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.
- Security issue
- Code quality
- Bugs
- Race conditions
- Test flakiness
- Maintainability of the code
Tässä skenaariossa Codex todennäköisesti käynnistäisi kuusi erillistä aliasagenttia, joista jokainen on erikoistunut yhteen luetelluista katselmointikohdista. Kun kukin agentti on suorittanut analyysinsa, Codex kokoaisi havainnot yhdeksi, jäsennellyksi raportiksi, joka tarjoaa kokonaisvaltaisen yleiskuvan pull requestista. Tämä havainnollistaa tehokkuutta, joka saavutetaan jakamalla työkuorma erikoistuneiden tekoälykokonaisuuksien kesken.
## Aliasagentti-ekosysteemin hallinta ja turvaaminen
Tehokas hallinta ja vankka turvallisuus ovat keskeisiä näkökohtia aliasagenttien kanssa työskennellessä. Codex tarjoaa työkaluja ja mekanismeja aliasagenttien toiminnan valvomiseen ja turvallisten toimintojen varmistamiseen niiden hiekkalaatikkoympäristöissä.
Interaktiivisissa komentorivi-istunnoissa (CLI) kehittäjät voivat käyttää `/agent`-komentoa vaihtaakseen aktiivisten agenttilankojen välillä, tarkastaakseen käynnissä olevia prosesseja tai ohjatakseen tiettyä aliasagenttia. Tämä hienojakoinen hallinta mahdollistaa reaaliaikaiset säädöt ja yksittäisten agenttien edistymisen seurannan. Voit myös pyytää Codexia nimenomaisesti pysäyttämään käynnissä olevan aliasagentin tai sulkemaan valmiit langat resurssien hallitsemiseksi ja keskittymisen parantamiseksi.
Turvallisuus on ensisijaista, ja aliasagentit perivät nykyisen hiekkalaatikkopolitiikan pää-Codex-istunnosta. Tämä varmistaa, että niiden toiminnot noudattavat ennalta määriteltyjä turvallisuus- ja käyttöoikeussääntöjä. Kun hyväksyntäpyyntöjä syntyy passiivisista agenttilangoista, erityisesti interaktiivisissa komentorivi-istunnoissa, Codex esittää ne älykkäästi käyttäjälle. Hyväksyntäpeite ilmaisee lähdelangan, jonka avulla voit painaa 'o' avataksesi ja tarkastellaksesi kyseistä lankaa ennen tietoista päätöstä hyväksyä, hylätä tai vastata pyyntöön. Tämä estää sokeat hyväksynnät ja ylläpitää kehittäjän valvontaa.
Muissa kuin interaktiivisissa työnkuluissa tai tilanteissa, joissa uutta hyväksyntää ei voida näyttää, uutta hyväksyntää vaativa toimenpide epäonnistuu automaattisesti, ja Codex raportoi virheen takaisin vanhemmalle työnkululle. Tämä vikasietomekanismi estää luvattomat toiminnot automatisoiduissa yhteyksissä. Lisäksi Codex soveltaa vanhemman vuoron reaaliaikaisia ajonaikaisia ohituksia – kuten `/approvals`-komennolla tai `--yolo`-lipulla tehtyjä muutoksia – luotuihin alielementteihin, mikä varmistaa yhdenmukaisen tietoturva-asennon agenttihierarkiassa. Kokeneemmille käyttäjille on myös mahdollista ohittaa hiekkalaatikon konfiguraatio yksittäisille [mukautetuille agenteille](#defining-custom-subagents-for-tailored-tasks), mikä mahdollistaa hienojakoisen hallinnan niiden käyttöoikeuksiin, esimerkiksi merkitsemällä agentti 'vain luku' -tilaan.
## Mukautettujen aliasagenttien määrittely räätälöityjä tehtäviä varten
Vaikka Codex tarjoaa useita sisäänrakennettuja agentteja, kuten `default` yleiskäyttöisen varajärjestelmän, `worker` suoritukseen keskittyviin tehtäviin ja `explorer` lukupainotteiseen koodipohjan tutkimiseen, aliasagenttijärjestelmän todellinen teho piilee sen laajennettavuudessa. Kehittäjät voivat määritellä omia **mukautettuja agentteja** vastaamaan erittäin erikoistuneisiin vaatimuksiin, räätälöiden tekoälyn käyttäytymistä ainutlaatuisiin projektikonteksteihin.
