---
title: One 13-hour AI run used my entire $100 Pro limit and finished three weeks of work
title_ar: جلسة ⁨AI⁩ واحدة استمرت 13 ساعة استهلكت كامل حد باقة ⁨Pro⁩ بقيمة 100 دولار وأنجزت عمل 3 أسابيع
url: "https://www.aiwithmo.com/prompts/45-agents-500-million-tokens"
canonical: "https://www.aiwithmo.com/prompts/45-agents-500-million-tokens"
published: 2026-09-12
updated: 2026-09-12
category: ai-tools
languages: [ar, en]
author: Mohamed Khair
site: aiwithmo
---

# One 13-hour AI run used my entire $100 Pro limit and finished three weeks of work

## جلسة ⁨AI⁩ واحدة استمرت 13 ساعة استهلكت كامل حد باقة ⁨Pro⁩ بقيمة 100 دولار وأنجزت عمل 3 أسابيع

Source: https://www.aiwithmo.com/prompts/45-agents-500-million-tokens · Author: Mohamed Khair (محمد خير), aiwithmo · Published in Arabic and English.

## English

I had one goal that I expected to take about 3 weeks. Thirteen hours after execution began, 45 agents had worked across it, the run had consumed roughly 500 million tokens, and my entire $100 ChatGPT Pro 5x limit was gone on the first day. The amount completed during those hours matched what I would normally budget 3 weeks for, while the larger project was still continuing.

The run began with planning. I gave GPT-6 Astra at max reasoning the goal and asked it to research the requirements, investigate unknowns, challenge assumptions, and turn the result into a self-contained implementation plan. Another agent had to be able to pick up that file cold. The plan included checklists, dependencies, file ownership, acceptance tests, evidence requirements, and explicit stop conditions.

Then I moved execution to GPT-5.6 Sol and gave it permission to divide independent work among subagents. Sol kept the ambiguous integration work, Terra handled read-heavy investigation and review, and Luna took narrow, repeatable tasks. Across the 13-hour run, 45 agents worked through parallel workstreams while the main executor reconciled their results against the plan.

[OpenAI's Astra documentation](https://developers.openai.com/api/docs/models/gpt-6-astra) lists max reasoning and support for multi-agent orchestration. [OpenAI's subagent guide](https://learn.chatgpt.com/docs/agent-configuration/subagents) also explains that every subagent performs its own model and tool work. That separate work is why parallel execution can consume a plan allowance much faster than one thread.

The 500 million-token figure and the 3-week estimate come from my run and describe this experiment alone. [OpenAI's current pricing page](https://learn.chatgpt.com/docs/pricing) lists ChatGPT Pro 5x at $100 per month and says ChatGPT Work and Codex share the same usage allowance. My limit reset after the first day, so I continued the project. The plan is what turned that token burn into completed, checked work.

The copy block below contains the planner and executor instructions as one reusable system. Start with fewer agents. Add more only when the task graph has independent branches. Keep one executor responsible for reconciling every result, and check the usage dashboard after each wave.

Follow for more:
- https://www.instagram.com/ai.with.mo/

Course Registration: https://halaqa.app/enrollment?course=start-with-ai

## العربية

كان أمامي هدف قدّرت أنه يحتاج نحو 3 أسابيع من العمل. بعد 13 ساعة من التنفيذ، عمل 45 ⁨agent⁩ عبر مسارات متوازية، ووصل الاستهلاك إلى نحو 500 مليون ⁨token⁩، وانتهى كامل حد باقة ⁨ChatGPT Pro 5x⁩ بقيمة 100 دولار في اليوم الأول. ما أُنجز خلال تلك الساعات كان يعادل ما أخصص له عادةً 3 أسابيع، فيما بقي المشروع الأكبر مستمراً.

