隨著 AI 編程工具快速成熟，開發流程也開始從使用單一 Coding Agent走向多個 AI 分工協作。此篇文章分享一套由 Codex 與 ChatGPT Pro（GPT-5.6 Sol Pro）組成的雙 AI 編程工作流：由 Codex 擔任 PM、Tech Lead 與 QA，負責理解需求、拆解任務、操作工具與驗收成果；ChatGPT Pro 則扮演高階工程師，專注於架構設計、深度分析與程式碼撰寫，藉由明確分工提升程式碼品質與開發效率。
文章指出，過去使用 ChatGPT Pro 處理大型程式專案時，開發者必須自行整理原始碼、上傳檔案、傳遞錯誤訊息，再將修改內容帶回本地測試，人類反而成為流程中最耗時的中介者。隨著 Codex 具備瀏覽器操作與多任務能力後，作者改由 Codex 自行操作 ChatGPT Pro，讓它負責準備專案資訊、分派任務、追蹤結果與回報錯誤，減少大量人工搬運資訊的工作。這套工作流最重要的概念，在於將寫與驗分離。此篇文章認為，目前許多 Coding Agent 同時負責產生程式碼與驗證自己的成果，容易產生類似自己批改自己考卷的問題。因此，ChatGPT Pro 完成程式碼後，Codex 不會直接接受結果，而是回到本地環境執行 lint、型別檢查、單元測試、建置及 E2E 等驗收流程。若發現錯誤，再將具體日誌與問題位置交回 ChatGPT Pro 修正，持續反覆直到符合驗收標準。
在角色配置方面，此篇文章也提出一項重要觀點：負責 Orchestration 的 Agent 不一定需要使用最強大的模型。任務拆解、工具調用、測試與進度管理更重視穩定性與執行能力，而架構設計、複雜邏輯與大量程式碼生成等需要深度推理的工作，再交給高能力模型處理。這種讓快的負責協調、讓深的負責思考的設計，也呼應多 Agent 系統中依任務特性分配模型的發展方向。此外，文章提供完整 Prompt 範例，涵蓋原始碼整理、敏感資訊排除、任務分派、獨立驗收及 Git、部署等權限邊界，協助使用者建立較安全的自動化流程。不過，作者也提醒，目前對 ChatGPT Pro 與 Codex 的算力差異、用量計算方式及部分網路環境影響仍缺乏完整驗證，且這套流程較適合後端、架構與複雜邏輯任務，未必適用於需要即時視覺預覽的前端工作。
整體而言，此篇文章的重點並非比較哪個 AI 模型最強，而是說明如何透過合理分工，讓不同 AI 各自負責最擅長的工作。當規劃、撰寫與驗收逐漸由不同 Agent 協作完成，AI 編程也開始從單一工具使用，走向更接近真實軟體團隊的多 Agent 協作模式。
閱讀完整文章：https://ai-coding.wiselychen.com/codex-chatgpt-pro-dual-agent-workflow/