Mukautetut agentit määritellään käyttämällä erillisiä TOML-tiedostoja. Nämä tiedostot voidaan sijoittaa `~/.codex/agents/`-hakemistoon henkilökohtaisia agentteja varten tai `.codex/agents/`-hakemistoon projektikohtaisia agentteja varten. Jokainen TOML-tiedosto toimii olennaisesti konfiguraatiokerroksena, jonka avulla mukautetut agentit voivat ohittaa asetukset, jotka muuten periytyisivät vanhemmalta istunnolta. Tämä sisältää kriittiset parametrit, kuten käytetyn tekoälymallin, sen päättelyyn käytettävän ponnistelun, hiekkalaatikkotilan ja jopa tietyt taitoasetukset.
Jokaisen erillisen mukautetun agenttitiedoston *on* määriteltävä seuraavat kentät:
* **`name`**: Agentin yksilöllinen tunniste, jota Codex käyttää luodessaan tai viitatessaan siihen.
* **`description`**: Ihmisluettava ohje, joka auttaa Codexia ymmärtämään, milloin tämä agentti otetaan käyttöön.
* **`developer_instructions`**: Ydinohjeet, jotka määräävät agentin käyttäytymisen ja toiminnallisen logiikan.
Valinnaisia kenttiä, kuten `nickname_candidates`, `model`, `model_reasoning_effort`, `sandbox_mode`, `mcp_servers` ja `skills.config`, voidaan myös sisällyttää. Jos ne jätetään pois, nämä asetukset periytyvät vanhemmalta istunnolta, mikä yksinkertaistaa konfiguraatiota, kun oletukset ovat hyväksyttäviä. Parhaista käytännöistä kehoteinsinöörityössä, joka vaikuttaa suoraan agentin ohjeisiin, katso resursseja kuten [Codex Prompting Guide](/fi/codex-prompting-guide).
`name`-kenttä on mukautetun agentin lopullinen tunniste. Vaikka tiedostonimen ja agentin nimen täsmääminen on yleinen ja suositeltava käytäntö, TOML-tiedoston sisällä oleva `name`-kenttä on lopullinen totuuden lähde. `nickname_candidates`-kenttä on hyödyllinen lisä käyttökokemukseen, sillä se antaa Codexille mahdollisuuden määrittää luoduille agenteille luettavampia näyttönimiä, mikä on erityisen hyödyllistä monimutkaisissa moniagenttitilanteissa.
## Globaalit asetukset ja edistynyt aliasagentin konfiguraatio
Yksittäisten mukautettujen agenttimäärittelyjen lisäksi Codex tarjoaa globaaleja konfiguraatioasetuksia aliasagenttien työnkulkujen yleisen käyttäytymisen hallintaan. Nämä asetukset löytyvät tyypillisesti pääkonfiguraatiotiedostosi `[agents]`-osiosta, tarjoten keskitetyn hallinnan resurssien allokaatioon ja toiminnallisiin parametreihin.
Tässä on yhteenveto keskeisistä globaaleista aliasagentti-asetuksista:
| Kenttä | Tyyppi | Pakollinen | Tarkoitus |
| :--------------------------- | :----- | :------- | :------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
| `agents.max_threads` | numero | Ei | Rajoittaa samanaikaisten avoimien agenttilankojen määrää. Oletusarvo on `6`, jos asettamaton. |
| `agents.max_depth` | numero | Ei | Rajoittaa luotujen agenttien sisäkkäisyyden syvyyttä (juuri-istunto alkaa 0:sta). Oletusarvo on `1`. Estää rekursiivisen delegoinnin välittömien alielementtien ulkopuolelle token-kulutuksen ja viiveen hallitsemiseksi. |
| `agents.job_max_runtime_seconds` | numero | Ei | Asettaa oletusajan työntekijää kohti `spawn_agents_on_csv`-tehtävissä. Jos asettamaton, oletusarvo on `1800` sekuntia (30 minuuttia). |
`agents.max_threads`-asetus, jonka oletusarvo on `6`, tarjoaa suojan liiallista resurssien kulutusta vastaan rajoittamalla samanaikaisesti toimivien aliasagenttien määrää. `agents.max_depth`-asetus, jonka oletusarvo on `1`, on erityisen tärkeä. Vaikka syvempi sisäkkäisyys saattaa vaikuttaa houkuttelevalta monimutkaisessa delegoinnissa, tämän arvon kasvattaminen voi johtaa merkittäviin token-kulutuksen, viiveen ja paikallisten resurssien kulutuksen kasvuun toistuvien haarautumisten vuoksi. Yleensä on suositeltavaa pitää oletusarvo, ellei tietty rekursiivinen delegointimalli ole ehdottoman välttämätön ja huolellisesti hallittu.
