---
title: "Codex: subagenti a paralelní kódování"
description: "OpenAI Codex přidal subagenty – specializované paralelní agenty pro revizi kódu a průzkum repozitářů. Srovnání s Claude Code subagenty."
date: 2026-03-17
author: "Patrick Zandl"
url: https://www.vibecoding.cz/articles/openai-codex/subagenti-v-open-ai-codex-paralelni-agenti-pro-kodovani/
---

> Markdown verze článku z Vibecoding.cz. HTML verze: https://www.vibecoding.cz/articles/openai-codex/subagenti-v-open-ai-codex-paralelni-agenti-pro-kodovani/
> Přehled veškerého obsahu webu: https://www.vibecoding.cz/llms.txt

# Codex: subagenti a paralelní kódování

OpenAI přidala do svého [Codexu](https://developers.openai.com/codex) podporu subagentů — paralelně běžících specializovaných agentů, kteří řeší konkrétní dílčí úkoly a vracejí hlavnímu agentu stručné shrnutí. Je to reakce na poslední vývoj. Agentní kódovací nástroje přecházejí od jednovláknového modelu práce k orchestraci více specializovaných agentů.

Podobný koncept ostatně nějakou dobu má i [Claude Code](https://code.claude.com/docs/en/sub-agents) od Anthropicu, ale s odlišným přístupem ke konfiguraci i orchestraci. Zatímco Codex definuje vlastní agenty v TOML souborech a vyžaduje jejich explicitní spuštění uživatelem, Claude Code používá markdownové soubory s YAML hlavičkou a umí agenty delegovat i automaticky na základě popisu úkolu. My se ovšem nyní budeme věnovat právě představeným agentům v CODEXu od OpenAI.

## Proč subagenti — problém jednovláknového agenta

Když agentní nástroj zpracovává složitější úkol v jednom vlákně — například zkoumá strukturu repozitáře, píše kód, spouští testy a analyzuje výsledky — kontextové okno se postupně plní průzkumovými poznámkami, záznamy z testů, výpisy chyb a mezivýsledky. Tento jev se v odborné literatuře označuje dvěma termíny. Prvním je **znečištění kontextu**(*context pollution*), kdy se užitečné informace pohřbí pod vrstvou šumu z mezikroků. Druhým je **degradace kontextu**(*context rot*), kdy se výkon modelu postupně zhoršuje, protože narůstající množství méně relevantních dat vytlačuje z pozornosti to podstatné. O problému degradace kontextu podrobněji pojednává [výzkum společnosti Chroma](https://research.trychroma.com/context-rot).

Subagentní architektura tento problém řeší přesunutím hlučné práce mimo hlavní vlákno. Hlavní agent se soustředí na požadavky, rozhodnutí a finální výstupy. Specializovaní subagenti paralelně provádějí průzkum, testy nebo analýzu logů. Každý běží ve vlastním kontextovém okně a hlavnímu agentu vrací jen stručné shrnutí, nikoli surový mezivýstup. Kromě čistšího kontextu to přináší i úsporu času, protože nezávislé úkoly běží souběžně.

## Jak subagenti v Codexu fungují

Codex obsluhuje celou orchestraci: spouštění nových subagentů, směrování instrukcí, čekání na výsledky a ukončení agentních vláken. Když uživatel požádá o paralelní zpracování, Codex počká, dokud nejsou k dispozici všechny výsledky, a poté vrátí konsolidovanou odpověď.

Zásadní vlastností je, že Codex nikdy subagenty nespouští automaticky — vždy vyžaduje explicitní pokyn od uživatele. Formulace typu „spusť tři agenty" nebo „deleguj tuto práci paralelně" slouží jako spouštěč. Subagenti jsou aktuálně viditelní v desktopové aplikaci Codex a v příkazové řádce (CLI), podpora v IDE rozšíření zatím chybí.

