企业官网建设流程全解析

1. 这个报错到底在说什么

第一次看到Selected model is at capacity. Please try a different model这条提示的人，多半是在终端里敲完命令、满怀期待地等着模型吐字，结果屏幕上冷不丁冒出这么一行英文。它不像语法错误那样有明确的文件行号，也不像网络超时那样直白，字面意思是"你选的这个模型已经满载了，请换一个模型试试"。很多人第一反应是：是不是我配置写错了？是不是账号出问题了？其实都不是，这条提示的核心信息非常单纯——你请求的那个模型，当前服务端的并发或配额已经打满了，暂时接不了新的请求。

我把它类比成去一家很火的餐厅吃饭。你拿着号排队，前台告诉你"今天这个招牌菜的备料用完了，您要不换个别的菜"。菜没问题，你也没问题，就是这道菜此刻供不应求。放到 codex 这类命令行 AI 编程助手的场景里，"招牌菜"就是你config.toml里指定的那个模型名，比如gpt-5.6-sol、gpt-6-astra这类。当同一时间大量用户都在调用同一个模型，服务端的容量池被占满，后来的请求就会被直接挡回来，并附上这句提示。

这条报错之所以让人头疼，是因为它不是本地错误。你在本地怎么改代码、怎么重装、怎么重启终端，都不会让服务端的容量凭空多出来。它属于典型的"上游限流"类问题，处理思路和本地配置错误完全是两条路。搞混了这一点，就会陷入反复折腾本地环境的死循环，白白浪费时间。

那这篇内容适合谁看？三类人最需要：一是刚装好 codex、还在摸索config.toml怎么配的新手；二是已经用了一段时间、突然某天开始频繁撞上这条提示的老用户；三是把 codex 接进自己工作流、需要保证稳定可用的重度使用者。不管你是哪一类，下面我会从原理、配置、排查到实操，把这条报错彻底拆开讲清楚，让你下次再看到它时，能三秒钟判断出该干什么。

2. 为什么偏偏是你撞上了这条提示

2.1 容量限制背后的真实机制

要理解这条报错，得先明白"容量"这个词在模型服务里指什么。模型服务端并不是一台无限算力的机器，它背后是一组有限的推理资源。每个模型（尤其是那些参数大、推理慢的旗舰模型）能同时处理的请求数是有限的，这个上限通常由几个因素共同决定：GPU 显存能塞下多少个并发会话、服务商的调度策略给单个模型分配了多少配额、以及当前时刻全局有多少人在抢同一份资源。

当并发请求数逼近这个上限，服务端有两种处理方式：一种是排队，让你的请求等着，等有资源了再处理；另一种是直接拒绝，返回一个明确的错误让你换模型。Selected model is at capacity属于后者，也就是快速失败策略。这种策略对服务端友好，能避免请求堆积导致雪崩，但对用户体验就不那么友好了——你拿到的是一个冷冰冰的拒绝，而不是一个"请稍候"。

这里有个容易被忽略的点：容量限制往往是按模型维度算的，不是按账号维度。也就是说，同一个账号，调用 A 模型可能畅通无阻，调用 B 模型却一直撞墙。这就解释了为什么很多人会困惑"我明明能用，怎么换个模型就不行了"。答案很简单，你换的那个模型正好是当前的热门款，大家都在挤。

2.2 高峰期与热门模型的叠加效应

容量打满不是随机发生的，它有明显的时间规律和模型偏好。从经验上看，工作日的白天（尤其是上午十点到下午四点这个区间）是调用高峰，因为大量开发者在这个时段集中干活。而某些刚发布、口碑好、或者被社区广泛推荐的模型，会长期处于"供不应求"状态，哪怕不是高峰时段也容易满载。

我观察到一个现象：每当社区里有人分享"某某模型写代码特别强"之后，接下来几天这个模型的满载概率会明显上升。这就是典型的热点聚集——好东西大家都想用，结果就是谁都用得不太顺畅。所以如果你发现某个模型突然开始频繁报容量错误，很可能不是你的问题，而是它最近"出圈"了。

理解这一点很重要，因为它直接决定了应对策略：与其死磕一个热门模型，不如准备一个"备胎模型"随时切换。这也是这条报错提示里"Please try a different model"这句话的真正含义——它在委婉地建议你，别在一棵树上吊死。

2.3 这条报错和其他报错的本质区别

很多人会把这条报错和另外几条搞混，这里必须掰扯清楚，否则排查方向会完全跑偏。

看这张表就明白了：at capacity是唯一一条纯粹由服务端负载引起的报错，其他几条都或多或少和你的本地配置、账号状态、输入内容有关。把这条区分开，你就能避免"明明是服务端忙，却去改本地配置"这种南辕北辙的操作。

3. 遇到这条报错，正确的处理顺序

3.1 第一步永远是确认模型名

在动手换模型之前，先花十秒钟确认一件事：你当前配置里写的模型名，到底是不是你真正想用的那个。因为有时候报错里的模型名会暴露一个隐藏问题——你可能配了一个根本不该用的模型。