Mukautetut agenttitiedostot voivat sisältää myös muita tuettuja `config.toml`-avaimia, laajentaen niiden konfiguroitavuutta pakollisten kenttien ulkopuolelle. Tämä modulaarinen ja kerroksellinen konfiguraatiolähestymistapa varmistaa, että kehittäjillä on hienojakoinen hallinta tekoälyagentteihinsa, mahdollistaen niiden optimoinnin suorituskyvyn, kustannusten ja tietoturvan osalta räätälöitynä heidän erityisiin kehitystarpeisiinsa. Ymmärtämällä ja hyödyntämällä näitä tehokkaita aliasagenttiominaisuuksia kehittäjät voivat ylittää tekoälyavusteisen koodauksen rajoja ja parantaa merkittävästi kehitystyönkulkujaan.
Alkuperäinen lähde
https://developers.openai.com/codex/subagents/Usein kysytyt kysymykset
What are Codex subagents and how do they enhance AI development workflows?
Codex subagents are specialized AI agents that can be spawned in parallel by a primary Codex instance to tackle complex, multi-faceted tasks. They significantly enhance AI development workflows by enabling the division of labor across different agents, each focusing on a specific aspect of a task. This parallel processing capability is particularly beneficial for computationally intensive or intricate operations like comprehensive codebase exploration, implementing large-scale multi-step feature plans, or conducting extensive code reviews. By distributing the workload, subagents help in accelerating development cycles, improving the quality of outputs, and managing complexity more effectively than a single agent could.
How does Codex manage the orchestration of multiple subagents?
Codex excels at orchestrating subagent workflows by managing the entire lifecycle from spawning new agents to consolidating their results. When a complex task is initiated, Codex can intelligently route follow-up instructions to the appropriate subagents, monitor their progress, and await the completion of all requested tasks. Once all subagents have finished their assignments and returned their respective outputs, Codex then aggregates these results into a unified, consolidated response. This seamless orchestration ensures that even highly parallelized tasks remain coherent and deliver a comprehensive solution, simplifying complex project management for developers.
What are the security considerations and controls for Codex subagents?
Security for Codex subagents is a critical aspect, with several mechanisms in place to ensure safe operation. Subagents inherently inherit the current sandbox policy of the parent session, ensuring a consistent security posture. For interactive command-line interface (CLI) sessions, approval requests stemming from inactive agent threads can be surfaced to the user, allowing for informed decisions before actions are taken. In non-interactive environments or when immediate approval isn't feasible, actions requiring new approval will fail, preventing unauthorized operations. Developers can also apply runtime overrides for sandbox and approval choices, and even configure individual custom agents with specific sandbox modes, such as 'read-only', for fine-grained control over their operational scope and access.
How can developers create and utilize custom agents within Codex?
Developers can define custom agents in Codex to tailor AI behavior to specific needs. This is achieved by creating standalone TOML configuration files under `~/.codex/agents/` for personal agents or `.codex/agents/` for project-scoped ones. Each TOML file defines a single custom agent and acts as a configuration layer, allowing developers to override default settings like model choice, reasoning effort, or sandbox mode. Essential fields such as 'name', 'description', and 'developer_instructions' are mandatory, guiding the agent's identity and core behavior. This flexibility enables the creation of highly specialized agents for unique development tasks, further enhancing the adaptability of the Codex system.
What global settings are available for managing subagent behavior in Codex?
Codex provides several global settings to manage subagent behavior, primarily located under the `[agents]` section in the configuration file. Key settings include `agents.max_threads`, which controls the maximum number of concurrent open agent threads (defaulting to 6); `agents.max_depth`, which limits the nesting depth of spawned agents (defaulting to 1 to prevent excessive recursion and resource consumption); and `agents.job_max_runtime_seconds`, which sets a default timeout for workers in `spawn_agents_on_csv` jobs (defaulting to 1800 seconds if not specified). These settings are crucial for balancing performance, resource usage, and control over complex agent workflows, helping developers prevent unintended fan-out and manage token consumption effectively.
What are the primary advantages of using subagents for complex tasks?
The primary advantages of using subagents for complex tasks within Codex lie in their ability to parallelize and specialize operations. By breaking down a large task into smaller, manageable subtasks and assigning each to a specialized agent, development teams can achieve significant speed improvements and higher quality outcomes. For instance, in a large codebase review, one subagent might focus on security vulnerabilities, another on code quality, and a third on performance bottlenecks simultaneously. This concurrent processing not only accelerates the overall task but also allows for deeper, more focused analysis in each area, leading to more robust and comprehensive solutions than a single, monolithic AI agent could provide.
Pysy ajan tasalla
Saa uusimmat tekoälyuutiset sähköpostiisi.