Subagenten

ChatGPT Work stellt berechtigten Konten Subagenten-Arbeitsabläufe und deren Aktivitäten zur Verfügung.

In aktuellen Codex-Versionen sind Subagenten-Arbeitsabläufe standardmäßig aktiviert. Subagentenaktivitäten werden in der ChatGPT-Desktop-App, der Codex CLI und der IDE-Erweiterung angezeigt.

In ChatGPT Work kannst du ChatGPT anweisen, unabhängige Aufgaben an Subagenten zu delegieren. Die Agenten werden in der von ChatGPT gehosteten Umgebung ausgeführt und der Chat zeigt ihre Aktivitäten und Ergebnisse an. Bei den meisten Intelligenzstufen musst du eine Delegation ausdrücklich anfordern. Mit Ultra kann ChatGPT Arbeit proaktiv delegieren, wenn parallele Agenten die Geschwindigkeit oder Qualität deutlich verbessern würden.

Weise Codex in einem Chat in der App an, unabhängige Teile der Arbeit an Subagenten zu delegieren. Aktuelle lokale Codex-Versionen delegieren Arbeit, wenn du direkt darum bittest oder wenn entsprechende AGENTS.md- oder Skill-Anweisungen dies verlangen. Die App zeigt jeden Subagenten-Thread an, damit du seine Arbeit und die an den Haupt-Chat zurückgegebene Zusammenfassung prüfen kannst.

Weise Codex in einer interaktiven CLI-Sitzung an, Subagenten zu verwenden. Codex kann auch entsprechenden AGENTS.md- oder Skill-Anweisungen folgen, die eine Delegation verlangen. Verwende /agent, um Agenten-Threads während ihrer Ausführung zu prüfen und zwischen ihnen zu wechseln. Anschließend fasst der Haupt-Thread die Ergebnisse der Subagenten in seiner endgültigen Antwort zusammen.

Weise Codex in einem IDE-Chat an, unabhängige Teile der Arbeit an Subagenten zu delegieren. Codex kann auch entsprechenden AGENTS.md- oder Skill-Anweisungen folgen, die eine Delegation verlangen. Wenn die Oberfläche für Hintergrundagenten verfügbar ist, werden aktive Subagenten über dem Editor angezeigt. Erweitere den Bereich, um ihren Status zu sehen, alle aktiven Subagenten anzuhalten oder einen einzelnen Subagenten-Thread zu öffnen.

Bei den meisten Intelligenzstufen musst du Subagenten oder parallele Agentenarbeit direkt anfordern. Ultra ermöglicht proaktive Delegation, sodass ChatGPT geeignete unabhängige Aufgaben ohne separate Aufforderung delegieren kann.

Fordere Subagenten oder parallele Agentenarbeit direkt an. Codex kann außerdem delegieren, wenn entsprechende Projekt- oder Skill-Anweisungen dies verlangen.

Review this branch with parallel subagents. Spawn one subagent for security risks, one for test gaps, and one for maintainability. Wait for all three, then summarize the findings by category with file references.

Wähle in ChatGPT Work im Editor ein Modell und eine Intelligenzstufe aus. Je nach ausgewähltem Modell können die verfügbaren Intelligenzstufen Leicht, Mittel, Hoch, Sehr hoch und Max umfassen. Ultra ist nur für berechtigte Konten und unterstützte Modelle verfügbar. Diese Stufe nutzt den maximalen Reasoning-Aufwand und ermöglicht ChatGPT, geeignete Aufgaben proaktiv an Subagenten zu delegieren.

Fordere bei anderen Intelligenzstufen ausdrücklich Subagenten an, wenn du Arbeit parallel delegieren möchtest.

Wenn du für einen Subagenten weder ein Modell noch model_reasoning_effort konfigurierst, übernimmt er das Modell und den Reasoning-Aufwand des übergeordneten Agenten. Wird bei einer expliziten Startanforderung oder durch eine [agents]-Standardeinstellung ein Modell ohne ausdrücklich festgelegten oder konfigurierten Reasoning-Aufwand ausgewählt, verwendet der Subagent den Standardwert dieses Modells für den Reasoning-Aufwand. Um Intelligenz, Geschwindigkeit und Preis für jede Aufgabe auszubalancieren, fordere in deinem Prompt ein bestimmtes Modell oder einen bestimmten Reasoning-Aufwand an, konfiguriere [agents]-Standardwerte in config.toml oder lege model und model_reasoning_effort direkt in der Datei des benutzerdefinierten Agenten fest. Verwende beispielsweise gpt-5.6-terra für schnelle Scans oder eine gpt-5.6-Konfiguration mit höherem Reasoning-Aufwand für besonders anspruchsvolle Analysen.

