同一个模型,额度却能多用一倍?OpenCode和Codex为什么消耗差这么多——一文看懂Agent框架与MCP

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。

阅读功能说明

收听会朗读正文;速读会按顺序显示短语,速度可调。语言练习可对照已有的不同语言版本。收藏保存在本浏览器中,可从播放器的收藏列表再次打开。用打砖块来读会把正文的文字变成砖块,边打边读。

分享这篇文章

分享这篇文章

同一个模型,额度却能多用一倍?OpenCode和Codex为什么消耗差这么多——一文看懂Agent框架与MCP
AI生成的示意图

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:

  1. 结果确定、按步骤走的处理交给脚本
  2. 状态和执行记录存在机器这边
  3. 只开启真正需要的工具
  4. 长日志先摘要、提取重点,再交给模型
  5. 同一个文件不要反复重读
  6. 把失败原因和下一步要做什么存成状态
  7. 只有拿不准的判断才交给高性能模型
  8. 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)

  1. OpenAI, Unlocking the Codex harness: how we built the App Server openai.com
  2. OpenAI Help Center, ChatGPTプランでCodexを使う help.openai.com
  3. OpenAI Help Center, WorkとCodexでのGPT-6 Astraの利用量管理 help.openai.com
  4. OpenCode Docs, Providers opencode.ai
  5. OpenCode Docs, MCP servers opencode.ai
  6. OpenCode Docs, Compaction opencode.ai
  7. OpenCode Docs, Server / SDK https://dev.opencode.ai/docs/ja/sdk/ dev.opencode.ai
  8. OpenCode Docs, ACP opencode.ai

分享这篇文章

如果这篇文章对你有帮助,可以支持本站。 支持本站

今天读这篇

每一篇都回答读完本文后常有的下一个问题。

浏览全部文章

查找其他文章

所有文章

Mendoi-chan

本站运营者

Mendoi-chan

把工作与日常生活中的麻烦整理成清晰的结构和下一步行动。