5秒看结论: 就算用的是同一个模型,每轮往上下文里塞什么、调用模型多少次、工具输出带着多少走、什么时候压缩,都会让消耗差很多。如果模型是发动机,那Codex、OpenCode这类Agent框架(英文叫harness)就是变速箱、喷油系统、导航和修车师傅的合体。发动机一样,油耗不一定一样。
1. “同样5小时额度,干的活多一倍”——先说清楚,这是个人体验,不是跑分
有位开发者在社交平台上发帖说:从Codex换成OpenCode,同样通过ChatGPT账号登录用GPT-5.6 Sol,感觉在同样的5小时额度、每周额度里,能干的活多了一倍以上。
评论区里,有人推荐另一个框架pi,有人怀疑是上下文上限设置不一样,也有人说想用路由或用量统计看看实际到底消耗了多少。
这里最关键的一点是:没有人证明过“用OpenCode官方就能多用一倍”。这是个有参考价值的观察,但不是控制变量的对比测试。
另一方面,OpenAI官方说明过,Codex的用量不是按固定条数算的,而是会随着模型、任务在哪里运行、复杂程度、上下文、推理、速度和工具等因素变化。有的套餐同时有5小时额度和每周额度。
也就是说,“换了框架以后油耗变了”这件事,从原理上看其实很正常。
2. Agent框架到底是什么?就是AI本体之外的“所有东西”
只看模型的话很简单:
Sol = 大脑。
但真正的编程Agent,在这个大脑周围装了一大堆设备:
- 系统指令怎么拼
- 读哪些文件
- 历史对话保留多少token
- 给模型看几个工具(shell、GitHub等)
- 工具输出带到下一轮的有多少
- 失败了重试几次
- 计划、实现、审查要转几圈
- 上下文快满之前要不要压缩
- 要不要拆给子Agent
- 什么时候判定“做完了”
这一整套,就是广义上的harness(Agent框架)。
OpenAI自己介绍Codex时也用了“harness”这个词,并说明了把模型和各个客户端、工具、对话状态连起来的App Server。
所以:
模型一样 ≠ 整个系统一样
就像同一台V8发动机,装在2吨重的SUV上和装在轻车身上,油耗肯定不一样。
3. 把AI油耗拉高的元凶,多半是“每轮都要背的行李”
Agent消耗多少,不只看它回复写了多少字。
长会话里,每一次推理都可能带着:
- 很长的对话历史
- 很大的系统提示词
- AGENTS.md和各种规则
- MCP的工具定义
- 从GitHub读进来的一大堆文件
- 超长的shell日志
- 测试结果
- 之前的失败记录
- 下次重试要用的信息
只来一次,问题不大。
麻烦的是同样的东西要重新发送、重新理解10次、20次、30次。
比起“读了一次100KB的日志”,背着100KB级别的上下文一遍遍调用模型往往更伤。
再说,框架A用15轮就搞定的活,框架B走计划→确认→搜索→再搜索→审查→再审查用了30轮,就算模型一样,差距也是必然的。
油耗不只看发动机,而是被
行李 × 往返次数 × 重试次数
一起拖垮的。
4. OpenCode有意思在哪:ChatGPT登录、MCP、自动压缩都在一个盒子里
OpenCode官方文档写着,连接OpenAI时可以选ChatGPT Plus/Pro,在浏览器里登录授权。这和手动填API Key是两条不同的路。
另外,OpenCode作为MCP客户端,本地MCP和远程MCP都能加。
所以可以搭成这样:
OpenCode → GitHub MCP → 数据库MCP → 自己写的API → 其他外部工具
OpenCode还有自动压缩(compaction),会把长会话里比较旧的上下文换成一个检查点。当前文档里自动压缩默认开启,示例配置会保留生成的摘要加上大约最近15,000个token。
与其说是“删掉旧对话”,更像是:
历史记录留在仓库里,下次出发只带要用的行李
不过它也不是万能的。OpenCode自己就提醒过:MCP服务器加得越多,工具定义之类的东西就越占上下文,尤其是GitHub MCP这种大型MCP,特别容易把上下文挤爆。
一口气接20个MCP然后觉得“这下无敌了”,等于让勇者把整个仓库都装进了装备栏。
5. 用ChatGPT通过MCP操控一切,思路基本也是一样的
把ChatGPT放在中间,通过MCP或外部连接器去操作GitHub、服务器、云服务、存储,本质上也是“模型 + 框架 + 工具”。
画成连线图很简单:
ChatGPT → MCP / connector → GitHub、服务器、云、存储
ChatGPT负责判断,MCP负责动手,各个服务保存现实中的真实状态。
OpenCode也一样:
OpenCode → MCP / shell / API → 代码仓库、服务器、云
区别在于:对话状态放在哪,工具调用的循环在哪里跑,上下文在哪里压缩。
所以“这不就和我在ChatGPT里用MCP操控一切一样吗?”——答案基本是YES。
设计思路一样,只是指挥室的牌子不同。
6. 那ChatGPT能把活儿交给OpenCode吗?