Modellauswahl

• gpt-5.6: Beginne damit bei anspruchsvollen Agenten. Es eignet sich am besten für mehrdeutige, mehrstufige Aufgaben, die Planung, Tool-Nutzung, Validierung und konsequente Umsetzung über einen größeren Kontext hinweg erfordern.
• gpt-5.6-terra: Verwende es für Agenten, bei denen Geschwindigkeit und Effizienz wichtiger sind als eine tiefgehende Analyse, etwa bei Erkundungen, leseintensiven Scans, beim Prüfen großer Dateien oder beim Verarbeiten begleitender Dokumente. Es eignet sich gut für parallel arbeitende Agenten, die dem Hauptagenten zusammengefasste Ergebnisse zurückgeben.
• gpt-5.6-luna: Verwende es für schnelle Agenten mit eng begrenztem Aufgabenbereich, die klare, wiederholbare oder umfangreiche Arbeiten erledigen.

Reasoning-Aufwand (model_reasoning_effort)

• ultra: Verwende diese Stufe für den höchsten Reasoning-Aufwand, wenn das ausgewählte Modell sie unterstützt.
• max und xhigh: Verwende diese Stufen für besonders hohen Reasoning-Aufwand, wenn das ausgewählte Modell sie unterstützt.
• high: Verwende diese Stufe, wenn ein Agent komplexe Logik nachvollziehen, Annahmen prüfen oder Ausnahmefälle bearbeiten muss, etwa bei Review-Agenten oder sicherheitsorientierten Agenten.
• medium: Ein ausgewogener Standardwert für die meisten Agenten.
• low: Verwende diese Stufe, wenn die Aufgabe unkompliziert ist und Geschwindigkeit höchste Priorität hat.

Ein höherer Reasoning-Aufwand verlängert die Antwortzeit und erhöht die Token-Nutzung, kann aber bei komplexen Aufgaben die Qualität verbessern. Weitere Informationen findest du unter Modelle, Grundlagen der Konfiguration und Konfigurationsreferenz.

Bei den meisten Intelligenzstufen startet ChatGPT Agenten nach einer direkten Aufforderung. Mit Ultra kann ChatGPT außerdem proaktiv delegieren, wenn parallele Arbeit sinnvoll ist.

Aktuelle lokale Codex-Versionen starten Agenten nach einer direkten Aufforderung oder wenn entsprechende Projekt- oder Skill-Anweisungen dies verlangen.

I would like to review the following points on the current PR (this branch vs main). Spawn one agent per point, wait for all of them, and summarize the result for each point.
1. Security issue
2. Code quality
3. Bugs
4. Race
5. Test flakiness
6. Maintainability of the code

Öffne Subagenten und sieh dir ohne Schreibzugriff die Listen Aktiv und Abgeschlossen an. Wähle einen abgeschlossenen Subagenten aus, um seine Details und sein Ergebnis zu prüfen. Die Web-Seitenleiste zeigt Subagentenaktivitäten an. Sie bietet keine Bedienelemente, um einen einzelnen Subagenten anzuhalten oder zu steuern.

• Öffne über die im Haupt-Thread angezeigte Aktivität einen Subagenten-Thread, um dessen Arbeit zu prüfen.
• Weise Codex direkt an, einen laufenden Subagenten zu steuern, ihn anzuhalten oder abgeschlossene Subagenten-Threads zu schließen.

• Verwende /agent in der CLI, um zwischen aktiven Agenten-Threads zu wechseln und den laufenden Thread zu prüfen.
• Weise Codex direkt an, einen laufenden Subagenten zu steuern, ihn anzuhalten oder abgeschlossene Agenten-Threads zu schließen.

• Wenn der Bereich für Hintergrundagenten verfügbar ist, klappe ihn auf, um den Status zu prüfen, aktive Subagenten anzuhalten oder einen Subagenten-Thread zu öffnen.
• Weise Codex direkt an, einen laufenden Subagenten zu steuern, ihn anzuhalten oder abgeschlossene Subagenten-Threads zu schließen.

Subagenten übernehmen deine aktuelle Sandbox-Richtlinie.

ChatGPT Work führt Subagenten in seiner gehosteten Umgebung aus und stellt weder eine lokale Codex-Sandbox noch eine Steuerung des Genehmigungsmodus bereit. Subagenten verwenden die Tools, die dem übergeordneten Chat zur Verfügung stehen. Berechtigungen für Websites und Konnektoren bleiben toolspezifisch.

Subagenten übernehmen den unter dem Editor ausgewählten Berechtigungsmodus. Wähle den Berechtigungsmodus für den übergeordneten Turn aus, bevor du Codex bittest, Arbeit zu delegieren.

