GPT-6 Astra：最大化利用 Codex、Agents 与成本控制的实用指南

目标：

学会智能地分配 Luna、Terra、Sol 和 Astra，以最大化性能、降低成本，并让 Agent 工作流长时间稳定运行。

OpenAI 于 2026 年 9 月 3 日 发布的 GPT-6 Astra，标志着 Agent 在执行复杂计算任务能力上的重大飞跃，这些任务以前需要大量人工干预。

但真正的挑战不再是简单地询问 "Astra 能完成这个任务吗？"。

现在重要的问题是：

Astra 真正在哪些方面能增加价值？我们应如何分配资源？如何让 Agent 工作更长时间？以及如何以最低的成本实现这一切？

本文主要面向那些经常使用 Codex 和编程 Agent 的用户，尤其是在接近生产环境中的用户。

目标读者

本手册专为以下人群设计：

• 在接近生产环境中通过 Codex 或 OpenAI API 使用 Agent 的用户。
• 希望交替使用 Luna、Terra、Sol 和 Astra 以降低月度 API 或基础设施成本的用户。
• 希望为以下任务构建长时间运行的工作流：全面调试、大型重构、计算机工具使用、数学验证、自动化测试以及需要长时间保持上下文的任务。

0. 先决条件

部署、企业版、Daybreak 和可用性

在尝试优化 Astra 之前，您必须首先检查该模型在您的账户和环境中是否实际可用。

发布日期

2026 年 9 月 3 日 — 官方公告

OpenAI — GPT-6 Astra

部署

根据官方公告，Trusted Access/Daybreak 将是首批部署渠道之一。

Plus、Pro、Business 和 Enterprise 计划，以及 API 和 AWS，将在之后部署。

在企业环境中，管理员可能需要明确启用访问权限。

重要事项

• 企业版： 管理员必须在适用时启用。
• 免费版： Astra 不计划作为免费模型提供。
• 积分： 付费计划的用户可能根据产品拥有额外的积分选项。
• 网络安全： 某些高级功能可能取决于特定的访问路径，如 Daybreak。
• API 模型 ID： gpt-6-astra。

标准 API 价格

根据本文档中显示的费率：

• 输入： 10 美元 / 百万 tokens。
• 输出： 50 美元 / 百万 tokens。

某些模式、长上下文、缓存和优先级处理有不同的费率和条件。

基本原则：

仅仅因为 Astra 没有出现在界面中，并不一定意味着该模型对您的组织不存在。首先检查可用性、权限和部署。

在验证访问权限的同时，可以使用 Sol 作为基础模型 来构建策略。

1. Astra 在哪些方面表现出色，而 Sol 在哪些方面已经足够？

Astra 被设计为用于专业任务的高端模型，特别是与以下方面相关的任务：

• 计算机使用，
• 浏览，
• 软件工程，
• Agent，
• 科学，
• 数学，
• 复杂的端到端任务。

官方文档将高端模型定位用于最困难的端到端工作。

然而，正确的策略 并不是在所有事情上都使用 Astra。

正确的策略是：

仅在 Astra 的更高能力对结果产生真正影响时才使用它。

1.1. 差异真正体现在哪里？

最重要的差异往往出现在多个因素结合的任务中：

• 多个文件或模块，
• 许多连续的步骤，
• 密集使用工具，
• 与图形界面交互，
• 难以重现的问题，
• 数学推理，
• 长时间的调试，
• 犯错的高成本，
• 上下文丢失，
• 需要长时间维持策略。

在日常和简单的任务中，差异可能小得多。

因此，一个好的规则是：

不要问哪个模型"更好"。要问哪个模型能以更低的成本正确完成这个任务。

1.2. OSWorld、Mind2Web 和速度问题

像 OSWorld 和 Mind2Web 这样的基准测试有助于理解模型之间的差异，但必须正确解读。

在官方文档中提到的 OSWorld 2.0 延迟模拟中，Astra 实现了比 Sol 更高的处理器利用率，并且在所指示的比较中，每个任务的时间大约减少了 47%。

