同一個模型,額度卻能多用一倍?OpenCode和Codex為什麼用量差這麼多——一次搞懂Agent框架與MCP

有位開發者在社群上發文說:從Codex換到OpenCode,一樣透過ChatGPT帳號登入用GPT-5.6 Sol,感覺在同樣的5小時額度、每週額度內,能做的事多了一倍以上。

閱讀功能說明

收聽會朗讀正文;速讀會依序顯示短語,速度可調。語言練習可對照現有的不同語言版本。收藏儲存在本瀏覽器中,可從播放器的收藏清單再次開啟。用打磚塊來讀會把正文的文字變成磚塊,邊打邊讀。

分享這篇文章
同一個模型,額度卻能多用一倍?OpenCode和Codex為什麼用量差這麼多——一次搞懂Agent框架與MCP
AI生成的示意圖

5秒看結論: 就算用同一個模型,每一輪往上下文塞什麼、呼叫模型幾次、工具輸出帶著多少走、什麼時候壓縮,都會讓用量差很多。如果模型是引擎,那Codex、OpenCode這類Agent框架(英文叫harness)就是變速箱、噴油系統、導航和技師的組合。引擎一樣,油耗不一定一樣。

1. 「同樣5小時額度,做的事多一倍」——先講清楚,這是個人心得,不是跑分

有位開發者在社群上發文說:從Codex換到OpenCode,一樣透過ChatGPT帳號登入用GPT-5.6 Sol,感覺在同樣的5小時額度、每週額度內,能做的事多了一倍以上。

留言區有人推薦另一套框架pi,有人懷疑是上下文上限設定不同,也有人說想用路由或用量紀錄看看實際到底用了多少。

這裡最重要的是:沒有人證明過「用OpenCode官方就能多用一倍」。這是很有參考價值的觀察,但不是控制條件的比較測試。

另一方面,OpenAI官方說明過,Codex的用量不是用固定訊息數來算,而是會隨著模型、任務在哪裡執行、複雜度、上下文、推理、速度和工具等因素變動。有些方案同時有5小時額度和每週額度。

也就是說,「換了框架之後油耗變了」這件事,從原理來看其實很合理。

2. Agent框架到底是什麼?就是AI本體以外的「全部」

只看模型的話很單純:

Sol = 大腦。

但真正的寫程式Agent,在這顆大腦周圍裝了一大堆設備:

  • 系統指令怎麼組
  • 讀哪些檔案
  • 過去的對話保留多少token
  • 給模型看幾種工具(shell、GitHub等)
  • 工具輸出要帶到下一輪多少
  • 失敗時重試幾次
  • 規劃、實作、審查要跑幾輪
  • 上下文爆掉之前要不要壓縮
  • 要不要分給子Agent
  • 什麼時候判定「做完了」

這一整套,就是廣義的harness(Agent框架)。

OpenAI自己介紹Codex時也用了「harness」這個詞,並說明了把模型和各個用戶端、工具、對話狀態串起來的App Server。

所以:

模型一樣 ≠ 整個系統一樣

就像同一顆V8引擎,裝在2噸重的休旅車和裝在輕量車身上,油耗不可能一樣。

3. 讓AI油耗變差的兇手,多半是「每輪都要扛的行李」

Agent用量多少,不只看它回覆寫了幾個字。

長時間的對話裡,每一次推理都可能扛著:

  • 很長的對話紀錄
  • 很大的系統提示詞
  • AGENTS.md和各種規則
  • MCP的工具定義
  • 從GitHub讀進來的一大堆檔案
  • 超長的shell紀錄
  • 測試結果
  • 之前的失敗紀錄
  • 下次重試要用的資訊

只來一次的話,還好。

麻煩的是同樣的東西要重送、重新理解10次、20次、30次。

比起「讀了一次100KB的紀錄」,扛著100KB等級的上下文一次又一次呼叫模型往往更傷。

再說,框架A用15輪就做完的事,框架B走規劃→確認→搜尋→再搜尋→審查→再審查用了30輪,就算模型一樣,差距也是理所當然。

油耗不只看引擎性能,而是被

行李 × 來回次數 × 重試次數

一起拖垮。

4. OpenCode有趣在哪:ChatGPT登入、MCP、自動壓縮都在同一個盒子裡

OpenCode官方文件寫著,連接OpenAI時可以選ChatGPT Plus/Pro,用瀏覽器登入授權。這和手動輸入API Key是兩條不同的路。

另外,OpenCode作為MCP用戶端,本機MCP和遠端MCP都能加。

所以可以組成這樣:

OpenCode → GitHub MCP → 資料庫MCP → 自己寫的API → 其他外部工具

OpenCode還有自動壓縮(compaction),會把長對話裡比較舊的上下文換成一個存檔點。現行文件中自動壓縮預設開啟,範例設定會保留產生的摘要加上大約最近15,000個token。

與其說是「刪掉舊對話」,更像是:

紀錄留在倉庫裡,下次出門只帶要用的行李

不過它也不是萬能的。OpenCode自己就提醒過:MCP伺服器加越多,工具定義這些東西就越吃上下文,尤其像GitHub MCP這種大型MCP,特別容易把上下文塞滿。

一口氣接20個MCP然後覺得「這下無敵了」,就等於讓勇者把整間倉庫裝進裝備欄。

5. 用ChatGPT透過MCP操控一切,思路基本上也是一樣的

把ChatGPT放在中間,透過MCP或外部連接器去操作GitHub、伺服器、雲端、儲存空間,本質上也是「模型 + 框架 + 工具」。

畫成配線圖很簡單:

