GPT-6 Luna模型凭借极低的API调用成本和快速的执行速度，成为Work/Codex中的高性价比选择。然而，其短板在于复杂任务的推理深度不足，常被比喻为“四肢发达、头脑简单”的执行者。相比之下，GPT-6.1 Sol或GPT-6 Astra虽推理能力强，但成本较高。
zjx-luna-chat-brain：为Luna模型接入免费“大脑”
本期分享的Skill名为zjx-luna-chat-brain，旨在通过架构优化，让Work/Codex中的Luna模型调用右侧内置浏览器中的Chat对话模型。在该方案中，Luna模型扮演“双手”负责执行操作，而Chat模型则充当“大脑”负责逻辑推理与任务拆解。这一组合不仅保留了Luna的低成本优势，更通过引入Chat的强大推理能力，显著提升了复杂任务的处理效果。
Skill运行原理
该Skill的核心机制在于实现Luna模型与Chat模型之间的自动化协同工作，具体流程如下：
1. 环境准备
在Work/Codex中选择GPT-6 Luna模型，推理等级设为中或高。同时，在右侧内置浏览器中访问chatgpt.com并登录账号。
2. 任务初始化
调用Skill后，Work/Codex会自动建立任务目录，保存原始需求及输入资料，并主动打开已登录的ChatGPT网页版。
3. 智能调度与交互
- 模型选择：针对新任务，系统会在Chat中新建对话。Pro用户自动选择极高推理等级，Plus用户选择高推理等级。
- 任务提交：Luna模型以用户口吻向Chat提交任务。
- 推理与规划：Chat模型理解目标、拆解步骤并生成详细执行材料。
- 执行与反馈：Luna模型依据Chat的输出进行操作。若发现材料缺失，会自动向Chat追问；操作完成后，将实际结果回传给Chat。
- 验证与迭代：Chat基于实际结果判断是否符合预期。若不符合，继续发布指令要求Luna调整；若出现分歧，双方会进行讨论验证。
该协作机制的原理流程如下图所示：
实测效果展示
通过以下两个典型场景，展示GPT-6 Luna（执行端）与Chat GPT-6 High（推理端）的合作效果：
1. 鹈鹕骑自行车SVG动画生成
测试复杂代码生成与视觉呈现能力。
2. 综述类文章撰写
测试长文本逻辑构建与信息整合能力。
本Skill安装压缩包已在文末提供下载。