GPT-6 Astra需要更精简的提示词和更少的限制规则

OpenAI工程师Eric Provencher近日在官方博客发文，针对GPT-6 Astra的使用场景提出了一系列提示词优化建议。他指出，随着时间推移不断叠加的指令会占用大量上下文窗口，甚至导致模型提前终止任务。因此，每次切换模型时，开发者都应系统性地重新审视技能配置、「AGENTS.md」文件以及任务提示词，而不是将旧有规则直接沿用到新模型上。

在技能管理方面，Provencher强调描述的精准性至关重要。技能是以Markdown文件形式存储的提示词，其名称和描述会进入模型的上下文，供Codex在执行任务时选择合适的技能。当技能数量过多时，Codex会被迫截断描述内容，导致关键信息丢失，进而做出错误选择。他建议将每个技能的适用范围限定在特定工作流，例如专门用于Postgres数据库迁移的技能，只应在创建、修改迁移文件或检查迁移进度时触发，而不应覆盖更宽泛的场景。

对于「AGENTS.md」中的文档阅读规则，Provencher同样建议进行瘦身处理。要求模型在每次修改前都读取架构文档、数据库文档和部署文档，对于一个简单的拼写错误修复来说完全是资源浪费。他建议改为按需引用：处理服务边界问题时才调取架构文档，修改数据库结构时才读取数据库文档，发布上线时才参考部署说明。与此同时，这些文档本身也需要保持更新，以确保模型获取的信息是准确的。

在权限配置方面，Provencher指出，明确的操作授权可以有效减少模型反复请求确认的情况。对于使用临时数据、不涉及生产环境的本地测试场景，可以在「AGENTS.md」中直接授权模型自主运行测试、修复因变更引发的错误并重新执行受影响的测试，无需每次都等待人工确认。这一做法既能提升效率，也能避免因频繁中断而影响工作流的连贯性。

Provencher还特别提到，如果开发者此前因旧版模型行为失控而设置了严格的审批规则，在切换到Astra后应重新评估这些限制是否仍有必要。GPT-6 Astra具备更强的判断力，但也可能将旧有限制解读得过于字面，在本应继续执行的情况下提前停止。他建议在提示词中明确定义任务的完成标准，包括实现功能、运行验证、检查结果、修复错误等所有步骤，确保模型清楚知道何时才算真正完成了工作。

要点

• GPT-6 Astra能力更强，过度冗长的指令和僵化规则反而会干扰其表现，切换模型时应系统性地精简提示词配置。
• 技能描述应简洁精准，限定在特定工作流触发，避免因技能过多导致Codex截断描述、做出错误选择。
• 「AGENTS.md」中的文档阅读规则应改为按需引用，而非要求模型在每次操作前全量读取所有相关文档。
• 对已知安全操作应在配置中明确授权，减少模型反复请求确认，提升工作流效率。
• 需在提示词中清晰定义任务完成标准，否则Astra可能比前代模型更早停止执行，导致任务不完整。