بدأت التجربة قبل التنفيذ الفعلي. استخدمت ⁨GPT-6 Astra⁩ مع مستوى ⁨max reasoning⁩ للبحث في المتطلبات، وفحص النقاط المجهولة، واختبار الافتراضات، ثم كتابة خطة تنفيذ مكتفية بذاتها. كان الشرط بسيطاً: يجب أن يستطيع نموذج آخر استلام الخطة من دون الرجوع إلى محادثة التخطيط. لذلك احتوت على مهام قابلة للتتبع، وعلاقات الاعتماد بينها، وملكية الملفات، واختبارات القبول، والأدلة المطلوبة، وحالات التوقف.

بعدها انتقلت إلى ⁨GPT-5.6 Sol⁩ للتنفيذ، ومنحته حرية توزيع العمل المستقل على ⁨subagents⁩. احتفظ ⁨Sol⁩ بالمهام التي تحتاج قرارات ودمجاً بين أجزاء المشروع، وتولى ⁨Terra⁩ البحث والمراجعة كثيفي القراءة، بينما نفذ ⁨Luna⁩ المهام الضيقة والمتكررة. كان نموذج التنفيذ الرئيسي يعيد جمع النتائج بعد كل دفعة ويقارنها بالخطة قبل فتح مهام جديدة.

[توثيق ⁨Astra⁩ الرسمي من ⁨OpenAI⁩](https://developers.openai.com/api/docs/models/gpt-6-astra) يذكر دعم مستوى ⁨max⁩ وتنسيق عدة ⁨agents⁩. كما يشرح [دليل ⁨subagents⁩](https://learn.chatgpt.com/docs/agent-configuration/subagents) أن كل ⁨agent⁩ ينفذ عمله الخاص مع النموذج والأدوات. لهذا يرتفع استهلاك ⁨token⁩ بسرعة عندما تتوسع المسارات المتوازية.

رقم 500 مليون ⁨token⁩ وتقدير 3 أسابيع يصفان تجربتي وحدها. وتعرض [صفحة الأسعار الرسمية](https://learn.chatgpt.com/docs/pricing) باقة ⁨ChatGPT Pro 5x⁩ بسعر 100 دولار شهرياً، مع حد استخدام مشترك بين ⁨ChatGPT Work⁩ و⁨Codex⁩. أُعيد ضبط الحد بعد اليوم الأول، فتابعت العمل. قيمة الخطة ظهرت هنا: كل هذا الاستهلاك انتهى إلى عمل منجز ومفحوص.

ستجد في مربع النسخ نظاماً من مرحلتين. المرحلة الأولى تكتب الخطة باستخدام ⁨Astra⁩، والثانية تسلمها إلى ⁨Sol⁩ للتنفيذ. ابدأ بعدد صغير من ⁨agents⁩، ولا توسع العمل إلا عند وجود مهام مستقلة فعلاً. بعد كل دفعة، راجع الاستهلاك والنتائج قبل إطلاق الدفعة التالية.

تابعني على ⁨Instagram⁩:
- https://www.instagram.com/ai.with.mo/

التسجيل في الدورة: https://halaqa.app/enrollment?course=start-with-ai

## Steps

### 1. The 13-hour run was decided before execution began

*Astra turned one goal into a plan another model could execute cold*

Long agent runs often go wrong before the first tool call. The goal is broad, dependencies are implicit, and the executor spends its context rediscovering decisions. I used GPT-6 Astra at max reasoning for the thinking-heavy front of the project: research the requirements, inspect the current system, list unknowns, challenge the proposed approach, and define what success could be verified.

[OpenAI's model page](https://developers.openai.com/api/docs/models/gpt-6-astra) lists max reasoning and a 1.05 million-token context window. Its [model guidance](https://developers.openai.com/api/docs/guides/latest-model) describes Astra as suited to multistep work across code, browsers, and professional software. That made it the planning model for this run.

The output had to survive a clean handoff. Every task named its objective, dependencies, owned files, acceptance checks, and completion evidence. The plan also carried an assumptions log, recovery instructions, stop conditions, and a final receipt. Sol did not need the planning transcript because the plan carried the decisions forward.