Typický příklad promptu pro revizi pull requestu vypadá takto: uživatel zadá šest bodů k prověření (bezpečnost, kvalita kódu, chyby, souběhy, nestabilní testy, udržovatelnost) a instruuje Codex, aby na každý bod spustil jednoho agenta, počkal na všechny a shrnul výsledky. V CLI se lze mezi aktivními agentními vlákny přepínat příkazem `/agent` a přímo ovládat běžící subagenty — zastavit je, přesměrovat nebo uzavřít dokončená vlákna.

Co se týče bezpečnosti a sandboxu, subagenti dědí aktuální nastavení sandboxu od rodičovské session. V interaktivním CLI režimu se schvalovací požadavky z neaktivních agentních vláken zobrazují i při práci v hlavním vlákně. V neinteraktivních režimech akce vyžadující nové schválení selže a Codex chybu propaguje zpět do rodičovského workflow.

## Vestavění a vlastní agenti

Codex obsahuje tři předdefinované agenty:

- **default** — obecný agent jako záložní volba
- **worker** — zaměřený na implementaci a opravy kódu
- **explorer** — pro čtení a průzkum kódové základny

Pro specializovanější potřeby si uživatel definuje vlastní agenty jako samostatné TOML soubory. Projektoví agenti se ukládají do adresáře `.codex/agents/` v repozitáři, osobní agenti do `~/.codex/agents/`. Pokud vlastní agent sdílí jméno s vestavěným, vlastní agent má přednost.

Každý soubor vlastního agenta musí obsahovat tři povinná pole:

| Pole | Typ | Povinné | Účel |
| --- | --- | --- | --- |
| `name` | řetězec | ano | Jméno, pod kterým Codex agenta identifikuje a spouští |
| `description` | řetězec | ano | Popis pro uživatele, kdy má Codex agenta použít |
| `developer_instructions` | řetězec | ano | Hlavní instrukce definující chování agenta |

Volitelná pole zahrnují `model` (volba modelu), `model_reasoning_effort` (úroveň uvažování), `sandbox_mode` (režim sandboxu, například jen pro čtení), `mcp_servers` (připojení MCP serverů) a `skills.config` (napojení na dovednosti). Vynechaná pole se dědí z rodičovské session.

Příklad vlastního agenta pro bezpečnostní revizi v souboru `.codex/agents/reviewer.toml`:

```
name = "reviewer"
description = "PR reviewer focused on correctness, security, and missing tests."
model = "gpt-5.4"
model_reasoning_effort = "high"
sandbox_mode = "read-only"
developer_instructions = """
Review code like an owner.
Prioritize correctness, security, behavior regressions, and missing test coverage.
Lead with concrete findings, include reproduction steps when possible.
"""
nickname_candidates = ["Atlas", "Delta", "Echo"]

```

Pole `nickname_candidates` je volitelné a slouží čistě pro přehlednější zobrazení v uživatelském rozhraní — když běží více instancí stejného typu agenta, uživatel v UI vidí rozlišující přezdívky místo opakujícího se názvu.

## Volba modelu a úrovně uvažování

Codex nabízí dva hlavní modely pro subagenty a tři úrovně intenzity uvažování. Pokud uživatel model ani úroveň explicitně nezadá, Codex se pokusí vybrat vhodnou kombinaci sám na základě povahy úkolu.

| Model | Charakteristika | Typické použití |
| --- | --- | --- |
| **gpt-5.4** | Nejnovější model OpenAI, silné kódování, uvažování i práce s nástroji | Hlavní agent, koordinace víceúčelových úloh, bezpečnostní analýza |
| **gpt-5.3-codex-spark** | Optimalizovaný pro rychlost (vyvinutý ve spolupráci s Cerebras), aktuálně jen pro Pro uživatele | Průzkum kódu, skenování, rychlé shrnutí, pracovní subagenti |

