外部模型 API 費用、等待與返工時間，以及維護程式和規則的投入。外部模型的單次報價，只是其中一項。

例如，分類 20 篇文章時，若 Codex 已經逐篇讀完、決定分類，再把相同工作交給外部模型，等於多做一次處理。比較有機會減少重複投入的設計，是讓外部模型先產出候選，程式檢查完整性，Codex 集中處理歧義與語意驗收。驗收本身需要的用量，也要算進去。

模型成本研究提供了不同思路：FrugalGPT研究模型串接與依條件選用組合，RouteLLM研究依問題在較強、較弱模型之間選擇。本文採用的「主控拆工再收回」有不同的處理流程，實際效果要用自己的工作測量。

第一次可以挑同一批 20 篇文章，分別做全 Codex 版與分流版。20 篇是方便逐筆閱讀的示例數量，可以隨你的檢查能力調整。先由你確認分類標準與正確答案，再比較以下三項：

• 品質：有沒有漏筆、分類錯誤、引用錯誤原文，以及需要修正幾筆。第一次試行逐筆檢查，才知道哪些錯誤會通過程式檢查。
• 總耗時：從交辦到可交付，包含拆分、外部等待、驗收與返工，而非只記模型回覆速度。
• 用量與費用：分別記錄 Codex 可取得的用量資訊、外部 API 的請求與帳單，再加上維護投入。先固定比較批次與工作條件，才容易看出差異。

如果你用 ChatGPT 訂閱登入 Codex，訂閱內的用量和外部 API 帳單要分別看。OpenAI 的 Codex 計費文件明確說明，API token 價格與訂閱用量分開，不能拿來估算訂閱內含的任務數。第三方 API 由各自的供應商計費；比較分流成果時，應分別查看實際可取得的 Codex 用量紀錄與外部帳單。

當分流版能達到相同的品質要求，又降低你在意的用量、費用或總耗時，這類工作才值得保留。若每篇都要完整重做，優先修正工作範圍或分類規則；短小、缺乏重複性的工作，直接由 Codex 完成會更單純。

結語：先讓一種重複工作分流成功

Codex 任務分流最值得掌握的，是把「工作交給誰」和「結果怎麼驗收」一起設計。固定規則交程式，限定範圍的語意工作交外部模型，需要整體取捨的部分由 Codex 接手，最後仍在原聊天取得成果。

你可以先從一批文章分類開始，請 Codex 準備工作單、委派程式與驗收方法，再用同批資料對照全 Codex 的做法。當第一種工作已有清楚的成果與成本紀錄，再擴大到抽取、摘要，會更容易保留有價值的分工。