### 2. A self-contained plan let Sol keep moving without me

*The checklist became the shared state for the executor and every subagent*

A long run needs state that lives outside the conversation. In this case, PLAN.md held the task graph. Sol could select work whose dependencies were complete, delegate it, collect the evidence, and mark the checkbox only after validation passed. If the session stopped, the next executor could see the last confirmed state in one file.

The ownership boundary mattered just as much as the checklist. Every delegated task named the files or system it controlled and warned the agent that other work was happening nearby. That reduced conflicting edits and made reconciliation possible. A task with no named validation stayed open, even when an agent reported that it was done.

This is the difference between a long autonomous run and a long chat. The plan stored decisions, the checklist stored progress, the completion receipt stored proof, and the usage dashboard stored the cost. I could leave the executor running because its work contract set the boundaries and checks.

### 3. Clean task boundaries made 45 agents useful

*Sol handled integration while Terra and Luna took focused work*

Forty-five agents helped because the plan gave them work that could be separated. Each agent had a bounded scope, and no two agents edited the same files in one wave. The executor opened parallel workstreams where one task could finish without waiting for another, then reconciled those results before starting the next wave.

[OpenAI's subagent guide](https://learn.chatgpt.com/docs/agent-configuration/subagents) recommends Sol for demanding work with ambiguity, planning, tool use, and validation. It positions Terra for faster read-heavy scans and review, and Luna for narrow, repeatable, high-volume work. I used that division as the routing rule. Sol retained integration decisions. Terra investigated and reviewed. Luna cleared bounded tasks quickly.

The task graph determined the final count of 45 agents. When two tasks touched the same files or one depended on the other's output, they stayed in sequence. Parallel work was reserved for clean branches. That rule protected the speedup from turning into merge repair.

### 4. The speed came with a real usage bill

*500 million tokens in 13 hours shows why every parallel wave needs a budget*

Every subagent performs its own model and tool work. Forty-five agents therefore multiply context reads, reasoning tokens, tool output, reviews, and retries. [OpenAI's pricing page](https://learn.chatgpt.com/docs/pricing) says subagent workflows use more tokens than comparable single-agent runs, lists the Pro 5x tier at $100 per month, and says ChatGPT Work and Codex share the allowance.

My run reached roughly 500 million tokens in 13 hours and exhausted that limit on day one. OpenAI later reset the limit, and I continued. The reset changed access; it did not change the lesson. Reserve Astra for planning, difficult recovery, and decisions whose errors would spread through the plan. Start execution with 3 to 5 agents. Add a new wave after the current results are reconciled and only when independent work remains.

The useful number is verified output per unit of allowance. Forty-five agents can compress weeks when the plan gives each one a bounded job and a check. The same 45 agents can spend the allowance producing duplicate investigation, conflicting edits, and reports nobody integrates. Measure the work graph first. The agent count comes after it.

## الخطوات

### 1. بدأت نتيجة 13 ساعة من التنفيذ عند مرحلة التخطيط

*حوّل ⁨Astra⁩ الهدف إلى خطة يستطيع نموذج آخر تنفيذها من دون سياق سابق*

قبل أن يبدأ ⁨Sol⁩ التنفيذ، كان على ⁨GPT-6 Astra⁩ أن يحسم معنى النجاح وطريقة إثباته. استخدمته مع مستوى ⁨max reasoning⁩ لقراءة النظام الحالي، والبحث في المتطلبات، واختبار الافتراضات، وتحديد النقاط التي لا تزال مجهولة. بهذه الخطوة لم يضطر نموذج التنفيذ إلى إعادة التفكير في القرارات نفسها أثناء العمل.

تعرض [صفحة النموذج لدى ⁨OpenAI⁩](https://developers.openai.com/api/docs/models/gpt-6-astra) مستوى ⁨max⁩ ونافذة سياق تصل إلى 1.05 مليون ⁨token⁩. ويشرح [دليل النموذج](https://developers.openai.com/api/docs/guides/latest-model) استخدامه في الأعمال متعددة الخطوات عبر الكود، والمتصفح، والبرامج المهنية. هذه هي المهمة التي خصصتها له في التجربة.

