Bạn đang dùng Codex CLI và thấy cửa sổ chat nhanh chóng bị phủ bởi đủ loại yêu cầu: viết code, review PR, sửa hạ tầng? Codex subagents sinh ra cho đúng tình huống đó. Kho awesome-codex-subagents gói hơn 171 subagent TOML, nhưng thứ bạn cần không phải cả kho. Bạn cần vài agent biết rõ việc của mình, và biết cách giao việc cho chúng.
Thank you for reading this post, don't forget to subscribe!Awesome Codex Subagents có thực sự giúp Codex CLI bớt loãng ngữ cảnh?
Có, nhưng với một điều kiện: bạn phải chủ động uỷ thác. Codex không tự động spawn subagent; bạn cần gọi đích danh trong prompt. Mỗi subagent có instruction, model và sandbox riêng, tương đương một không gian ngữ cảnh riêng, nên chi tiết của tác vụ chuyên sâu không tràn vào phiên chính. Phiên chat chính vì thế luôn gọn, dễ theo dõi, dễ kiểm soát.
Đây không phải khái niệm mới. Các coding agents đã làm việc theo mô hình multi-agent từ lâu: mỗi agent đảm nhận một mảnh việc, sau đó gửi kết quả về agent điều phối. Repo VoltAgent không tạo ra pattern đó; nó đóng gói pattern thành các file TOML chuẩn. Điểm cộng là bạn không cần nghĩ cách viết prompt dài, chỉ cần chọn agent phù hợp rồi gọi tên.
Việc phối hợp subagent trong Codex cũng gần giống pattern dùng nhiều agent trong các pipeline truyền thống: khác biệt nằm ở chỗ bạn điều phối bằng ngôn ngữ tự nhiên thay vì code. Kiểm chứng nhanh: mở một repo lớn, giao code-mapper dò luồng dữ liệu, giao reviewer đọc diff, rồi so sánh độ dài và chất lượng output sau khi gộp.
Subagent TOML nào đáng copy ngay cho dự án Python và DevOps?
Nếu stack của bạn là Python, hãy bắt đầu từ python-pro, api-designer và code-reviewer. Nếu bạn làm DevOps, hãy lấy sre-engineer, terraform-engineer và security-auditor. Nhóm agent này có mô tả rõ ràng, model routing cụ thể và sandbox an toàn. Bạn copy ba file, dùng thử một tuần, rồi mới quyết định mở rộng sang các vai trò khác.
Repo hiện có hơn 171 subagent, chia thành 13 danh mục: Core Development, Language Specialists, Infrastructure, Quality & Security, Data & AI, Developer Experience, AI Governance, Platform Engineering, LLMOps… Nhưng đừng cài toàn bộ. Mỗi agent khi được Codex liệt kê sẽ chiếm một dòng trong danh sách gợi ý, nên bộ sưu tập 20 agent vừa vặn còn dễ dùng hơn kho 200 agent rối mắt.
Bạn chỉ cần clone repo rồi copy file .toml vào ~/.codex/agents/. Codex quét thư mục này khi phiên mới bắt đầu. Mẹo nhỏ: đặt tên file trùng với tên agent, ví dụ python-pro.toml, để tránh lỗi khi gọi. Nếu dùng agent theo dự án, copy vào .codex/agents/ trong repo, bản này sẽ được ưu tiên hơn bản toàn cục khi trùng tên.
Thực tế, bạn có ba hướng triển khai subagent, không chỉ một. Bảng dưới đây so sánh chúng theo thời gian bắt đầu, mức kiểm soát và nhóm người dùng phù hợp.
