让AI编程更聪明：Codex双模智能编排系统——Astra当指挥官，Luna做执行专家

你是否遇到过这样的困境：用AI写代码时，大模型（如GPT-6）逻辑强但成本高、响应慢，小模型（如GPT-5.6）速度快却容易在复杂任务中“掉链子”？Codex Astra-Luna Orchestrator 正是为解决这一矛盾而生——它不是简单调用某个模型，而是构建了一套可配置的「AI角色分工体系」：让更强的GPT-6 Astra专注顶层设计与质量把关，让更高效的GPT-5.6 Luna承担具体编码、测试、探索等执行任务，并通过标准化配置实现开箱即用的协同工作流。一句话说清它的价值：它把单打独斗的AI助手，升级成了有明确职责、合理分工、自动协作的「AI开发小组」。

核心功能

双模动态编排，按需分配算力：根据你的Codex订阅计划（Pro/Plus），自动将GPT-6 Astra设为根级协调者（Pro）或由GPT-5.6 Luna接管主控（Plus），同时统一保留Astra作为独立低消耗的审查员——既保障关键决策质量，又避免全程高成本推理。
角色化子代理预置，开箱即用：内置explorer（代码探查）、worker（编码执行）、tester（单元测试）、researcher（技术调研）、reviewer（代码评审）五类标准化子代理配置文件，每个都已精确绑定对应模型（Luna执行四角色 + Astra专职评审），无需手动调试模型匹配问题。
推理强度精细化控制：支持对同一模型设置不同“推理努力等级”（reasoning_effort：low/medium/max）。例如Pro计划下，Astra以medium强度统筹全局，Luna以max强度写代码，而Astra reviewer仅用low强度快速过审——在效果与Token消耗间取得精准平衡。
沙盒安全机制内建集成：默认启用sandbox_mode = "workspace-write"，所有子代理操作被严格限制在项目工作区范围内，禁止读取系统敏感路径或执行危险命令，大幅降低AI自主执行带来的安全风险。
一键式跨平台部署：提供macOS/Linux setup.sh 与 Windows PowerShell（兼容PowerShell 7）双安装脚本，交互式引导选择目标仓库路径与Codex计划，自动生成适配的.codex/config.toml及全套角色配置，5分钟完成生产级环境搭建。
配置版本可追溯、可回滚：Pro与Plus配置分别存于config.toml和config.plus.toml，安装器仅写入当前选中的配置；更新时明确提示需同步更新四个Luna角色文件，避免因旧配置覆盖新策略导致行为异常。
Token用量透明化管理：附带scripts/token_usage.py工具，结合官方日志解析能力，帮助开发者量化评估不同编排策略下的实际Token消耗，为成本优化提供数据依据。
渐进式能力演进支持：提供guides/fast-iteration.md、full-orchestration.md等6篇实战指南，覆盖从快速迭代小功能到全链路复杂仓库协作的完整场景，降低学习曲线。

技术亮点

分层模型治理架构：突破传统“单一模型+提示词”的粗放模式，采用三层设计——Root Orchestrator（决策层）、Named Subagents（执行层）、Independent Reviewer（质检层），各层模型与推理强度解耦配置，符合现代AI工程化治理理念。
TOML驱动的声明式配置：全部行为由.codex/目录下的TOML文件定义，包括全局策略（approval_policy、sandbox_mode）、并发控制（max_concurrent_threads_per_session = 4）及子代理默认参数，配置即文档，修改即生效。
模型绑定优先级清晰明确：README中特别强调配置继承规则——角色文件（如worker.toml）若显式声明model和model_reasoning_effort，则完全覆盖全局默认值；若仅声明model（如Luna角色），则自动继承[agents]节中设定的default_subagent_reasoning_effort，避免隐式覆盖陷阱。
面向Codex生态深度定制：所有配置均遵循ChatGPT官方Codex子代理规范（链接至其文档），非通用LLM框架封装，直接对接Codex原生能力（如workspace沙盒、approval审批流），确保功能完整性与稳定性。
零依赖轻量Python实现：核心为纯Python脚本（setup.sh/setup.ps1本质是配置分发器），不引入额外运行时或服务依赖，适配任何已配置Codex CLI的开发环境，真正“拿来即用”。

适合哪些人用

本项目专为已订阅GitHub Copilot Enterprise / Codex Pro或Plus计划的中高级开发者、技术团队负责人及AI工程实践者设计。

真实场景一：企业内部工具链开发者——你正为团队构建一套自动化前端组件生成系统。使用Pro配置：Astra以medium强度理解PR需求并拆解任务，Luna以max强度批量生成React组件+Storybook示例+Jest测试，Astra reviewer用low强度快速扫描安全漏洞与API合规性，整套流程既保障交付质量，又将高成本Astra调用量压缩至最低。

真实场景二：开源项目维护者——你在维护一个复杂Python库，常需快速响应issue中的兼容性问题。启用Plus配置：Luna以max强度主导代码分析与补丁生成（响应更快），Astra仅在最终合并前用low强度做一次轻量审查，兼顾效率与底线安全，显著缩短issue闭环周期。

快速上手

只需三步：

克隆本项目：git clone https://github.com/donvito/codex-astra-luna-orchestrator.git && cd codex-astra-luna-orchestrator
进入目标项目目录（确保已初始化Codex），运行安装脚本：
macOS/Linux：./setup.sh；Windows：powershell -ExecutionPolicy Bypass -File .\setup.ps1
按提示输入目标仓库路径（如../my-project），选择计划（1=Pro，2=Plus），回车确认——安装器将自动创建.codex/目录并写入对应配置。

完成后，在目标项目中执行codex run即可启动双模协同工作流。关键配置片段参考Pro版.codex/config.toml：

model = "gpt-6-astra" model_reasoning_effort = "medium" approval_policy = "on-request" sandbox_mode = "workspace-write" [agents] enabled = true max_concurrent_threads_per_session = 4 default_subagent_model = "gpt-5.6-luna" default_subagent_reasoning_effort = "max"

同类对比 / 注意事项

vs 普通Codex模板：官方模板多为单模型或静态配置，缺乏Astra/Luna双模协同逻辑与推理强度分级能力；本项目提供可验证的生产级分工范式，非概念Demo。
vs LangChain/AutoGen等框架：不引入复杂抽象层与运行时依赖，专为Codex CLI优化，配置更简洁、启动更快、与GitHub原生体验无缝融合。
重要注意事项：务必定期同步更新.codex/agents/*.toml角色文件——若从Plus切换至Pro，仅改config.toml不够，必须手动将explorer/worker/tester/researcher四个文件中可能残留的model_reasoning_effort = "medium"删除，否则会覆盖Pro的max默认值；建议将.codex/纳入Git跟踪以便审计。