打开你的config.toml，找到类似这样的段落：

[model] name = "gpt-5.6-sol"

或者在某些配置结构里是这样：

model = "gpt-6-astra" provider = "default"

确认这个name或model字段的值。如果它指向的是一个你并不熟悉的模型名，那可能是之前复制配置时带进来的，或者被某个模板覆盖了。这种情况下，报容量错误反而是好事——它提醒你配置可能有问题。

提示：改完config.toml后一定要重启 codex 会话，很多配置是启动时读取的，热改不生效。

3.2 换模型是最直接的解法

确认模型名没问题后，最直接的动作就是换一个模型。这不是妥协，而是最符合成本效益的选择。具体怎么换，取决于你的配置方式。

如果是通过配置文件指定模型，直接改config.toml里的模型名，换成一个当前不那么热门的同类模型。比如你原本用的是某个旗舰推理模型，可以临时换成一个轻量一些、响应更快的模型。写代码这件事，很多时候轻量模型完全够用，没必要每次都上最重的那个。

如果是通过命令行参数指定，那更简单，直接在命令里带上模型参数：

codex --model <另一个模型名>

如果你用的是支持多模型切换的客户端或插件，通常在界面上就有模型下拉框，点一下换个模型即可。这种方式最省事，不用碰配置文件。

我个人的习惯是常备两到三个模型：一个主力（能力强但可能满载）、一个备胎（能力够用且相对空闲）、一个应急（轻量快速）。主力撞墙就切备胎，备胎也忙就上应急。这样基本不会因为单个模型满载而卡住工作。

3.3 错峰重试的时机把握

如果你就是非某个模型不可，那换模型这条路走不通，只能等。但"等"也是有讲究的，不是傻等。

根据经验，容量打满通常有明显的波峰波谷。工作日的午休时段（十二点到一点半）和傍晚之后，负载会明显下降。如果你不着急，把任务挪到这些时段，成功率会高很多。另外，整点前后往往是个小高峰（很多人习惯整点开始干活），避开整点前后十分钟，也能提升一点成功率。

重试的节奏也要注意。不要一秒钟点一次，那样只会让你更快撞上限制，甚至可能触发更严格的限流。合理的做法是间隔三十秒到一分钟重试一次，给服务端一点喘息空间。如果连续重试五六次都失败，那就说明这个时段确实太挤了，果断换模型或者换个时间，别硬耗。

注意：频繁快速重试可能被判定为异常流量，反而延长你的等待时间。慢一点，稳一点。

4. 从配置层面根治这类问题

4.1 config.toml 的关键字段梳理

与其每次撞墙了才手忙脚乱地改，不如一开始就把配置理顺。codex 的config.toml里，和模型选择、容量问题相关的字段主要有这么几个，我逐个说清楚。

model或[model] name：这是最核心的字段，决定你默认用哪个模型。建议不要写死一个最热门的，而是写一个相对稳定的。

provider：指定模型来自哪个提供方。这个字段如果配错，会直接导致provider 缺少 base_url 配置之类的错误，和容量问题叠加在一起，排查起来更麻烦。

base_url：提供方的接口地址。这个字段缺失或写错，请求根本发不出去，自然也就谈不上容量问题了。所以遇到任何模型相关报错，先确认这个字段在不在、对不对。

max_tokens或上下文相关配置：控制单次请求的规模。请求越大，占用的服务端资源越多，越容易撞上容量限制。适当调小这个值，有时能提高成功率。

把这些字段理清楚，你就能在报错出现时快速定位：是模型名的问题、提供方的问题，还是纯粹的容量问题。

4.2 多模型配置的写法

真正省心的做法，是在配置里就准备好多个模型，需要时快速切换。虽然不同版本的 codex 配置格式略有差异，但思路是通用的：把常用模型都列出来，用注释或分组管理。

# 主力模型，能力强但高峰期易满载 model = "gpt-5.6-sol" # 备选方案（需要时手动切换） # model = "gpt-6-astra" # model = "deepseek-v4"

这种"注释切换法"虽然土，但极其可靠，不依赖任何额外工具。改一行、重启、生效，三步搞定。对于不想折腾复杂配置的人来说，这是最实用的方案。

如果你用的客户端支持模型别名或预设，那就更好了，可以配置成"主力/备胎/应急"三档，一键切换。具体写法参考你所使用工具的文档，核心思路是一样的：永远给自己留后路。

4.3 环境变量与配置文件的优先级

这里有个坑很多人踩过：你改了config.toml，但发现没生效，模型还是原来那个。这通常是因为环境变量的优先级高于配置文件。

很多工具会先读环境变量（比如CODEX_MODEL之类的），如果环境变量存在，就忽略配置文件里的值。所以如果你在 shell 里 export 过模型相关的变量，改配置文件是没用的，得去改环境变量，或者把环境变量清掉。

排查方法很简单，在终端里执行：

env | grep -i model

看看有没有和模型相关的环境变量。如果有，那就是它在"作祟"。要么改它，要么 unset 它，让配置文件重新掌握控制权。这个细节不起眼，但能省下你半小时的困惑。

5. 实操：一次完整的排查与恢复过程

5.1 现场还原

假设这样一个场景：你早上打开终端，准备用 codex 处理一段代码重构，敲下命令后，等了几秒，屏幕上出现：

error running remote compact task: selected model is at capacity. please try a different model.