خرجت مرحلة التخطيط بملف يمكن نقله إلى محادثة نظيفة. لكل مهمة هدف، ومتطلبات سابقة، وملفات محددة، وفحص قبول، ودليل إكمال. ويحتوي الملف أيضاً على سجل الافتراضات، وخطوات التعافي، وحالات التوقف، وإيصال نهائي. استلم ⁨Sol⁩ هذه القرارات من الخطة نفسها وبدأ العمل مباشرة.

### 2. الخطة المكتفية بذاتها سمحت لـ ⁨Sol⁩ بمتابعة العمل من دوني

*أصبحت قائمة المهام هي الحالة المشتركة بين نموذج التنفيذ و⁨subagents⁩*

كان ملف ⁨PLAN.md⁩ هو لوحة التحكم في الجلسة. منه يعرف ⁨Sol⁩ أي المهام أصبحت جاهزة، وما الذي يجب أن ينتظر، وأين يضع نتيجة كل فحص. لا تُغلق خانة في القائمة لمجرد وصول تقرير من نموذج آخر. تُغلق بعد نجاح الاختبار وتسجيل الدليل.

حصل كل نموذج مفوض على نطاق ملكية واضح للملفات أو النظام الذي يعمل عليه. وعرف منذ البداية أن هناك ⁨agents⁩ آخرين في المشروع نفسه، لذلك حافظ على تعديلاتهم ولم يرجع عملاً خارج نطاقه. عندما تتوقف الجلسة، يبقى آخر وضع مؤكد مكتوباً في الملف.

بهذا الشكل لم يعد التقدم محصوراً في ذاكرة المحادثة. حفظت الخطة القرارات، وسجلت القائمة حالة التنفيذ، وجمع الإيصال أدلة الإكمال، وأظهر سجل الاستخدام التكلفة. كانت حدود العمل والفحوص واضحة بما يكفي لترك التنفيذ يعمل لساعات.

### 3. وضوح حدود المهام جعل 45 ⁨agent⁩ مفيدين

*احتفظ ⁨Sol⁩ بالدمج، وتولى ⁨Terra⁩ و⁨Luna⁩ الأعمال المحددة*

ظهر رقم 45 بعد تقسيم الخطة إلى فروع عمل، ولم أضعه كرقم مطلوب منذ البداية. أخذ كل ⁨agent⁩ نطاقاً محدداً، ومنعت الخطة وجود تعديلين متوازيين على الملفات نفسها. بعد كل دفعة، جمع ⁨Sol⁩ النتائج وحسم التعارضات قبل فتح أعمال جديدة.

استخدمت توصيات [دليل ⁨subagents⁩ من ⁨OpenAI⁩](https://learn.chatgpt.com/docs/agent-configuration/subagents) في توزيع النماذج. تولى ⁨Sol⁩ القرارات الصعبة والدمج النهائي. ذهبت أعمال القراءة والمراجعة إلى ⁨Terra⁩، بينما أخذ ⁨Luna⁩ المهام المحددة والمتكررة وعالية الحجم.

بقيت المهام التي تمس الملفات نفسها في تسلسل واحد. وكذلك انتظرت أي مهمة تحتاج نتيجة سابقة. انحصر التوازي في الفروع التي تستطيع الوصول إلى نتيجة كاملة بمفردها، فحافظنا على الوقت الذي وفرناه ولم نحوله إلى ساعات من إصلاح الدمج.

### 4. السرعة استهلكت حداً فعلياً من الباقة

*استهلاك 500 مليون ⁨token⁩ خلال 13 ساعة يفرض ميزانية لكل دفعة*

انتهى كامل حد الاستخدام في اليوم الأول. وصلت الجلسة إلى نحو 500 مليون ⁨token⁩ خلال 13 ساعة، ثم أعادت ⁨OpenAI⁩ ضبط الحد فتابعت التنفيذ. هذا الرقم يصف تجربتي، وتكمن فائدته في إظهار سرعة ارتفاع الاستهلاك عند فتح مسارات كثيرة.