In interaktiven CLI-Sitzungen können Genehmigungsanfragen aus inaktiven Agenten-Threads erscheinen, auch wenn du gerade den Haupt-Thread ansiehst. Das Genehmigungs-Overlay zeigt die Bezeichnung des Quell-Threads an. Du kannst o drücken, um diesen Thread zu öffnen, bevor du die Anfrage genehmigst, ablehnst oder beantwortest.

In nicht interaktiven Abläufen oder wenn bei einer Ausführung keine neue Genehmigungsanfrage angezeigt werden kann, schlägt eine Aktion fehl, die eine neue Genehmigung erfordert. Codex gibt den Fehler dann an den übergeordneten Ablauf zurück.

Wenn Codex einen untergeordneten Agenten startet, wendet es auch die aktiven Laufzeitüberschreibungen des übergeordneten Turns erneut an. Dazu gehören die Sandbox- und Genehmigungseinstellungen, die du während der Sitzung interaktiv festlegst, etwa Änderungen über /permissions oder die Verwendung von --yolo, selbst wenn die ausgewählte benutzerdefinierte Agentendatei andere Standardwerte vorgibt.

Subagenten übernehmen den unter dem Editor ausgewählten Berechtigungsmodus. Wähle den Berechtigungsmodus für den übergeordneten Turn aus, bevor du Codex bittest, Arbeit zu delegieren.

Du kannst die Sandbox-Konfiguration einzelner benutzerdefinierter Agenten überschreiben, etwa indem du für einen ausdrücklich festlegst, dass er ohne Schreibzugriff arbeitet.

Benutzerdefinierte Agenten

Codex enthält folgende integrierte Agenten:

• default: universell einsetzbarer Fallback-Agent.
• worker: auf die Ausführung ausgerichteter Agent für Implementierungen und Fehlerbehebungen.
• explorer: Agent für die vorwiegend lesende Erkundung der Codebasis.

Um eigene benutzerdefinierte Agenten zu definieren, füge eigenständige TOML-Dateien unter ~/.codex/agents/ für persönliche Agenten oder unter .codex/agents/ für projektbezogene Agenten hinzu.

Jede Datei definiert einen benutzerdefinierten Agenten. Codex lädt diese Dateien als Konfigurationsebenen für gestartete Sitzungen. Dadurch können benutzerdefinierte Agenten dieselben Einstellungen überschreiben, die auch in einer normalen Codex-Sitzung konfiguriert werden. Das kann aufwendiger wirken als ein spezielles Agentenmanifest. Mit der Weiterentwicklung der Möglichkeiten zum Erstellen und Teilen kann sich auch das Format ändern.

Jede eigenständige Datei für einen benutzerdefinierten Agenten muss Folgendes definieren:

• name
• description
• developer_instructions

Wenn eine benutzerdefinierte Agentendatei model oder model_reasoning_effort festlegt, hat der Wert in der Datei Vorrang. Vor dem Anwenden der Datei ermittelt Codex jede Einstellung zunächst aus einem expliziten Startwert, dann aus dem entsprechenden Standardwert unter [agents] und schließlich aus dem Wert des übergeordneten Agenten. Wenn eine explizite Startanforderung oder ein Standardwert unter [agents] ein Modell auswählt und weder die Anforderung noch der Standardwert einen Reasoning-Aufwand vorgibt, verwendet Codex den standardmäßigen Reasoning-Aufwand dieses Modells. Eine benutzerdefinierte Agentendatei, die nur model festlegt, behält diesen zuvor ermittelten Aufwand bei. Lege in der Datei zusätzlich model_reasoning_effort fest, wenn das ausgewählte Modell diesen Aufwand nicht unterstützt oder du einen anderen verwenden möchtest. Andere Sitzungseinstellungen wie sandbox_mode, mcp_servers und skills.config werden vom übergeordneten Agenten übernommen, wenn sie in der Agentendatei nicht festgelegt sind.

Globale Einstellungen

Globale Einstellungen für Subagenten findest du weiterhin unter [agents] in deiner Konfiguration.

Hinweise:

• Der Standardwert für agents.enabled ist true. Setze ihn auf false, um Tools für mehrere Agenten zu deaktivieren.
• Wenn du agents.max_concurrent_threads_per_session nicht festlegst, wählt Codex den Standardwert. Bestehende Konfigurationen können agents.max_threads weiterhin als Legacy-Alias verwenden.
• Explizite Startwerte überschreiben agents.default_subagent_model und agents.default_subagent_reasoning_effort.
• Der Standardwert für agents.interrupt_message ist true. Setze ihn auf false, um die für das Modell sichtbare Unterbrechungsnachricht nicht in den Kontext des Agenten aufzunehmen.
• Wenn der Name eines benutzerdefinierten Agenten mit dem eines integrierten Agenten wie explorer übereinstimmt, hat dein benutzerdefinierter Agent Vorrang.

