Claude Code 加 Codex 的驱动/工作者模式：生产环境实战
Claude Code（Opus）做驱动者负责规划，Codex（GPT-5.5）做工作者执行机械任务——这套层级编排在复杂重构、WordPress 迁移和 SaaS 重建中持续验证可行。本文解释这套模式的结构和适用边界。
经过复杂重构、完整 WordPress 迁移和从零开始的 SaaS 重建验证，一套层级模式被证明持续有效：Claude Code（Opus 4.7）是驱动者，Codex（GPT-5.5）是工作者。驱动者规划，把执行任务委托给工作者，从工作者获取结果，推理决定下一步。这不是并行模式，而是层级模式——驱动者始终持有全局视图，工作者只看到被分配的具体任务。
为什么是层级而不是并行
并行模式适合独立任务（各自不依赖对方的结果）。层级模式适合有顺序依赖的复杂任务：
- 步骤 N 的输入依赖步骤 N-1 的输出
- 每一步都需要根据前一步的实际结果重新规划
- 任务之间有状态共享（数据库 schema、API 约定、业务逻辑约束）
驱动者（Claude Code）持有这个全局状态，工作者（Codex）只需要执行当前这个范围清晰的子任务。
角色分工
Claude Code（驱动者）承担：
- 理解全局目标和约束
- 把大任务分解成工作者能处理的子任务
- 审查工作者返回的结果，决定是否接受或要求修改
- 根据结果调整后续计划
Codex（工作者）承担：
- 接收范围明确的任务（一个文件、一个模块、一类变换）
- 在终端里长时间运行不中断（45 分钟以上的连续执行）
- 以较低的 token 成本完成机械性变换
- 把结果和未解决的问题干净地返回给驱动者
分工逻辑：工作者不需要持有全局图景，只需要一个范围明确的任务、长时间运行的能力和把结果干净汇报的纪律。Codex 的终端自主性和 token 效率适合这个角色。
哪些任务适合委托给工作者
| 委托给 Codex | 保留给 Claude Code |
|---|---|
| 长终端运行、机械变换 | 架构决策 |
| 可并行化的子任务 | 跨上下文的推理 |
| 45 分钟以上的连续执行 | 结果审查和综合 |
| 低 token 成本的批量处理 | 整体规划调整 |
| 不需要全局视图的范围任务 | 最终 PR 和提交决策 |
通信结构
用户 ← 只和驱动者交互 → Claude Code（Opus · 驱动者）
↓ spawn
Codex（GPT-5.5 · 工作者）
↓ 结果/diff/测试结果/未解决问题
Claude Code 重新读取
↓ 整合进计划，决定下一步
工程师只和驱动者直接交互。工作者看到的是驱动者，不是用户。这个拓扑结构让循环闭合：Claude Code 是工程师和代理系统之间唯一的接触点。
结果审查是内置的，不是附加步骤
这套拓扑结构一个重要的副作用：结果审查是自然内置的，不需要单独的"跨模型审查流水线"。驱动者在把工作者的输出整合进计划之前，必然要重新读取它。跨代理覆盖是结构的副产品，而不是人工添加的步骤。
对比单代理模式：单代理自我审查自己的输出，缺乏"换个视角"的效果。驱动者审查工作者输出，天然带来了不同上下文、不同规划逻辑的二次检验。
实际案例数据
在测试的场景（复杂重构、数据库迁移、SaaS 重建）中：
- 驱动者持有全局状态，工作者只执行子任务，减少了"AI 忘了之前约定什么"的问题
- 机械性任务委托给工作者后，驱动者的上下文窗口压力显著减少
- 长时间运行的工作者任务（45 分钟+）中断驱动者的概率从高变低，因为驱动者可以在等待期间处理其他事情
与 Codex Cloud 沙箱的对比
Codex 也有云端沙箱（在 OpenAI 基础设施里运行任务），和本地终端 CLI 是两种模式：
| 本地 CLI（驱动/工作者） | 云端沙箱 |
|---|---|
| 能访问本地文件和工具 | 隔离沙箱，无法访问本地 |
| 适合需要读本地代码库的任务 | 适合独立的、可并行的任务 |
| 结果直接写入本地文件系统 | 结果以 PR 形式返回 |
| 延迟低，本地执行 | 延迟高，但支持真正并行 |
常见问题
问：这套模式需要特定版本的 Claude Code 或 Codex 吗？ 答：验证时使用的是 Claude Code（Opus 4.7）+ Codex（GPT-5.5），但模式本身不依赖具体版本。关键是驱动者有能力做规划推理，工作者有能力长时间自主执行终端任务。
问：如果工作者任务失败，驱动者如何知道？ 答：工作者在报告文件里描述失败情况和未解决的问题，驱动者读取后重新规划。这要求工作者的任务指令里明确约定"遇到障碍时的报告格式"，不能只写"完成了就汇报"。
问：这比单独用 Claude Code 贵吗？ 答：总 token 消耗差不多，但分布不同：驱动者用昂贵模型做规划和审查，工作者用相对便宜的模型做执行。如果工作者的任务体量大，总成本可能反而更低（Codex 的单 token 成本低于 Opus）。