Codex 為什麼總是先重連幾次才回答、為什麼這麼慢:重試次數、推理強度、Fast 模式和長對話的官方說明

Codex 回答前總先重連好幾次,或者整體很慢?官方沒有單獨解釋「重連 5 次」,但配置參考寫明流式重試預設 5 次,速度頁說明了 Fast 模式和代價,模型頁說明了推理強度越高越慢。本文按官方說法列出能調的幾項和判斷順序。

NNathaniel bigo··原創首發·AI 輔助撰寫
11 分鐘讀完
資料核對於 2026-11-13 · 依據官方文檔與公開資料整理 Plus 帳號

結論先說

  1. 「先重連 5 次」沒有官方的單獨解釋。 能對上的只有配置參考裏一條:自定義模型提供方的流式重試次數 stream_max_retries,預設值是 5。這只是數字對應,不能直接當成原因。
  2. 連接問題和算得慢是兩類問題。 前者看網絡、狀態頁和連接方式;後者看模型、推理強度、對話長度和速度檔位。
  3. 推理強度越高,越慢,也越費 token。 官方原話要點:更高的推理強度會增加響應時間和 token 用量,可能提高複雜任務的質素。
  4. Fast 模式能提速,但要多耗額度。 官方說明對支持的模型,Fast 模式使用的訂閱額度是標準速率的 2.5 倍。
  5. 對話越長越要整理。 用 /compact 把前面的內容壓縮成摘要,釋放上下文。

Codex 回答慢時的判斷圖:先重連、推理強度、長對話、Fast 模式、模型選擇各自怎麼處理

圖:本站根據 Codex 官方文檔《Speed》 整理的示意圖

本文根據 Codex 官方文檔《Configuration Reference》《Speed》《Models》和命令頁整理,資料核對於 2026-11-13。官方沒有單獨解釋「為什麼總是先重連 5 次才回答」,也沒有給「為什麼慢」一個單一答案,所以本文把官方文檔裏和速度、重試有關的內容拆開列出,幫你按順序排查。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 OpenAI 官方網站。

適用於誰

  • 每次發問題,Codex 先顯示幾次重新連接,才開始輸出的人;
  • 感覺 Codex 整體很慢,想知道哪些設定能讓它快一些的人;
  • 擔心「調快」會多花額度,想先弄清代價的人。

一、先重連幾次:官方能確認的只有這些

先說官方有的:配置參考裏,自定義模型提供方 [model_providers.<id>] 下有這幾項和重試有關的設定:

  • request_max_retries:對提供方發起 HTTP 請求的重試次數,預設 4;
  • stream_max_retries:流式輸出(SSE)被打斷後的重試次數,預設 5;
  • stream_idle_timeout_ms:流式輸出的空閒超時,預設 300000 毫秒,也就是 5 分鐘。

所以如果你看到的是「重試 5 次後才出結果」,數字上和 stream_max_retries 的預設值一致。但是:官方把這些字段寫在「自定義提供方」的配置裏,沒有寫明用 ChatGPT 帳號直接登入時的連接是否使用同樣的次數,更沒有說每次重連的原因是什麼。所以這裏只能說「可能相關」,不能說「就是它」。

連接中途斷開的整套排查(流式連接、代理證書、狀態頁),已經有專門的教學:/guides/codex-stream-disconnected-before-completion,裏面按官方幫助中心的網絡建議排了順序。本文不重複,只給出分流的思路:

  1. 先看官方狀態頁 status.openai.com 有沒有 Codex 或 ChatGPT 的故障;
  2. 如果只有你這邊慢,檢查網絡是否穩定、是否經過公司代理或需要自定義證書的網絡;
  3. 如果你配置了自定義模型提供方,檢查 base_url、密鑰和上面的重試、超時設定是否合理。

二、算得慢:先看推理強度

推理強度決定模型想多久再回答。官方在多代理相關的說明裏給了各檔的使用場景:

