Codex 长任务轮询为什么会多烧 Token
命令还在运行,模型却每隔几十秒被唤醒一次,只为确认“还没好”。这种轮询是 Codex 长任务里真实存在的 Token 消耗来源。在我分析的一条长 session 固定快照里,523 个模型回合中有 176 个只发出了 wait,占 33.7%。
根因是双层等待:内层 write_stdin 愿意等 30 秒,外层 functions.exec 按这次快照对应的工具契约默认只等约 10 秒就先返回,模型不得不再调用一次 functions.wait 继续等同一个任务。拉长等待能减少这类唤醒,但两个边界要先说清楚:这份数据来自单条 session 的诊断,没有优化前后的成对实验,不能据此承诺固定的节省比例;长等待也只适合安静运行、不会中途请求输入的任务。
我从 session 里看到了什么
Section titled “我从 session 里看到了什么”我分析的是同一条长期任务在 2026 年 8 月 14 日 10 时 24 分之前的记录。文件来自 Codex Desktop,版本是 0.147.0-alpha.6.5,模型是 gpt-5.6-sol,reasoning effort 为 xhigh。
| 项目 | 数量 |
|---|---|
functions.exec 外层 JavaScript 调用 | 335 |
包含 write_stdin 的调用 | 186 |
空 write_stdin 轮询 | 186 |
| 空轮询等待时间 | 全部为 30000 ms |
外层返回 Script running with cell ID | 176 |
随后发出的 functions.wait | 176 |
以有效 // @exec 开头的调用 | 0 |
这里最要紧的是后三行。内层 write_stdin 愿意等 30 秒,外层 functions.exec 没有设置更长的等待时间。这次快照对应的工具契约给外层的默认值是 10 秒。外层先返回以后,模型收到一次 Script running with cell ID,随后再调用 functions.wait 等同一个 JavaScript cell。
一次原本可以留在工具内部的等待,变成了两次模型参与。
OpenAI 官方文档里,相近的机制叫 Programmatic Tool Calling。GPT-5.6 可以在托管运行时里写 JavaScript,调用符合条件的工具,并在代码里处理结果。官方同时要求用同一批代表性任务比较任务成功率、完整性、总 Token、延迟、成本、调用数和重试次数。少几次调用只有在结果仍然合格时才算改进。
176 次 wait 花掉了多少 Token
Section titled “176 次 wait 花掉了多少 Token”session 的 token_count 事件提供了每个模型回合的 last_token_usage。我的统计脚本把发出 wait 的模型回合单独聚合,算的是模型决定调用 wait 时产生的 Token。它没有把等待前后的所有消耗都归给轮询。
| 口径 | 全部回合 | wait 回合 | 占比 |
|---|---|---|---|
| 模型回合 | 523 | 176 | 33.7% |
| 输入 Token | 69,749,450 | 24,758,623 | 35.5% |
| 缓存输入 Token | 68,767,232 | 24,622,080 | 35.8% |
| 未缓存输入 Token | 982,218 | 136,543 | 13.9% |
| 输出 Token | 116,995 | 5,586 | 4.8% |
| reasoning 输出 Token | 37,645 | 124 | 0.3% |
这些数字很容易被读大。35.5% 是输入 Token 口径,其中绝大部分命中了缓存。它不能直接换算成账单,也不能全部当成可以消除的浪费。模型仍要在任务完成、报错或需要输入时接手。
未缓存输入占比更接近这次诊断的实际分量,数值是 13.9%。重复唤醒依然存在,只是影响没有“总输入 Token 的三分之一”听起来那么夸张。
这也是为什么不能直接引用网上流传的“统一拉长等待、Token 立省约四分之一”的说法。要得到这类结论,至少要在相同任务、相同模型和相同上下文下跑优化前后的多次样本,再比较质量、Token 和耗时。我现在只有一条长 session 的诊断数据,没有成对实验。
我最后写进全局 AGENTS.md 的规则
Section titled “我最后写进全局 AGENTS.md 的规则”我保留了长等待的方向,删掉了无条件的 MUST。当前全局规则如下。
## 长任务等待
- 不要为了汇报“仍在运行”而轮询。- 对无需中间输出和交互的长任务,在更高优先级的响应要求允许时,空 `write_stdin` 和 `functions.wait` 优先单次等待 `180000` 到 `300000 ms`;返回仍在运行后再继续长等。- 需要查看进度或可能请求输入时使用 `30000` 到 `60000 ms`;发送输入的非空 `write_stdin` 不适用长等待。- `functions.exec` 包含嵌套等待时,外层 `yield_time_ms` 至少比最长嵌套等待多 `30000 ms`,避免外层先返回。例如嵌套等待 `300000 ms` 时,首行使用 `// @exec: {"yield_time_ms": 330000}`。- 任务结束后立即停止轮询。等待调用会在任务提前完成时提前返回。这段配置处理两个问题。外层 pragma 让 JavaScript cell 覆盖住内层等待,减少中途返回。更长的空轮询则减少命令仍在运行时的检查次数。
三到五分钟只适合安静运行、不会请求输入的任务。开发服务器、交互式安装器和需要持续观察进度的命令仍应使用较短等待。非空 write_stdin 正在发送输入,也要保持及时。上层若要求每隔一分钟提供进度,响应要求继续优先。
等待调用会在任务提前完成时提前返回。把上限设成 300 秒,不代表每次都要坐满 300 秒。
怎样分析自己的 session
Section titled “怎样分析自己的 session”我把聚合逻辑放在 scripts/analyze-codex-session.mjs。脚本会读取整个 JSONL,只输出环境、调用数量和 Token 聚合,不打印用户消息、工具参数或命令输出。
node scripts/analyze-codex-session.mjs \ /path/to/rollout-session.jsonl为了固定本次文章使用的快照,我增加了一个时间截止参数。
node scripts/analyze-codex-session.mjs \ /path/to/rollout-session.jsonl \ --before 2026-08-14T02:24:56.706Z输出里的 waitShare 分开记录全部输入、未缓存输入、输出和 reasoning。分析其他版本时要先检查 JSONL 字段有没有变化。session 文件可能包含提示词、源码、命令输出和本地路径,不要把原文件直接上传到公开仓库。
AGENTS.md 什么时候生效
Section titled “AGENTS.md 什么时候生效”OpenAI Docs 说明,Codex 会在每次 run 开始时构建一次指令链,TUI 通常按每个新会话计算。全局目录若存在非空的 AGENTS.override.md,同层的 AGENTS.md 会被忽略。项目目录里的文件随后按路径向下拼接,离当前目录更近的规则排在后面。
我修改的是 ~/.codex/AGENTS.md,当时没有全局 override。新任务会读取它,已经运行中的任务不会因此重建指令链。官方排障说明建议在规则陈旧时重启 Codex 或开始新的 run,没有说明 compact 会重新加载 AGENTS.md。
下一次要怎样验证
Section titled “下一次要怎样验证”现有记录足以把双层等待列为优化对象。在该版本的工具契约下,给外层 functions.exec 更长的等待时间应当能避开同类中途返回。安静任务使用更长的空轮询,也会减少检查次数。这两项仍要放进新 session 验证。
我会准备一组固定长任务,分别跑原配置和新配置,记录成功率、总耗时、各类 Token 与人工介入次数。每组需要多次运行,失败和需要输入的任务也要保留。这份规则依赖当时的 Codex 工具契约,版本更新后还要重新看 schema 和 session。数据通过以后,节省比例才有资格写进标题。