| Hướng triển khai | Thời gian bắt đầu | Mức kiểm soát | Phù hợp với |
|---|---|---|---|
| Copy TOML từ awesome-codex-subagents | Dưới 5 phút cho agent đầu tiên | Model và sandbox được khai báo sẵn, bạn chỉ cần đọc lại | Cá nhân hoặc team muốn chuẩn hoá quy trình nhanh |
| Tự viết custom agents | 1–2 giờ cho agent đầu tiên | Toàn quyền prompt, model, sandbox; dễ sai cú pháp | Dự án có quy trình nội bộ đặc thù |
| Multi-agent qua Responses API | Vài ngày nếu chưa quen API | Model tự tạo subagents và gộp kết quả; ít thao tác tay | Sản phẩm phần mềm cần chạy agent theo lập trình |
Ba hướng trên đều dùng chung nền tảng custom agents – agent có prompt riêng, model riêng và phạm vi nhiệm vụ hẹp. File TOML trong awesome-codex-subagents giúp bạn không phải viết những thứ đó từ đầu. Nếu sau này cần agent tự sinh ra để xử lý tác vụ con, bạn chuyển sang Responses API; còn nếu chỉ cần agent phụ trợ trong lúc code, repo này là đủ.
Vì sao Smart Model Routing và sandbox read-only lại quan trọng khi chạy hơn 170 subagent?
Vì sai lầm nhân với 171 sẽ thành thảm hoạ. Một auditor model yếu có thể bỏ sót lỗi nghiêm trọng. Một agent được phép ghi file có thể sửa nhầm code chỉ vì prompt tối nghĩa. Smart Model Routing và sandbox read-only là hai lớp phòng thủ giúp bạn giảm rủi ro gần về bằng không, ngay cả khi chạy hàng loạt subagent trong cùng một ngày.
Smart Model Routing trong repo gán sẵn model theo nhóm tác vụ. Chẳng hạn, gpt-5.4 được dùng cho việc suy luận sâu như kiểm toán bảo mật; gpt-5.3-codex-spark dành cho tra cứu và tổng hợp nhanh. Bạn không cần nhớ model nào mạnh, model nào tiết kiệm. Việc chọn model đã được người viết config quyết định hộ bạn, dựa trên đặc thù từng danh mục trong repo.
Sandbox read-only lại quan trọng ở chiều ngược lại. Reviewer, auditor trong repo thường được đặt sandbox_mode = "read-only", nghĩa là Codex chỉ được đọc file để phân tích, không được sửa. Developer agent thì được phép ghi workspace. Nhờ đó, bạn có thể cho security-auditor chạy trong CI mà không sợ nó tự commit thay đổi. Hãy mở từng file .toml trước khi dùng và đối chiếu với tài liệu Codex agents của OpenAI.
Làm sao để xây dựng quy trình PR review song song với nhiều subagent Codex?
Giao code-reviewer đọc toàn bộ diff, giao security-auditor rà soát dependency, sau đó yêu cầu Codex gộp hai báo cáo thành một danh sách ưu tiên. Các agent nhận cùng một codebase nhưng mỗi agent có ngữ cảnh riêng, nên có thể chạy song song rồi trả kết quả về phiên chính. Bạn không cần viết script phức tạp, chỉ cần một prompt giao việc rõ ràng.
- Chạy: “Use code-reviewer and security-auditor to review current branch. Write output to docs/review-code.md and docs/review-security.md”.
- Trong lúc code-reviewer kiểm tra logic, security-auditor quét dependency và các điểm xử lý input.
- Sau khi cả hai hoàn tất, gọi tiếp: “Summarize both reports into a prioritized fix list”.
Điểm mạnh của quy trình này là agent switching: bạn chuyển giữa code-reviewer, security-auditor và docs-researcher trong cùng một phiên mà không mất trạng thái. Mỗi agent là một custom agent riêng, lưu output ra file nên không đè lên ngữ cảnh của nhau. Cách làm này cũng gần với hướng tự động hoá phần kiểm tra chất lượng bằng AI: agent giúp phát hiện vấn đề nhanh, còn con người giữ quyền quyết định cuối.
Với dự án chuyên sâu như transformer-based anomaly detection, bạn có thể mở rộng thành ba nhánh: data engineer xử lý dataset, ml researcher dựng baseline, performance engineer kiểm tra inference. Mỗi agent chạy một tác vụ độc lập rồi gộp kết quả đối chiếu. Lưu ý: hành vi spawn subagent có thể thay đổi giữa các phiên bản Codex, nên hãy cập nhật CLI thường xuyên trước khi đổ lỗi cho config.