例如：

• Astra：大约 40 分钟。
• Sol：大约 75 分钟。

所指示的得分大约为：

• Astra：72.6%
• Sol：65.7%

同样，文档指出，在某些 Mind2Web 测试中，Astra + 新的 Codex harness 比当前的 Sol 体验快大约 1.9 倍。

但请记住两件事

1. 这是一个基准测试。

Mind2Web 上 1.9 倍的结果并不意味着公司内部的每个任务都会快 1.9 倍。

2. 它确实提供了一个有用的信号。

任务越依赖于：

• 屏幕，
• 工具，
• 导航，
• 多个操作，
• 中间决策，

就越有理由评估 模型 + Agent 系统 的组合，而不仅仅是比较每秒 tokens 数。

1.3. 何时 Sol 就足够了？

在以下情况下，首先使用 Sol、Terra 或 Luna：

• 答案可以在一次交互中完成；
• 只需要修改一两个文件；
• 测试很短；
• 任务主要是阅读；
• 不需要 GUI；
• 不需要复杂的工具；
• 重复工作的成本很低；
• 失败不会产生重大后果。

当相反的情况发生时，Astra 开始变得有意义

例如：

• 许多文件；
• 多个模块；
• 长工具链；
• 计算机使用；
• 复杂调试；
• 数学验证；
• 失败意味着大量返工的任务；
• 在长时间会话中丢失上下文。

2. ChatGPT、API 和 Codex 配置

2.1. ChatGPT：选择 Astra

当 Astra 可用时：

1. 在 Web 或桌面端打开 ChatGPT。
2. 检查模型选择器。
3. 选择 Astra / GPT-6 Astra。
4. 如果您使用 Codex，请检查同一模型在那里是否可用。
5. 如果 Astra 没有出现：检查您的计划；检查企业权限；验证部署；使用 Sol 作为临时配置。

Pro、Business 和 Enterprise 计划可能包含 Astra 的特定变体。您不应仅根据界面中显示的名称得出结论：始终查看与您的计划相对应的描述。

2.2. API：model = "gpt-6-astra"

基本配置包括在 Responses API 中指定模型。

重要注意事项

• 对于工具调用，最好使用 Responses API。
• Astra 不支持 reasoning.effort = "none"。
• 如果您使用低水平的推理，请从小配置开始，仅在必要时增加。
• 某些传统参数，如 temperature 或 top_p，可能不可用。
• 欧盟的数据驻留可能对快速/优先级处理施加限制。
• 缓存配置可以迁移到 prompt_cache_options.ttl。

2.3. Codex：实验性上下文管理

对于长时间会话，Codex 可以使用超越简单历史压缩的上下文管理机制。

其理念是保留重要信息，例如：

• 已调查的假设；
• 已排除的假设；
• 已检查的文件；
• 已执行的测试；
• 获得的结果；
• 做出的决定。

概念性配置可以是：

实验性上下文管理配置应被视为实验性的，并在被团队采纳为标准之前，根据当前版本的 Codex 进行验证。

为什么这很重要？

在持续数小时的调试会话中，丢失上下文可能会迫使 Agent 重新调查：

• 哪些假设已被排除；
• 哪些文件已被审查；
• 哪些命令已经有效；
• 哪些测试已经执行。

做笔记可以减少这种重复。

重要提示：

切勿在持久化的 Agent 笔记中存储机密信息、密钥、API 密钥或敏感数据。

2.4. 审批和沙箱

自动化的目标不应该是：

"让 Agent 能做所有事情。"