ChatGPT → MCP / connector → GitHub、伺服器、雲端、儲存空間

ChatGPT負責判斷,MCP負責動手,各個服務保存現實世界的真實狀態。

OpenCode也一樣:

OpenCode → MCP / shell / API → 程式碼庫、伺服器、雲端

差別在於:對話狀態放在哪裡、工具呼叫的循環在哪裡跑、上下文在哪裡壓縮。

所以「這不就跟我在ChatGPT用MCP操控全部一樣嗎?」——答案基本上是YES。

設計思路一樣,只是指揮室換了牌子。

6. 那ChatGPT能把工作丟給OpenCode嗎?

OpenCode官方支援的是「使用MCP的那一方」。另一方面,這裡引用的官方文件裡,比起把OpenCode本身直接開放成通用MCP伺服器,寫得更明確的入口是HTTP/OpenAPI伺服器加SDK,或是ACP。

用opencode serve,可以把OpenCode當成沒有畫面的HTTP伺服器跑起來,透過OpenAPI用程式控制對話和Agent。也有JS/TS的SDK。

所以,如果想從ChatGPT這邊把工作派給OpenCode,比較乾淨的架構是這樣:

ChatGPT → 一層很薄的MCP橋接 → OpenCode Server → Sol → MCP / shell / API → GitHub、雲端等

MCP橋接對外提供的工具,少到極致也沒關係:

  • opencode_run_task
  • opencode_get_status
  • opencode_get_result

有這幾個就夠了。

不用每次都把幾十個GitHub工具定義和超長紀錄塞進ChatGPT,長時間的實際作業在OpenCode裡做完,最後只把結果送回來。

到這一步,「省油」才真正變成設計,而不是靠運氣。

7. 真的想省額度,與其少用AI,不如少「回到AI」

最常見的誤會,是以為換個便宜模型就全部解決。

選模型當然有用。

但在長時間的自動化作業裡,下面這種分工往往更有效:

  1. 結果固定、照步驟走的處理交給腳本
  2. 狀態和執行紀錄存在機器這邊
  3. 只開真正需要的工具
  4. 長紀錄先摘要、挑出重點,再交給模型
  5. 同一個檔案不要一直重讀
  6. 把失敗原因和下一步要做什麼存成狀態
  7. 只有拿不準的判斷才交給高效能模型
  8. 最後只把「上線後實際確認的結果」交回給人

理想的分工是:

AI = 負責處理模糊的事

腳本 / 工作流程 = 負責跑已經定好的流程

GitHub / 資料庫 / 儲存的狀態 = 負責記事情

每次都讓AI去想「下一步要幹嘛來著?」,就等於每次都讓它把倉庫從頭盤點一遍。

讓機器把下一步寫下來,AI只在真的需要時再叫它。

8. 不過,「用OpenCode同樣額度一定比較划算」現在還不能這樣說

OpenAI官方能確認的是:Codex和Work共用額度,依方案有5小時額度和每週額度,用量會隨上下文、工具等變動。

OpenCode官方能確認的是:可以用ChatGPT Plus/Pro帳號登入。

但是,透過OpenCode用ChatGPT登入時,OpenAI那邊是否跟Codex用完全一樣的計算方式、一樣的內部係數扣額度,以及OpenCode是不是總能多用幾倍——這種比較表,兩邊的官方資料都沒有。

所以:

「我多跑了一倍」是很有趣的實測心得。

「一定多跑一倍」還沒被證實。

這兩件事最好不要混在一起。

真的要比較,就用同一個程式碼庫、同一個模型、同一個任務、同樣的完成標準,去記錄:

  • 模型總呼叫次數
  • 輸入/輸出token
  • 壓縮次數
  • 工具呼叫次數
  • 實際花的時間
  • 完成的修改數
  • 重試次數
  • 最終測試結果

不要看「用了幾個小時」,要看每成功完成一個任務花了多少。

這才是真正的油耗。

9. 結論:AI時代,選完模型之後最有感的是「配線」

以前大家最在意的是「哪個模型最聰明」。

到了Agent時代,只看這個已經不夠了。

同一個模型,能做多少事還要看:

  • 上下文怎麼裝
  • 工具有幾個
  • 狀態怎麼管理
  • 壓縮
  • 重試
  • 怎麼判定結束
  • 跟外部工作流程怎麼分工

模型是引擎。

框架是把噴油、變速箱、導航、維修團隊、後車廂容量通通包在一起的整套系統。

所以「明明是同一個Sol,怎麼差這麼多?」其實是再自然不過的疑問。

而當你開始用MCP串接多個服務的那一刻,你在做的事已經從「使用AI」變成了

在AI周圍設計一個工作現場

最後講句最現實的:最強的MCP,不是「什麼都去問AI」。

而是讓不用問AI的步驟越來越多。

參考資料

[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/


參考資料(8筆)

  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

如果這篇文章對你有幫助,可以支持本站。 支持本站

今天讀這篇

每一篇都回答讀完本文後常有的下一個問題。

瀏覽全部文章

尋找其他文章

所有文章

Mendoi-chan

本站經營者

Mendoi-chan

把工作與日常生活中的麻煩整理成清楚的結構與下一步行動。