# Claude Max 20x 坚持不到第四天，这就是为什么我站Codex

**Summary:** Claude Max 20x 的周配额在第四天见底，返工却越来越多，于是我把主要编程工作迁到 Codex。现在由 Sol 规划、Luna 实现、Dense-Mem 补充上下文，再让其他模型家族审查。

- Canonical: https://markhuang.ai/zh/blog/why-i-cancelled-claude-max-for-codex
- Language: zh-CN
- Author: [Mark Huang](https://markhuang.ai/about)
- Published: 2026-08-08
- Section: AI 与 LLM
- Tags: Claude Code, Codex, GPT-5.6, Agentic Coding, Dense-Mem, 多 AI
- License: https://creativecommons.org/licenses/by-nc/4.0/

---

![Mark 离开四台配额已经见底的不透明编程终端，走向一个可以检查每个环节的 AI 开发工作台](https://cdn.markhuang.ai/blog/why-i-cancelled-claude-max-for-codex/hero.webp)

*到了第四天，我花在盯着配额上的精力，比写代码还多。*

Claude Max 20x 用到第四天，周配额就耗尽了。

当时大概有四个 Claude Code 会话并行运行。确实算重度使用，但这就是我的日常。以前用 Opus 4.5 等模型时，我也这么工作，从没让一周剩下的时间全浪费在等重置上。

[Max 20x 每月 200 美元](https://support.claude.com/en/articles/11049741-what-is-the-max-plan)。我没指望过无限配额，但至少以为 Claude 最贵的个人套餐能撑过我正常的一周工作。

更麻烦的是，以前一次就能做对的功能，现在要反复解释和返工。我多花了好几轮对话，最后才回到以前第一遍就能得到的结果。如果这四天真的产出了更多完成品，我可能还能接受。实际上并没有。

这两件事加在一起，我退订了 Claude Max，把主要的编程工作迁移到了 Codex。

## 哪些是事实，哪些只是我的感觉

到现在我也说不准 Anthropic 有没有真的把旧模型变差。我的感受很明确：每次新模型发布，旧版本在我的会话里就像突然变笨了一截。但提示词变化、Claude Code 更新、项目变长、记忆偏差，甚至我自己的要求越来越高，都可能造成同样的感觉。我没有证据证明这是故意降智。

退订之前，我不需要先解开这个谜。我只需要判断，这个产品对我的工作还值不值每月 200 美元。

[Opus 4.7](https://www.anthropic.com/news/claude-opus-4-7) 是我耐心用完的那一版。Anthropic 公布的多项基准都高于 Opus 4.6，发布页面引用的早期用户也感受到了提升。但我的返工却变多了。那些提升没有出现在我的代码库里，续不续费只能按我自己的使用结果来决定。

配额本身也很难规划。Anthropic 说明，用量会随着对话长度、任务复杂度、启用功能、模型和推理强度变化。Max 20x 说的是每个会话相对 Pro 的配额，套餐另外还有周限制，也可能出现其他上限。它没有给出一个固定的每周 Token 数，让我知道 200 美元到底能换来多少工程工作。

Opus 4.7 的消耗方式也可能不同。Anthropic 表示，新分词器会让同一段输入变成大约 1.0 到 1.35 倍的 Token。推理强度越高，输出也会更多，Claude Code 还把 Opus 4.7 的默认强度调到了 `xhigh`。这解释不了用量里的每一个百分点，但至少能说明为什么其中一部分消耗变快了。

原因到底是哪一个，账单和返工时间都还是我的。用量显示只告诉我什么时候归零，不会告诉我做出一个能接受的实现究竟要花多少。

## Codex 第一眼甚至有点像没做完

我刚打开 Codex TUI 时，总觉得少了点东西。Claude Code 已经让我习惯状态栏和一大堆打磨过的命令。Codex 只给了一个干净得近乎空白的界面，想看状态还得记得自己打开 `/status`。