OpenCode官方支持的是“作为使用MCP的一方”。另一方面,这里引用的官方文档里,比起把OpenCode本身直接当成通用MCP服务器开放出来,写得更明确的入口是HTTP/OpenAPI服务器加SDK,或者ACP。
用opencode serve,可以把OpenCode作为无界面的HTTP服务器跑起来,通过OpenAPI用程序控制会话和Agent。还有JS/TS的SDK。
所以,如果想从ChatGPT这边把任务派给OpenCode,比较干净的结构是这样:
ChatGPT → 一层很薄的MCP桥接 → OpenCode Server → Sol → MCP / shell / API → GitHub、云服务等
MCP桥接对外提供的工具,少到极致都没关系:
- opencode_run_task
- opencode_get_status
- opencode_get_result
有这几个就够了。
不用每次都把几十个GitHub工具定义和超长日志塞进ChatGPT,长时间的实际操作在OpenCode里做完,最后只把结果送回来。
到这一步,“省油”才真正变成了设计,而不是碰运气。
7. 真想省额度,与其少用AI,不如少“回到AI”
最常见的误区,是以为换个便宜模型就全解决了。
模型选择当然有用。
但在长时间的自动化任务里,下面这种分工往往更有效:
- 结果确定、按步骤走的处理交给脚本
- 状态和执行记录存在机器这边
- 只开启真正需要的工具
- 长日志先摘要、提取重点,再交给模型
- 同一个文件不要反复重读
- 把失败原因和下一步要做什么存成状态
- 只有拿不准的判断才交给高性能模型
- 最后只把“上线后实际检查的结果”交回给人
理想的分工是:
AI = 负责处理模糊的事
脚本 / 工作流 = 负责跑已经定好的流程
GitHub / 数据库 / 保存的状态 = 负责记事
每次都让AI去想“下一步该干嘛来着?”,就等于每次都让它把仓库从头盘点一遍。
让机器把下一步写下来,AI只在真正需要时再叫它。
8. 不过,“用OpenCode同样额度一定更划算”现在还不能下结论
OpenAI官方能确认的是:Codex和Work共用额度,根据套餐有5小时额度和每周额度,消耗会随上下文、工具等变化。
OpenCode官方能确认的是:可以用ChatGPT Plus/Pro账号登录。
但是,通过OpenCode用ChatGPT登录时,OpenAI那边是否和Codex用完全一样的计算公式、一样的内部系数扣额度,以及OpenCode是不是总能多用几倍——这样的对比表,两家的官方资料里都没有。
所以:
“我多跑了一倍”是很有意思的实测分享。
“一定多跑一倍”尚未证实。
这两件事最好别混为一谈。
真要对比的话,就用同一个代码仓库、同一个模型、同一个任务、同样的完成标准,去记录:
- 模型总调用次数
- 输入/输出token
- 压缩次数
- 工具调用次数
- 实际耗时
- 完成的改动数
- 重试次数
- 最终测试结果
不要看“用了几个小时”,要看每成功完成一个任务花了多少。
这才是真正的油耗。
9. 结论:AI时代,选完模型之后最关键的是“连线”
以前大家关心的主要是“哪个模型最聪明”。
到了Agent时代,光看这个已经不够了。
同一个模型,干活的多少还取决于:
- 上下文怎么装
- 工具有几个
- 状态怎么管理
- 压缩
- 重试
- 怎么判断结束
- 和外部工作流怎么分工
模型是发动机。
框架是把喷油、变速箱、导航、维修团队、后备箱容量全都打包在一起的整套系统。
所以“明明是同一个Sol,怎么差这么多?”其实是个再自然不过的疑问。
而当你开始用MCP连接多个服务的那一刻,你做的事情已经从“使用AI”变成了
在AI周围设计一个工作现场
最后说句大实话:最强的MCP,不是“什么都去问AI”。
而是让不需要问AI的步骤越来越多。
参考资料
[1] https://openai.com/index/unlocking-the-codex-harness/
[2] https://help.openai.com/en/articles/11369540
[3] https://help.openai.com/en/articles/20001516
[4] https://opencode.ai/docs/providers
[5] https://opencode.ai/v2/docs/mcp-servers
[6] https://opencode.ai/v2/docs/compaction
[7] https://dev.opencode.ai/docs/server/
[8] https://opencode.ai/v2/docs/cli/acp/
参考资料(8条)
- OpenAI, Unlocking the Codex harness: how we built the App Server openai.com
- OpenAI Help Center, ChatGPTプランでCodexを使う help.openai.com
- OpenAI Help Center, WorkとCodexでのGPT-6 Astraの利用量管理 help.openai.com
- OpenCode Docs, Providers opencode.ai
- OpenCode Docs, MCP servers opencode.ai
- OpenCode Docs, Compaction opencode.ai
- OpenCode Docs, Server / SDK https://dev.opencode.ai/docs/ja/sdk/ dev.opencode.ai
- OpenCode Docs, ACP opencode.ai