  • low:任務很直接、速度最重要時用;
  • medium:速度和深度比較均衡;
  • high:需要梳理複雜邏輯、檢查假設、處理邊界情況時用,例如審查類任務;
  • xhigh、max、ultra:用在特別吃推理的場景,且要所選模型支持這些檔位。

官方同時寫明:更高的推理強度會增加響應時間和 token 用量,但可能提高複雜任務的質素。所以改一個按鈕文案、寫一行註釋這種小事,沒必要開到高檔。

在命令行裏可以用命令直接改當前會話:

text
/model --reasoning=high

官方說明這條命令會保持當前模型,只把推理強度設為高(前提是該模型支持)。換成 --reasoning=low 就是降下來。完整的切換方法見 /guides/codex-switch-model-reasoning-effort。

三、再看模型:按任務選

官方模型頁給出的選擇思路是:先拿一個你熟悉的任務試,比較結果、等待時間和用量,再決定。各模型的定位,按官方寫法:

  • Astra:最難的端到端工作;
  • GPT-6.1 Sol:重複的、長時間運行的工作,成本也要考慮時;
  • GPT-6.1 Terra:日常寫作和視覺類工作;
  • Luna:清晰、可重複的任務,例如提取、分類、轉換和結構化摘要。

另外官方在 Codex 文檔裏還寫明,GPT-6.1 Sol 在 Codex 和 ChatGPT Work 裏預設的上下文窗口是 500,000 個 token。對話裏塞進去的內容越多,每一輪要處理的內容就越多,這是下一節要說的。

四、對話太長:用 /compact

官方命令頁對 /compact 的描述是:總結當前可見的對話以釋放 token,建議在長時間運行之後使用,讓 Codex 保留關鍵點而不撐爆上下文窗口。執行後,早先的輪次會被一段簡明的摘要取代,同時保留關鍵細節。

另外,配置參考裏有自動壓縮的閾值設定 model_auto_compact_token_limit,說明是「觸發自動壓縮歷史的 token 閾值,未設定時使用模型預設值」。一般情況下不需要動它。

經驗上,換了新任務就開新的對話,比在一個對話裏無限延長更利於保持速度和質素,這條是本站建議,不是官方原話。對話怎麼歸檔和刪除見 /guides/codex-delete-archive-chats。

五、Fast 模式:快一點,但額度也快一點

官方速度頁說明:可以用更高的額度消耗換更快的模型速度。

  • 開關:命令行裏輸入 /fast 切換,再輸入一次關閉;也可以用 /statusline 把它顯示在底部狀態欄;
  • 持久設定:在 config.toml 裏寫 service_tier = "fast",並把 [features] 下的 fast_mode 設為 true;
  • 適用範圍:官方說明在你用 ChatGPT 帳號登入的桌面 App、命令行和 IDE 擴展裏可用,並且要當前模型支持。當前模型不提供 Fast 檔位時,Codex 不會顯示 /fast;
  • 代價:對支持的模型,Fast 模式使用的訂閱額度是標準速率的 2.5 倍;購買的額度(credits)和企業按量計費是標準的 2 倍。官方寫明對 GPT-5.6 的提速是 1.5 倍。

官方還有更快的 Ultrafast 檔,但官方寫明它目前只對 Pro $500 和符合條件的企業、教育版開放,其他自助訂閱在發佈時即使購買了額度也不能用。具體名單會變,以官方速度頁為準。

讓 Codex 快一點的幾個手段對比:/fast、降低推理強度、換更輕的模型、/compact 的官方說法與代價

圖:本站根據 Codex 官方文檔《Speed》 整理的示意圖

六、一個排查順序

  1. 看狀態頁和網絡:重連頻繁、斷線,先查這一步;
  2. 看是不是長對話:很長就 /compact 或開新對話;
  3. 看推理強度:小任務降到 low 或 medium;
  4. 看模型:任務清晰且重複,換更輕的模型;
  5. 最後才考慮 Fast 模式,並清楚它會多耗額度;
  6. 額度不夠用時,先弄清楚自己的套餐,見 /guides/codex-usage-limits。

常見問題

Q:開了 Fast 還是慢?