真正开发时，我在意的东西其实都有：Plan Mode、代码库工具，还有 `--yolo`。我只在容器里用 `--yolo`，破坏范围已经提前限制住。界面虽然朴素，规划、改代码、跑检查和看结果都能完成。

我用了很久自己的 [Golden CLAUDE.md](https://github.com/Z-M-Huang/golden-CLAUDE.md)，于是把那些规则复制到 `AGENTS.md`。先读再改，明确风险，控制补丁范围，完成后验证，别把自信当证据。换了工具，工作约定没有换。

真正让我喜欢上 Codex 的是 GPT-5.4。它说话直接，不会先花一段篇幅安慰我的情绪再开始干活。计划写好之后，它通常能照着执行。我纠正了一步，它也不会过几轮又偷偷漂回原来的想法。

我开始同时跑五到八个会话，有时一天二十四小时不停。快到周重置时，配额经常还剩 30%、40%，甚至 50%。GPT-5.5 也差不多，尽管我大部分时间都用 `xhigh`。每次看到剩余额度，我都会怀疑自己是不是还不够疯狂，居然没把它用完。

这些数字只代表我的账号、代码库和任务组合，不是什么供应商基准测试。但在我的工作周里，Codex 确实让我做完了更多事情，之后才需要操心配额。

## Sol 是第一个让我开始省着用的 Codex 模型

![Mark 看着一台大型规划机器把详细蓝图交给一台更小的实现机器人](https://cdn.markhuang.ai/blog/why-i-cancelled-claude-max-for-codex/sol-luna-handoff.webp)

*昂贵模型先把歧义清掉，便宜模型接手的实现任务就窄得多。*

`max` 模式下的 GPT-5.6 Sol 是一头吞 Token 的怪兽。它很聪明，也真的很慢。

Sol 写出来的计划可以非常细。可要是连每一行实现都交给它，尤其看着周配额往下掉时，我会觉得太浪费。我在[另一篇文章](/blog/what-ai-benchmarks-actually-measure)里专门写过跑分和配额之间的矛盾感。Sol 是第一个让我认真考虑该把强模型用在哪一步的 Codex 模型。

后来我让 Sol Max 规划，GPT-5.5 实现。组合本身很好用，切模型却很麻烦。Claude Code 有 `/model opusplan`，可以让 Opus 规划、Sonnet 执行。Codex 当前的配置参考只有 [`plan_mode_reasoning_effort`](https://learn.chatgpt.com/docs/config-file/config-reference)，没有对应的 Plan Mode 模型设置。离开 Plan Mode 后，我得手动切换。

接下来试的是 GPT-5.6 Terra Max。实现能力够用，偶尔却会提示模型容量不足。更烦的是，这类提示特别喜欢在我睡觉后出现。第二天早上醒来，goal 可能已经原地停了几个小时。

我早就知道 Luna 存在，只是一直没认真考虑。便宜的实现模型以前坑过我。后来 OpenAI 降了 Luna 的 API 价格。[GPT-5.6 刚发布时](https://openai.com/index/gpt-5-6/)，Luna 每百万输入 Token 是 1 美元，输出是 6 美元。[现在分别是 0.20 美元和 1.20 美元](https://developers.openai.com/api/docs/models/gpt-5.6-luna)，降了 80%。API 价格和我的订阅配额不是一回事，但这次降价足以让我动手试试。

## 这次是我错看了 Luna

我不信任便宜模型不是没原因。以前我试过让 Opus 规划、Sonnet 实现。Opus 的计划写得很好，Sonnet 却可能误解一个边界，自己绕过验收条件，然后整项改动迅速跑偏。Anthropic 现在也把[用 Opus 规划、Sonnet 执行](https://support.claude.com/en/articles/14552983-models-usage-and-limits-in-claude-code)列为常用方案。它可能很适合别人，但我已经不敢把实现放心交给那个便宜模型。