Schema für benutzerdefinierte Agentendateien

In einer Datei für einen benutzerdefinierten Agenten kannst du außerdem weitere unterstützte Schlüssel aus config.toml angeben, etwa model, model_reasoning_effort, sandbox_mode, mcp_servers und skills.config.

Codex identifiziert den benutzerdefinierten Agenten anhand des Feldes name. Am einfachsten ist es, den Dateinamen an den Agentennamen anzupassen, doch das Feld name ist maßgeblich.

Beispiele für benutzerdefinierte Agenten

Die besten benutzerdefinierten Agenten sind klar spezialisiert und konsequent ausgerichtet. Gib jedem Agenten eine klar umrissene Aufgabe, eine passende Auswahl an Tools und Anweisungen, die verhindern, dass er in angrenzende Aufgabenbereiche abdriftet.

Beispiel 1: PR-Review

Dieses Muster verteilt das Review auf drei spezialisierte benutzerdefinierte Agenten:

• pr_explorer erfasst die Struktur der Codebasis und trägt Belege zusammen.
• reviewer identifiziert Risiken für Korrektheit, Sicherheit und Tests.
• docs_researcher prüft die Framework- oder API-Dokumentation über einen speziell dafür vorgesehenen MCP-Server.

Projektkonfiguration (.codex/config.toml):

[agents]
max_concurrent_threads_per_session = 8

.codex/agents/pr-explorer.toml:

name = "pr_explorer"
description = "Read-only codebase explorer for gathering evidence before changes are proposed."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"
developer_instructions = """
Stay in exploration mode.
Trace the real execution path, cite files and symbols, and avoid proposing fixes unless the parent agent asks for them.
Prefer fast search and targeted file reads over broad scans.
"""

.codex/agents/reviewer.toml:

name = "reviewer"
description = "PR reviewer focused on correctness, security, and missing tests."
model = "gpt-5.6-terra"
model_reasoning_effort = "high"
sandbox_mode = "read-only"
developer_instructions = """
Review code like an owner.
Prioritize correctness, security, behavior regressions, and missing test coverage.
Lead with concrete findings, include reproduction steps when possible, and avoid style-only comments unless they hide a real bug.
"""

.codex/agents/docs-researcher.toml:

name = "docs_researcher"
description = "Documentation specialist that uses the docs MCP server to verify APIs and framework behavior."
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"
developer_instructions = """
Use the docs MCP server to confirm APIs, options, and version-specific behavior.
Return concise answers with links or exact references when available.
Do not make code changes.
"""

[mcp_servers.openaiDeveloperDocs]
url = "https://developers.openai.com/mcp"

Dieses Setup eignet sich gut für Prompts wie:

Review this branch against main. Have pr_explorer map the affected code paths, reviewer find real risks, and docs_researcher verify the framework APIs that the patch relies on.

Beispiel 2: Debugging einer Frontend-Integration

Dieses Muster eignet sich für UI-Regressionen, instabile Abläufe im Browser oder Integrationsfehler, die sowohl den Anwendungscode als auch das Produkt im laufenden Betrieb betreffen.

Projektkonfiguration (.codex/config.toml):

[agents]
max_concurrent_threads_per_session = 6

.codex/agents/code-mapper.toml:

name = "code_mapper"
description = "Read-only codebase explorer for locating the relevant frontend and backend code paths."
model = "gpt-5.6-luna"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"
developer_instructions = """
Map the code that owns the failing UI flow.
Identify entry points, state transitions, and likely files before the worker starts editing.
"""

.codex/agents/browser-debugger.toml:

name = "browser_debugger"
description = "UI debugger that uses browser tooling to reproduce issues and capture evidence."
model = "gpt-5.6-terra"
model_reasoning_effort = "high"
sandbox_mode = "workspace-write"
developer_instructions = """
Reproduce the issue in the browser, capture exact steps, and report what the UI actually does.
Use browser tooling for screenshots, console output, and network evidence.
Do not edit application code.
"""

[mcp_servers.chrome_devtools]
url = "http://localhost:3000/mcp"
startup_timeout_sec = 20

.codex/agents/ui-fixer.toml:

name = "ui_fixer"
description = "Implementation-focused agent for small, targeted fixes after the issue is understood."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
developer_instructions = """
Own the fix once the issue is reproduced.
Make the smallest defensible change, keep unrelated files untouched, and validate only the behavior you changed.
"""

[[skills.config]]
path = "/Users/me/.agents/skills/docs-editor/SKILL.md"
enabled = false

Dieses Setup eignet sich gut für Prompts wie:

Investigate why the settings modal fails to save. Have browser_debugger reproduce it, code_mapper trace the responsible code path, and ui_fixer implement the smallest fix once the failure mode is clear.