Fast 只是提高生成速度,如果慢在連接或排隊,它幫不上忙。先看第一節。

Q:想用更多額度跑重任務怎麼辦?

Codex 隨 ChatGPT 套餐提供,高強度或 Fast 模式用得多,額度會消耗得更快。需要更多額度時,可以看看本站的 ChatGPT Plus 充值說明 或 ChatGPT Pro 充值說明,價格和額度以官方頁面當前顯示為準。

Q:為什麼同一個問題時快時慢?

官方沒有給出統一解釋。負載、網絡、對話長度和模型選擇都會影響,沒有哪一條是官方保證的。

Q:ChatGPT 網頁版轉圈很久,是同一個問題嗎?

不是,網頁版的排查見 /guides/chatgpt-slow-spinner-single-answer。

相關教學

參考資料

  • Codex 官方文檔:Configuration Reference — https://learn.chatgpt.com/docs/config-file/config-reference
  • Codex 官方文檔:Speed — https://learn.chatgpt.com/docs/agent-configuration/speed
  • Codex 官方文檔:Models — https://learn.chatgpt.com/docs/models
  • Codex 官方文檔:Commands(CLI) — https://learn.chatgpt.com/docs/developer-commands?surface=cli

Nathaniel 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

    搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

    ChatGPT其他 AI 工具0
  2. 02

    多 Agent 的成本為什麼翻倍、怎麼控制:Token 膨脹根源與五項降本措施

    剛把單智能體拆成多 Agent,用量往往暴漲好幾倍。Anthropic 工程報告統計單智能體約為聊天的 4 倍 Token,多智能體可達約 15 倍。本文拆解固定前綴重複加載、歷史搬運、工具鏈定義與緩存失效四大根源,並給出五條實操控費辦法。

    ChatGPTClaude0
  3. 03

    多 Agent 協同開發怎麼落地:「一個寫、一個審」雙代理工作流搭建指南

    多 Agent 協同開發裏投入產出比最高的模式就是「一個寫、一個審」。本文依據 Anthropic 與 OpenAI 官方編碼最佳實踐,講清為什麼同會話自審容易漏問題,以及用只讀子代理、跨模型交叉審查(Claude Code + Codex)和自動化閉環落地的具體方法。

    ClaudeCodex0
  4. 04

    多 Agent 編排模式詳解:編排者-工作者、交接(Handoffs)、並行與評估循環怎麼選

    搜「multi-agent orchestration 中文」會被各家框架的不同術語繞暈。本文對照 Anthropic《Building effective agents》與 OpenAI 智能體指南,把編排者-工作者、去中心化交接、並行分片投票與生成-評估循環四種標準編排拓撲講透。

    ChatGPTClaude0
  5. 05

    多智能體(Multi-Agent)是什麼、什麼時候該用:Anthropic 與 OpenAI 官方判斷標準

    多智能體不是代理越多越聰明。本文依據 Anthropic 研究系統架構文章與 OpenAI 官方智能體指南,講清確定性工作流、單智能體與多智能體的區別,以及哪三類瓶頸才值得上多智能體協同。

    ChatGPTClaude0
  6. 06

    codebase-memory 類 MCP 是什麼、怎麼用:基於語法樹圖譜的本地代碼索引原理與配置

    codebase-memory-mcp(DeusData/codebase-memory-mcp)是一類本地代碼圖譜 MCP 伺服器:用 Tree-sitter 把倉庫解析成函數與調用關係的 SQLite 圖庫,幫編碼助手查調用鏈並省下讀整份文件的額度。

    ClaudeCodex0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~