Từ awesome-codex-subagents tới ChatGPT Work và Responses API: multi-agent đang thành tính năng chính thống
Nếu bạn nghĩ subagent chỉ là sáng kiến cộng đồng quanh Codex CLI, hãy nhìn lại bức tranh lớn. OpenAI đã phát hành Codex CLI mã nguồn mở trong repo openai/codex, đưa subagent workflow vào ChatGPT Work, và mở rộng multi-agent qua Responses API. Kho VoltAgent vì thế không phải đích đến, mà là bước đệm giúp bạn làm quen trước khi chuyển sang hệ thống chính thức.
ChatGPT Work cho phép tạo nhiều custom agents và gọi chúng theo subagent workflows ngay trong giao diện. Bạn không cần đụng tới TOML, không cần nhớ model nào dành cho việc nào. Tiêu chí agent switching nhanh và giữ ngữ cảnh xuyên suốt được OpenAI đặt làm trọng tâm. Với người mới, ChatGPT Work dễ tiếp cận hơn hẳn CLI; với người đã quen CLI, nó là lớp giao diện bổ sung chứ không thay thế.
Responses API lại dành cho lập trình viên muốn tự động hoá. Trong luồng multi-agent qua API, model có thể tự tạo subagents, giao mỗi agent một tác vụ con và gộp kết quả trước khi trả lời. Đây là hướng mở rộng tự nhiên nếu bạn đang xây sản phẩm phần mềm. Awesome-codex-subagents phù hợp hơn cho workflow cá nhân, còn Responses API phù hợp khi bạn cần scale theo lập trình.
Trên GitHub, các issue của openai/codex thỉnh thoảng ghi nhận hành vi khác nhau khi chạy subagents với model cụ thể. Vì vậy, đừng coi bất kỳ file TOML nào là bất biến. Hãy xem chúng như bản thiết kế tham khảo do VoltAgent và cộng đồng bảo trì, và luôn kiểm tra lại bằng phiên bản Codex bạn đang cài. Cách dùng tốt nhất là bắt đầu nhỏ, đo kết quả, rồi mới nhân rộng.
Muốn thử nhanh? Clone repo VoltAgent, chọn ba agent trong nhóm Core Development, chạy trên một repo cá nhân. Muốn đi xa hơn? Học Responses API. Muốn team cùng dùng? Thử ChatGPT Work. Quan trọng nhất là bạn biết đang giao việc cho ai và agent đó có đúng quyền hạn cần thiết hay không.
Câu hỏi thường gặp
Codex subagents có tự động chạy khi tôi chat không?
Không. Bạn phải chỉ định tên subagent trong prompt, ví dụ: “Have the reviewer check this PR”. Codex được thiết kế để không tự ý spawn agent nhằm tránh tiêu tốn token ngoài ý muốn. Nếu muốn dùng nhiều agent cùng lúc, hãy nói rõ từng vai trò và file output tương ứng.
Tôi có thể tự viết subagent TOML ngoài bộ sưu tập không?
Được, và repo VoltAgent là tài liệu mẫu tốt. Bạn tạo file .toml, khai báo name, description, model và instructions rồi đặt trong thư mục agent. Sau đó kiểm tra bằng một tác vụ nhỏ trước khi dùng thật. Cấu trúc TOML không khó, nhưng cần đọc tài liệu Codex agents để tránh sai field.
Subagent toàn cục hay theo dự án, chọn cái nào?
Global agent đặt trong ~/.codex/agents/ dùng được cho mọi repo; project agent đặt trong .codex/agents/ của repo hiện tại. Nếu trùng tên, project agent được ưu tiên. Cách tốt nhất là dùng global cho vai trò chung như code-reviewer, dùng project cho agent đặc thù của stack riêng.
Subagent trong repo có an toàn để chạy tự động trên CI không?
Một số agent có sandbox_mode read-only nên an toàn cho CI review. Nhưng repo không cam kết bảo mật toàn bộ. Bạn phải mở từng file, kiểm tra quyền ghi và model được gọi trước khi tích hợp vào pipeline. Bắt đầu từ agent không cần ghi file, sau đó mới mở rộng phạm vi.