目标应该是：

自动化所有可逆的操作，仅在不可逆或高风险点保留人工干预。

推荐的交互式配置作为起点：

Agent 可以负责：

• 读取文件；
• 运行测试；
• 分析日志；
• 进行本地更改；
• 创建提交；
• 准备 Pull Request；
• 审查自己的工作；
• 纠正错误。

人类必须保持对以下方面的控制：

• 生产环境；
• 部署；
• 最终合并；
• 发布；
• 发送外部信息；
• 修改权限；
• 不可逆操作；
• 机密信息。

审批应成为 最后的检查点，而不是整个过程中的持续中断。

2.5. AGENTS.md 和技能

在使用 Codex 开始重要工作之前，Agent 必须了解项目规则。

一个有用的架构是：

AGENTS.md

包含：

• 永久规则；
• 允许的范围；
• 限制；
• 完成条件；
• 强制性测试；
• 人工审批点。

技能

包含：

• 重复性程序；
• 工作流；
• 操作清单；
• 专业流程。

MCP

用于：

• 外部连接；
• 服务；
• 工具；
• 数据源。

一个简单的划分是：

AGENTS.md = 规则

技能 = 程序

MCP = 连接

AGENTS.md 的最小示例

3. 如何编写利用 Astra 的指令

指令的质量对长时间运行的 Agent 影响巨大。

Astra 可能对以下方面非常敏感：

• 歧义；
• 矛盾；
• 过时的指令；
• 不一致的技能；
• 重复的规则。

因此，一个好的配置可以像更换模型一样显著提升性能。

3.1. 提高自主性

不要创建让 Agent 不断请求确认的指令，而是明确定义它可以自主行动的范围。

3.2. 在可审查的结果后审批

对于自主 Agent 来说，最好的规则之一是：

首先产生一个可审查的结果；然后请求批准执行不可逆的步骤。

这避免了以下模式：

Agent → 提问 → 人类 → Agent → 提问 → 人类

并将其替换为：

Agent → 调查 → 实施 → 测试 → 准备结果 → 人类批准 → 最终行动

3.3. 不阻塞主任务的问题

在长时间会话中，允许独立提问而不停止主流程可能很有用。

一个好的规则是：

主任务有一个固定的、一句话描述的完成条件。如果在执行过程中出现独立问题，简要回答它，不要中断主任务。仅当问题改变了任务方向、范围、权限或所需输出时，才停止主工作流。

API 也可以使用在执行期间发送附加指令的机制，以及用于长时间工作的异步工具。

3.4. 委派给子 Agent

当一个任务可以并行化时，请明确地这样做。

如果并行化可能减少执行时间或提高质量，请将独立的子任务委派给其他 Agent。对于独立调查、模块级更改、测试验证、文档检查和代码审查，优先选择并行工作。保持 Agent 间的消息简洁、明确且可读。

并行化的例子：

• Agent A → 调查认证模块。
• Agent B → 分析测试。
• Agent C → 审查类型。
• Agent D → 审查文档。

然后，主 Agent 整合结果。

3.5. 控制测试量

更多的测试并不总是意味着更好的结果。

对于小的更改：

目标是防止一个微不足道的修改触发大量不必要的测试。

3.6. 长时间调试模板

3.7. 计算机和浏览器任务模板

4. 最大化价值，而非 token 数量

正确的问题不是：

"我怎样才能花光 Astra 的所有 tokens？"

正确的问题是：

"我怎样才能让每一美元完成更多的工作？"