كل ⁨subagent⁩ يقرأ سياقه، ويستخدم نموذجاً وأدوات، ويراجع النتيجة، وقد يعيد المحاولة. لهذا توضح [صفحة الأسعار لدى ⁨OpenAI⁩](https://learn.chatgpt.com/docs/pricing) أن سير العمل عبر عدة ⁨agents⁩ يستهلك أكثر من جلسة مماثلة بنموذج واحد. كما تعرض باقة ⁨Pro 5x⁩ بسعر 100 دولار شهرياً، مع حد مشترك بين ⁨ChatGPT Work⁩ و⁨Codex⁩.

في المشاريع التالية، سأبقي ⁨Astra⁩ للتخطيط والتعافي من المشكلات الصعبة، وأبدأ التنفيذ بـ 3 إلى 5 ⁨agents⁩. بعد دمج النتائج وفحصها، يمكن فتح دفعة أخرى إذا بقيت فروع مستقلة. المقياس الذي يهمني هو العمل المفحوص مقابل ما استُهلك من الباقة. العدد يأتي من خريطة العمل.

## Prompt (البرومبت)

```text
# TWO-STAGE MULTI-AGENT EXECUTION SYSTEM
# Use this for a large goal that can be divided into independent work.
# Run stage 1 in GPT-6 Astra at max reasoning.
# Save the result as PLAN.md.
# Open a fresh task in GPT-5.6 Sol, attach PLAN.md, and run stage 2.

# STAGE 1: ASTRA PLANNER

You are the planning lead. Your job in this stage is planning only.

Research and inspect everything required to achieve the goal. Read the current project state, applicable instructions, existing architecture, available evidence, and external documentation. Resolve uncertainty with evidence when possible. Record any uncertainty that remains.

Write a self-contained PLAN.md that another agent can execute without access to this conversation. Include:

1. The goal and measurable completion conditions.
2. The current state, with file names, systems, and evidence.
3. Assumptions, unresolved questions, and the exact condition that would change each decision.
4. The proposed architecture and why it fits the goal.
5. A checklist of bounded tasks. Give every task an ID, objective, dependencies, owned files or systems, recommended model, validation command, and required completion evidence.
6. The execution order, including which tasks may run in parallel and which must wait.
7. Failure handling, recovery steps, external approval gates, and stop conditions.
8. A completion receipt that records finished tasks, tests, remaining failures, and the next exact action if work stops.

Make every task small enough for one agent to own. Prevent two agents from editing the same files in the same wave. Separate research, implementation, review, and integration when doing so creates independent work.

Before finishing, audit PLAN.md for missing dependencies, hidden assumptions, vague success criteria, and tasks that cannot be verified. Return only the finished plan.

# STAGE 2: SOL EXECUTOR

You are the execution lead. PLAN.md is the work contract. Read it completely before changing anything.

Work through every ready task until the goal is complete or a stop condition in the plan is reached. Keep the checklist current so another agent can see the exact state without reading the chat history.

Use subagents only when work is genuinely independent:

- Keep ambiguous decisions, cross-file integration, and final reconciliation with GPT-5.6 Sol.
- Assign read-heavy exploration, comparison, and review to GPT-5.6 Terra.
- Assign narrow, repeatable, high-volume tasks to GPT-5.6 Luna.

For every subagent, provide one bounded task, its dependencies, the files or systems it owns, the validation it must run, and the evidence it must return. Tell each agent that other agents are working in the same project. It must preserve their changes and never revert work it does not own.

Begin with 3 to 5 parallel agents. Add another wave only when the remaining checklist contains independent tasks. After each wave, reconcile the outputs, resolve conflicts, run the planned checks, update PLAN.md, and inspect usage before continuing.

A task is complete after its validation passes and its evidence is recorded. Until then, keep it open. If a check fails, record the failure and assign the smallest repair task that can fix it.

Finish with the completion receipt from PLAN.md. State what shipped, what was verified, what remains, and the exact reason for anything unfinished.
```

---

More free bilingual AI guides: https://www.aiwithmo.com/prompts · One to one AI mentorship in Arabic or English: https://www.aiwithmo.com/mentorship