我原以为 Luna Max 也会重复同样的问题。结果没有。对，这次是我错了。

目前的 [Artificial Analysis 对比](https://artificialanalysis.ai/models/comparisons/gpt-5-6-luna-vs-gpt-5-4)给 GPT-5.6 Luna Max 的 Intelligence Index 是 52，GPT-5.4 xhigh 是 53。Luna 在这份对比中更快，也便宜得多。一分的综合跑分差距不代表两个模型可以互换，不过它能解释为什么 Luna 用起来经常很接近 GPT-5.4，价格却完全不像。

还有一个原因是我交给 Luna 的任务已经变了。Sol 先调查代码库，再把计划写清楚。Dense-Mem 补上过去的决定和项目知识，省掉重复调查。到了 Luna 手里，文件范围、现有模式、限制条件、执行顺序和验收检查都已经确定。它能自由发挥的地方少了，自然也更难发明一个错误方案。

这就是我现在每天怎么用 [1+1 假说](/blog/the-1-plus-1-hypothesis)：强模型先把问题缩小，便宜模型再在边界内实现。计划里有一句写得含糊，Luna 照样可能出错，所以代码还要经过审查和测试。即使把这些成本算进去，它还是让我重新对便宜模型有了一点期待。

## 我现在使用的组合

![Mark 指挥一排外形各异的 AI 审查者，代码随后进入自动化测试关卡](https://cdn.markhuang.ai/blog/why-i-cancelled-claude-max-for-codex/review-pipeline.webp)

*审查者会互相反对，也会一起犯错。最后还是要回到代码和测试。*

| 阶段  | 我用什么                            | 可能出什么问题         | 我怎么检查                      |
| --- | ------------------------------- | --------------- | -------------------------- |
| 上下文 | Dense-Mem 加代码库                  | 旧决定可能把任务带偏      | 用当前代码和需求核对召回内容             |
| 规划  | GPT-5.6 Sol Max                 | 计划很细，也可能瞄准了错误目标 | 实现前检查范围、风险、文件和验收条件         |
| 实现  | GPT-5.6 Luna Max                | 含糊的步骤可能让它照搬错误模式 | 限制任务范围，在有效改动后运行检查          |
| 审查  | 十到十五个使用 Qwen、MiMo、GLM 等模型家族的智能体 | 噪音、重复意见和自信的误报   | 逐条回到代码和原始意图核实，不按票数决定       |
| 验证  | 测试、Lint、构建和针对性的运行检查             | 全绿也可能只是没测到那个行为  | 测试真实逻辑和验收条件，不测试 Mock 出来的成功 |

`ultra` 不是我的风格。太多智能体替我做事，我却不够清楚谁正在做什么，这种控制方式让我不舒服。我宁愿自己选规划模型，限制实现模型的范围，再决定把结果交给哪些审查智能体。

我通常会跑十到十五个审查智能体，随手把它们叫作「随机模型」：Qwen、MiMo、GLM，还有别的模型家族。这里的随机，是指我会混用不同模型家族，不会只找 GPT。每条意见仍然要回到代码里核实。不同家族有机会发现 GPT 的盲点，这也是我在[《多 AI 假说》](/blog/the-multi-ai-thesis)里的观点，但十个智能体同样可能给我十条错误意见。有测试的地方，我以测试结果为准。

## 为什么我不把它叫作 Vibe Coding

我不喜欢用「Vibe Coding」形容这种工作。这个词听起来像是，写提示词的人不理解系统，只因为演示效果看着不错就接受结果。我做的不是这个。

智能体确实写了大量代码。系统应该做什么、哪些取舍我能接受、什么证据足以交付，仍然由我决定。我会读计划，检查审查意见，也会让测试真正覆盖我关心的行为。结果错了，责任还是我的。

如今大部分键盘工作都由智能体完成。我仍然选择上下文、拆分任务，也决定什么时候才算做完。「Agentic Coding」是我目前能找到最不容易误解的名字。