Úroveň uvažování (`model_reasoning_effort`) ovlivňuje hloubku analýzy, dobu odezvy i spotřebu tokenů:

| Úroveň | Kdy použít |
| --- | --- |
| **high** | Složitá logika, trasování okrajových případů, bezpečnostní audit |
| **medium** | Vyvážený výchozí režim pro většinu agentů |
| **low** | Rychlost je důležitější než hloubka — jednoduché skenování, formátování |

Doporučený vzor je provozovat hlavního agenta na gpt-5.4 s vysokou úrovní uvažování a pracovní subagenty na gpt-5.3-codex-spark se střední nebo nízkou úrovní. Tím se dosáhne rozumného kompromisu mezi kvalitou výstupu a rychlostí.

## Praktické příklady použití

Dokumentace Codexu uvádí několik vzorových konfigurací, které ilustrují různé scénáře nasazení subagentů.

**Revize pull requestu se třemi agenty.** Tato konfigurace rozděluje práci mezi tři specializované agenty: `pr_explorer` (model gpt-5.3-codex-spark, střední uvažování, režim jen pro čtení) mapuje dotčené cesty v kódu a shromažďuje důkazy. Agent `reviewer` (gpt-5.4, vysoké uvažování, jen pro čtení) hledá skutečná rizika v oblasti bezpečnosti, korektnosti a testovacího pokrytí. Agent `docs_researcher` (gpt-5.3-codex-spark, střední uvažování, jen pro čtení) využívá MCP server s dokumentací k ověření API a chování frameworků. Uživatel pak Codexu jedním promptem zadá, aby `pr_explorer` zmapoval kód, `reviewer`našel rizika a `docs_researcher` ověřil frameworková API.

**Dávkové zpracování přes CSV.** Experimentální funkce `spawn_agents_on_csv` umožňuje zpracovat velké množství podobných úloh najednou. Codex přečte CSV soubor, na každý řádek spustí jednoho pracovního subagenta, počká na dokončení celé dávky a exportuje výsledky zpět do CSV. Šablona instrukce pro pracovníka může používat zástupné symboly z názvů sloupců (například `{path}` nebo `{owner}`). Každý pracovník musí volat `report_agent_job_result` přesně jednou — pokud tak neučiní, Codex řádek označí chybou. Tato funkce je užitečná pro opakované audity, kontrolu seznamu incidentů nebo generování strukturovaných shrnutí pro velké množství položek.

**Ladění frontendových chyb.** Třetí vzorová konfigurace kombinuje agenta `code_mapper` pro mapování kódových cest (gpt-5.3-codex-spark, jen pro čtení), agenta `browser_debugger` s přístupem k prohlížečovým nástrojům přes MCP server (gpt-5.4, vysoké uvažování) a agenta `ui_fixer` pro implementaci nejmenší možné opravy (gpt-5.3-codex-spark).

## Konfigurace a limity

Globální nastavení subagentů se definuje v sekci `[agents]` konfiguračního souboru:

| Parametr | Výchozí hodnota | Účel |
| --- | --- | --- |
| `agents.max_threads` | 6 | Maximální počet souběžně otevřených agentních vláken |
| `agents.max_depth` | 1 | Hloubka vnořování (přímý potomek může spustit subagenta, ale hlubší vnořování ne) |
| `agents.job_max_runtime_seconds` | 1800 | Výchozí timeout na pracovníka pro CSV dávkové úlohy |

Výchozí limit šesti souběžných vláken a hloubka 1 znamená, že Codex záměrně zabraňuje nekontrolovanému množení agentů. Subagenti nemohou spouštět další subagenty (s výjimkou přímého potomka při hloubce 1), čímž se předchází nekonečnému vnořování.

