
Codex Subagents: Spezialisierte Agenten im Team koordinieren
Codex CLI von OpenAI unterstützt ein Subagenten-Modell, bei dem komplexe Aufgaben automatisch auf spezialisierte Unteragenten aufgeteilt werden. Der Artikel von Shuai Guo demonstriert dies konkret anhand einer Reiseplanung: Ein Hauptagent koordiniert drei Spezialisten – einen Travel-Logistics-Agent, einen Budget-Analysten und einen Experience-Researcher – die parallel drei Reiseziele (Lissabon, Prag und Kopenhagen) aus ihrer jeweiligen Fachperspektive bewerten. Die Subagenten werden als TOML-Dateien im Verzeichnis `.codex/agents/` definiert, wobei jede Datei mindestens die Felder `name`, `description` und `developer_instructions` enthält. Optional lassen sich pro Agent eigene Modell-, Reasoning-, Sandbox- und Tool-Einstellungen setzen; fehlen diese, erben die Subagenten die Konfiguration der Hauptsession. Die maximale Parallelität wird über den Parameter `max_concurrent_threads_per_session = 3` in der projektseitigen `config.toml` gesteuert. Bemerkenswert am Fallbeispiel ist, dass die drei Subagenten unterschiedliche Empfehlungen lieferten – Logistik favorisierte Kopenhagen, Budget-Analyst Prag, Experience-Researcher Lissabon –, der Hauptagent aber nach Abwägen aller Ergebnisse eigenständig Lissabon als Gesamtempfehlung ausgab. Die einzelnen Agenten-Threads lassen sich während der Ausführung direkt im CLI über den Befehl `/agent` inspizieren.
- Reiseszenario: 4-Tage-Solo-Trip ab Zürich (15.–18. Oktober 2026), Gesamtbudget CHF 1.200, Kandidaten Lissabon, Prag, Kopenhagen.
- Web-Suche wird nur für die Hauptsession via `codex --search` aktiviert; Subagenten erben die Fähigkeit automatisch.
- Jeder Subagent läuft in einem eigenen Thread mit eigenem Kontext und eigenem Tool-Aktivitäts-Log.
- Die Projektstruktur folgt dem Schema `.codex/config.toml` + `.codex/agents/*.toml`; keine zusätzliche Laufzeitkonfiguration nötig.
- Der Hauptagent synthetisiert die divergierenden Einzelurteile zu einer Gesamtempfehlung inklusive Tradeoff-Erklärung und Quell-Links.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge

Codex Subagents: Spezialisierte Agenten im Team koordinieren
Codex CLI von OpenAI unterstützt ein Subagenten-Modell, bei dem komplexe Aufgaben automatisch auf spezialisierte Unteragenten aufgeteilt werden. Der Artikel von Shuai Guo demonstriert dies konkret anhand einer Reiseplanung: Ein Hauptagent koordiniert drei Spezialisten – einen Travel-Logistics-Agent, einen Budget-Analysten und einen Experience-Researcher – die parallel drei Reiseziele (Lissabon, Prag und Kopenhagen) aus ihrer jeweiligen Fachperspektive bewerten. Die Subagenten werden als TOML-Dateien im Verzeichnis `.codex/agents/` definiert, wobei jede Datei mindestens die Felder `name`, `description` und `developer_instructions` enthält. Optional lassen sich pro Agent eigene Modell-, Reasoning-, Sandbox- und Tool-Einstellungen setzen; fehlen diese, erben die Subagenten die Konfiguration der Hauptsession. Die maximale Parallelität wird über den Parameter `max_concurrent_threads_per_session = 3` in der projektseitigen `config.toml` gesteuert. Bemerkenswert am Fallbeispiel ist, dass die drei Subagenten unterschiedliche Empfehlungen lieferten – Logistik favorisierte Kopenhagen, Budget-Analyst Prag, Experience-Researcher Lissabon –, der Hauptagent aber nach Abwägen aller Ergebnisse eigenständig Lissabon als Gesamtempfehlung ausgab. Die einzelnen Agenten-Threads lassen sich während der Ausführung direkt im CLI über den Befehl `/agent` inspizieren.
- Reiseszenario: 4-Tage-Solo-Trip ab Zürich (15.–18. Oktober 2026), Gesamtbudget CHF 1.200, Kandidaten Lissabon, Prag, Kopenhagen.
- Web-Suche wird nur für die Hauptsession via `codex --search` aktiviert; Subagenten erben die Fähigkeit automatisch.
- Jeder Subagent läuft in einem eigenen Thread mit eigenem Kontext und eigenem Tool-Aktivitäts-Log.
- Die Projektstruktur folgt dem Schema `.codex/config.toml` + `.codex/agents/*.toml`; keine zusätzliche Laufzeitkonfiguration nötig.
- Der Hauptagent synthetisiert die divergierenden Einzelurteile zu einer Gesamtempfehlung inklusive Tradeoff-Erklärung und Quell-Links.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.