如何讓本地 AI agent 在推理途中呼叫 Codex CLI？

在 agent 的 tool list 定義 callhelp。實作方式是 spawn 'codex --full-auto -q " "' 作為 subprocess，把 stdout 當成 tool result 回傳。--full-auto flag 不可省略——沒有它，Codex 會暫停等待 permission 確認，在沒有 TTY 的 subprocess 裡會永遠 hang 住。

為什麼給 AI agent 的 help-call tool 用 Codex 而不是 Claude？

Claude 的 API quota 和個人使用是共用的。Agent loop 燒 token 的速度可能比預期快很多。把 Codex 給 agent 用，消耗的是獨立 API key 的獨立預算——就算 agent 超支，燒的是 Codex token，不是自己的。

在 agent loop 裡把 Codex CLI 跑成 subprocess 需要哪些 flag？

--full-auto 和 -q 都必須要。--full-auto 關掉所有 permission prompt（沒有 TTY，agent loop 會永遠等待永遠不會來的輸入）。-q 抑制互動式 UI 輸出。少一個，subprocess 就會 hang 住或產生無法解析的輸出。

AI agent 應該在什麼情況下使用 callhelp？

Agent 自己認識到有能力缺口時：對程式碼正確性不確定的 code generation 任務、沒遇過的 debug 錯誤、或較不熟悉的 domain。由 agent 自己決定——callhelp 只是 loop 裡的一個可用 tool，不是硬性 routing 規則。

[AI Agent] openclaw：Agent 卡住的時候，叫 CLI 來幫

前言

每個本地 agent 都有天花板。大部分任務跑得動，但偶爾會出現一個問題：需要更強的推理、更準的 code generation，或者只是一個對這個 domain 訓練更多的模型來給第二意見。標準答案是把那些任務丟給 cloud API。比較少人想到的答案是讓 agent 自己做這個決定——在推理途中 spawn 一個 CLI tool，讀回 stdout，繼續跑。

這就是 openclaw 裡 callhelp 在做的事。Agent 有一個 tool。Tool 跑 Codex。結果當成 tool response 回來。Agent 繼續。

callhelp Tool 是什麼？

callhelp 是 yui tool list 裡的一個自定義 tool definition。傳進一個 prompt，spawn codex 當 subprocess，把 stdout 當 tool result 回傳。就這樣。

什麼時候用由 agent 自己決定。沒有 keyword 觸發，沒有規則。yui 遇到自己沒有把握的東西，就呼叫這個 tool。能自己處理的，就不叫。

為什麼是 Codex 不是 Claude

我給 agent 用的是 Codex。Claude 的 quota 是我自己的。

這就是全部的原因。Claude CLI 在某些任務上更強，但 quota 跟我自己的工作共用。Codex 跑在另一個 API key 上。如果 yui 在 agent loop 裡燒掉一堆 token，燒的是 Codex 的——不是我的。

實際差距不大。Codex 處理 code generation、debug、結構化推理都夠用。callhelp 的使用場景——補上 agent 自己推理的缺口——它能勝任。

哪個 Permission Flag 讓 callhelp 真正可用？

Codex 跑在 agent loop 的 subprocess 裡，旁邊沒有人可以按 y。

Codex 預設行為是執行任何動作前先暫停、等確認。在沒有 TTY 的 subprocess 裡，這個暫停會一直等下去。Agent timeout。任務靜靜地失敗，或是吐出一個看不懂的錯誤。

解法：帶 full auto-approval 跑 Codex：

codex --full-auto -q "你的 prompt"

--full-auto 跳過所有 permission prompt。-q 關掉互動式 UI 輸出。少了任何一個，subprocess 就掛住。

這是讓 callhelp 真的能用、而不是理論上能用的唯一設定細節。

Agent 什麼時候會用它

callhelp 不是什麼都叫。Agent 在認出自己有缺口的時候才會用：

不確定正確性的 code generation 任務
沒見過的 error 要 debug
Prompt 暗示一個它比較沒把握的 domain

關鍵是 agent 自己決定。沒有硬性的 routing 規則——只是 loop 裡多一個可用的 tool，然後 model 自己夠清醒知道什麼時候伸手。

實際長什麼樣子

一次典型的 callhelp 呼叫，從 agent 的角度：

任務進來：「修這個 function 的 bug」
Agent 看了 code，判斷問題很微妙
Agent 呼叫 callhelp，把 function 和 error message 當 prompt 傳進去
Codex 跑：分析，回傳修法加解釋
Agent 讀回結果，吸收，繼續完成任務

從外面看，agent 修好了 bug。從裡面看，它把難的部分外包給更強的工具，然後用那個答案繼續走。

這個 Pattern 的本質

AI agent 呼叫另一個 AI 求助，不是新概念，但在本地 agent 架構裡用得很少。大多數人把本地 model 跟一組固定的 tool 連在一起——搜尋、執行程式碼、讀寫檔案。「其中一個 tool 可以是另一個 model 的 CLI」這一步，很少人跨出去。

為什麼有效：Codex 不是萬能的 oracle。它是一個有特定強項的特定工具。callhelp 不是把所有東西都丟給它——只是那個子集，剛好是它的強項能補上的。這就是你用任何一個專門工具的方式。

Quota 的問題是實務面。不管你給 agent 用哪個 CLI，把預算和自己的用量分開。Agent loop 燒 token 的速度可以比你預期快很多。

Setup Checklist

在 agent 的 tool list 裡定義 callhelp
實作：spawn codex --full-auto -q "<prompt>" 當 subprocess，回傳 stdout
設 timeout——就算 subprocess 還是掛住，要能乾淨地失敗
API key / quota 跟個人用量分開
先獨立測試這個 tool call，再接進 loop

--full-auto 是不能省的。其他都是設定問題。

前言