注意这里还带了remote compact task的字样，说明是在执行某个远程任务时撞上的。这时候别慌，按下面的流程走一遍。

5.2 逐步排查

第一步，确认当前模型。查看你的config.toml，找到模型字段。假设看到的是model = "gpt-5.6-sol"。

第二步，判断是不是容量问题。这条报错本身就是最直接的证据，不需要额外验证。但为了确认不是配置问题，可以顺手检查一下base_url和provider字段是否完整。如果这两个字段都在、格式也对，那基本可以确定就是容量问题。

第三步，换模型。把config.toml里的模型名改成一个备选，比如deepseek-v4或你手头其他可用的模型。保存文件。

第四步，重启会话。关掉当前 codex 进程，重新启动。这一步不能省，因为配置是启动时加载的。

第五步，验证。重新执行刚才失败的命令，如果这次顺利跑通，说明问题解决。如果还是报错，但报的是别的错（比如模型不支持），那就说明新换的模型名有问题，需要再核对。

5.3 恢复后的收尾

问题解决后，别急着关掉。花一分钟做两件事：一是把这次用成功的备选模型记下来，作为下次的参考；二是如果你有多个项目或环境，检查一下其他地方的配置是不是也写死了那个容易满载的模型，顺手一起改了，避免下次在别的地方再撞一次。

我自己的习惯是维护一个"模型可用性小抄"，记录哪些模型在什么时段比较稳。时间长了，你就能形成自己的经验判断，遇到容量问题几乎不用思考就知道该切哪个。

6. 常见问题速查与避坑经验

6.1 高频问题速查表

这张表基本覆盖了围绕这条报错最常见的几种衍生情况。遇到问题时先对号入座，能省下大量瞎试的时间。

6.2 几个容易踩的坑

第一个坑：把容量问题当成配置问题。这是最浪费时间的错误。看到报错就一头扎进配置文件里翻，结果配置根本没问题，纯粹是服务端忙。记住，at capacity这四个字就是容量问题的标志，看到它优先考虑换模型或等待，而不是改配置。

第二个坑：在错误的文件里改配置。有些工具会在多个位置存放配置，比如用户目录下一个、项目目录下一个。你改了 A，实际生效的是 B，自然没反应。搞清楚你的工具到底读哪个文件，是排查的前提。

第三个坑：忽略大小写和拼写。模型名往往对大小写敏感，gpt-5.6-sol和GPT-5.6-SOL可能被当成两个不同的东西。复制模型名时务必原样粘贴，别手敲。

第四个坑：重试太猛。前面提过，这里再强调一次。快速连续重试不仅没用，还可能让你进入更严格的限流名单。慢下来，给彼此一点空间。

6.3 我个人的几条经验

用久了之后，我总结出几条比较实用的心得。第一，永远不要在配置里只写一个模型，哪怕你平时只用那一个，也要在注释里备好替代方案，关键时刻能救命。第二，把模型切换当成肌肉记忆，撞到容量错误的第一反应就是切模型，而不是研究报错，这样效率最高。第三，记录你的成功时段，时间长了你会发现自己的"黄金时段"，把重要任务安排在那时候，成功率明显更高。

还有一条比较反直觉的：别迷信最强模型。很多时候，一个中等能力的模型写出来的代码，和旗舰模型差别没那么大，但可用性和响应速度好得多。为了那一点点能力提升去死磕一个天天满载的模型，性价比其实很低。选模型和选工具一样，合适比最强重要。

7. 把这条报错变成你的配置优化契机

说到底，Selected model is at capacity这条报错本身并不可怕，它甚至算不上一个"错误"，更像是一个善意的提醒：你选的这条路现在有点堵，旁边还有别的路可以走。真正让人头疼的，是那些把这条提示误读成配置故障、然后在本地环境里反复折腾的人。

我见过太多人因为这条报错去重装 codex、去改各种莫名其妙的字段、去怀疑自己的账号，最后发现问题根本不在自己这边。这种经历一次就够了，希望这篇内容能帮你跳过这个阶段。下次再看到它，你应该能条件反射地做出判断：哦，模型忙了，切一个，或者等会儿再来。

从更长远的角度看，这条报错其实在逼你养成一个好习惯——不要依赖单一模型。无论是出于容量考虑，还是出于成本、稳定性、能力互补的考虑，手头常备几个可切换的模型，都是更成熟的使用方式。当你把模型切换练成习惯，这条报错对你来说就不再是障碍，而只是一个再普通不过的日常操作提示。

最后分享一个小技巧：如果你经常在固定时段工作，不妨提前十分钟先把模型切到一个相对冷门的备选上，避开高峰的切换手忙脚乱。这个动作花不了几秒钟，但能让你整个工作流顺畅很多。用久了你会发现，真正影响效率的往往不是模型能力，而是这些不起眼的流程细节。