## Kdy subagenty nepoužívat

Subagenti nejsou univerzální řešení a dokumentace Codexu explicitně varuje před třemi scénáři. Zaprvé, paralelní zápisy do stejných souborů vedou ke konfliktům — pokud dva agenti editují tentýž soubor, výsledky se přepíšou nebo se stanou nekonzistentními. Zadruhé, sekvenční úkoly, kde krok 2 závisí na výstupu kroku 1, nedokáží agenti koordinovat za běhu — pro takové případy je lepší použít jednoho agenta s postupným zpracováním. Zatřetí, pro jednoduché jednorázové změny v jednom souboru je režie paralelního spuštění zbytečná.

K tomu přistupuje ekonomický aspekt: každý subagent provádí vlastní volání modelu a práci s nástroji nezávisle, takže spotřeba tokenů je výrazně vyšší než u srovnatelného jednovláknového běhu. Dokumentace neuvádí přesný násobitel, ale z povahy věci jde minimálně o lineární nárůst s počtem subagentů plus režie koordinace.

## Srovnání: subagenti v Codexu a v Claude Code

Claude Code od Anthropicu nabízí koncepčně podobný mechanismus subagentů, ale s řadou implementačních rozdílů.

**Definice agentů.** Codex používá TOML soubory, Claude Code markdownové soubory s YAML frontmatter. V praxi je markdown přístup o něco přívětivější pro čtení a editaci, protože systémový prompt agenta tvoří přirozený obsah dokumentu za hlavičkou. TOML je naopak striktnější a méně náchylný k chybám v parsování.

**Vestavění agenti.** Codex má tři: default, worker a explorer. Claude Code má rovněž tři, ale s odlišným zaměřením: Explore (optimalizovaný na čtení, ve výchozím nastavení běží na Haiku pro úsporu), Plan (průzkum pro plánovací režim) a General-purpose (komplexní úkoly vyžadující jak čtení, tak modifikaci).

**Spouštění.** Codex vyžaduje výhradně explicitní pokyn od uživatele. Claude Code umí agenty delegovat i automaticky na základě shody popisu agenta s aktuálním úkolem — i když praxe ukazuje, že automatická delegace zatím není spolehlivá a explicitní invokace zůstává jistějším postupem.

**Paralelismus.** Codex umožňuje až 6 souběžných vláken (konfigurovatelné), Claude Code podporuje až 10 paralelních úloh prostřednictvím Task Tool, přičemž úlohy zpracovává v dávkách.

**Volba modelu.** V Codexu lze pro každého agenta zvolit jiný model (gpt-5.4, gpt-5.3-codex-spark) i úroveň uvažování. V Claude Code lze rovněž specifikovat model na úrovni agenta (Opus, Sonnet, Haiku), případně odlišný model pro subagenty přes proměnnou prostředí `CLAUDE_CODE_SUBAGENT_MODEL`.

**Dávkové zpracování.** Codex má specifickou funkci `spawn_agents_on_csv` pro hromadné zpracování CSV dat, což Claude Code v této podobě nenabízí.

| Vlastnost | OpenAI Codex | Claude Code |
| --- | --- | --- |
| Formát definice | TOML | Markdown + YAML frontmatter |
| Vestavění agenti | default, worker, explorer | Explore, Plan, General-purpose |
| Spouštění | pouze explicitní | explicitní i automatické |
| Max. paralelních vláken | 6 (konfigurovatelné) | až 10 (Task Tool) |
| Hloubka vnořování | konfigurovatelná (výchozí 1) | subagenti nemohou spouštět další |
| Dávkové CSV zpracování | ano (experimentální) | ne |
| Volba modelu na agenta | ano (gpt-5.4, spark) | ano (Opus, Sonnet, Haiku) |
| MCP servery na agenta | ano | ano |
| Přezdívky pro UI | ano (nickname_candidates) | barevné rozlišení |

## Cenový kontext

Subagentní workflow je z podstaty dražší než jednovláknový běh. U Codexu závisí cena na zvoleném tarifu. Plán Plus stojí 20 dolarů měsíčně a nabízí 45–225 lokálních zpráv a 10–60 cloudových úloh za pětihodinové okno. Plán Pro za 200 dolarů měsíčně poskytuje zhruba šestinásobek těchto limitů. Nad rámec zahrnutých limitů se platí kredity — průměrná cena lokální zprávy je přibližně 5 kreditů u modelu gpt-5.3-codex, cloudové úlohy přibližně 25 kreditů. Model gpt-5.3-codex-spark je dostupný pouze na Pro tarifu. Kompletní přehled cen je na [stránce s cenami Codexu](https://developers.openai.com/codex/pricing).

Při použití subagentů se spotřeba limitů a kreditů násobí, protože každý subagent spotřebovává tokeny nezávisle. Dokumentace Codexu doporučuje přepnout rutinní úkoly na model gpt-5.1-codex-mini (přibližně čtvrtinová spotřeba) a omezit počet MCP serverů a rozsah AGENTS.md, aby se kontext zbytečně nezvětšoval.

Pro srovnání, Claude Code na plánu Max (100 dolarů měsíčně za Sonnet, 200 dolarů za Opus) poskytuje neomezené použití v rámci férové politiky. Subagentní workflow ale podle nezávislých odhadů spotřebovává čtyřikrát až sedmkrát více tokenů než standardní jednovláknová session, takže i při „neomezených" limitech se uživatel snáze dostane k regulaci rychlosti.

Mimochodem, používání agentů je hlavním důvodem, proč se lidem subjektivně **rychleji vyčerpávají limity u Claude Code** (tím druhým hlavním důvodem bývá Opus model). Za stejnou dobu běhu z pohledu uživatele totiž běží najednou několik agentů, kteří každý konzumuje tokeny...

## Hodnocení a závěr

Subagenti řeší reálný a dobře zdokumentovaný problém degradace kontextu. Architektura, kde hlavní agent koordinuje a specializovaní pracovníci zpracovávají hlučnou práci ve vlastních kontextových oknech, je logickým krokem vpřed oproti jednovláknovému modelu, který u složitějších úloh naráží na limity kontextového okna.

Oba hlavní agentní kódovací nástroje — Codex od OpenAI i Claude Code od Anthropicu — konvergují ke stejnému vzoru, i když s odlišnými implementačními detaily. Codex je v konfiguraci explicitnější a strukturovanější (TOML, povinná pole, číslovaná hloubka vnořování), což vyhovuje týmům, které chtějí přesnou kontrolu. Claude Code je flexibilnější (markdown, automatická delegace, větší volnost v definici), ale za cenu menší předvídatelnosti automatického routování.

Z praktického hlediska stojí za zmínku tři omezení, která se týkají obou platforem. Zaprvé, násobení tokenové spotřeby je reálné a nekontrolované používání subagentů může rychle vyčerpat limity nebo rozpočet. Zadruhé, paralelní zápisy do společných souborů zůstávají neřešeným problémem — žádný z nástrojů nemá vestavěný mechanismus pro řešení konfliktů. A zatřetí, pozorovatelnost je zatím slabá: u obou nástrojů chybí přehledný nákladový rozpis na úrovni jednotlivých subagentů a trasování jejich činnosti v reálném čase.

Subagenti nejsou revoluční funkce — jsou přirozeným důsledkem toho, že kontextová okna jazykových modelů mají praktické limity i při stovkách tisíc tokenů. Pro vývojáře, kteří s agentními nástroji pracují na složitějších projektech, představují užitečný nástroj pro paralelizaci a izolaci kontextu. Pro jednoduché úkoly jsou zbytečnou režií.

**Kompletní dokumentace subagentů v Codexu** je na [developers.openai.com/codex/subagents](https://developers.openai.com/codex/subagents), konceptuální přehled na [developers.openai.com/codex/concepts/subagents](https://developers.openai.com/codex/concepts/subagents). Dokumentace subagentů v Claude Code je na [code.claude.com/docs/en/sub-agents](https://code.claude.com/docs/en/sub-agents).