根据所示的费率：

Astra 每个 token 显然更贵。

但每个 token 的价格并不一定代表完成一个任务的实际成本。

如果 Astra 能实现：

• 更少的错误；
• 更少的迭代；
• 更少的返工；
• 更少的工具调用；
• 更短的总时间；
• 更高的成功率；

那么每个 已完成任务 的成本可能具有竞争力，甚至更低。

4.1. 实用路由表

一般规则：

Luna/Terra 用于批量任务 → Sol 用于标准工作 → Astra 用于真正值得其成本的工作。

4.2. 降低成本的习惯

1. 首先写下完成条件

这减少了不必要的探索。

1. 避免中间独白

优先考虑：

状态 → 下一步行动 → 结果

而不是冗长的解释。

1. 将简单的验证发送给经济的模型

不要浪费 Astra 在：

• 检查格式；
• 总结小日志；
• 分类文件；
• 执行重复性任务。

1. 稳定指令前缀

保持系统/开发者指令的一致性可以有利于高效的缓存使用。

1. 仅在能增加价值时使用快速模式

如果一个模式成本更高，它必须通过实际减少执行时间来证明其合理性。

4.3. 每周成本审计

每周审查：

• 使用 Astra 执行的任务；
• 使用它的原因；
• 结果；
• 大致成本；
• 是否 Sol 就足够了；
• 是否 Terra 就足够了；
• 迭代次数；
• 失败；
• 返工。

简单规则

如果您无法书面解释：

"使用 Astra 是必要的，因为..."

考虑将该类别的任务转移到较低级别的模型。

5. 推荐工作流

5.1. 长时间调试

步骤 1 — 分类

如果有多个文件、复杂的重现或许多工具：

Astra。

如果很简单：

Sol/Terra。

步骤 2 — 限制

在 AGENTS.md 中定义：

• 允许的文件；
• 禁止的文件；
• 允许的命令；
• 强制性测试；
• 审批点。

步骤 3 — 配置

model = "gpt-6-astra" approval_policy = "on-request" sandbox_mode = "workspace-write" [features.context_management] experimental_mode = true

步骤 4 — 开始

始终从一个清晰的完成条件开始。

步骤 5 — 日志

保留：

• 假设；
• 测试；
• 结果；
• 检查过的文件；
• 决定。

步骤 6 — 中断

独立问题不得破坏主任务的上下文。

步骤 7 — 可交付成果

Agent 可以一直进行到：

Pull Request 已准备好供审查。

最终合并仍由人工控制。

步骤 8 — 学习

如果同一问题反复出现：

将其转化为一个

技能

。

5.2. 大规模重构

两阶段策略效果很好：

阶段 1 — 低成本调查

使用：

Luna → Terra → Sol

来构建：

• 依赖关系图；
• 影响范围；
• 受影响的模块；
• 风险；
• 执行计划。

阶段 2 — 实施

使用：

Astra

处理那些真正需要更高能力的模块。

阶段 3 — 并行化

子 Agent 负责：

• 测试；
• 类型检查；
• 审查；
• 独立模块。

阶段 4 — 人工审查

人类专注于：

• 架构；
• 公共 API；
• 兼容性；
• 不可逆的决定。

5.3. 计算机使用

对于浏览器或 GUI 任务：

1. 明确定义目标屏幕。
2. 定义禁止的操作。
3. 当任务时间长或视觉复杂时，使用 Astra。
4. 在适用时使用最新的 Codex harness。
5. 记录状态和过程。
6. 将结果转化为可审查的可交付成果。

Mind2Web 中的 1.9 倍数字 应仅作为基准测试来解读，而不是内部性能的保证。

5.4. 基于 API 的 Agent

概念性配置：

Model: gpt-6-astra API: Responses Reasoning: low → high when required Tools: enabled Long-running tools: asynchronous when appropriate Human gate: final irreversible action

对于长时间运行的工具：

当工具运行时间足够长，以至于阻塞同步执行会降低吞吐量时，使用异步工具执行。

如果在执行过程中难度级别发生变化：

仅当任务变得真正困难时，才增加推理努力。在适当时，为常规执行返回到较低的推理级别。

其理念是将最昂贵的资源保留给真正需要它们的时刻。

6. 该做与不该做

该做

• 将 Astra 保留给能产生真正差异的任务。
• 审查 AGENTS.md 和技能之间的不一致。
• 将审批作为最后的检查点。
• 在请求授权之前生成可审查的结果。
• 在适用时，为长时间任务激活上下文管理。
• 记录假设、测试和结果。
• 将基准测试视为指导，而非内部 KPI。
• 衡量成功率和每个任务的时间。
• 从一开始就检查任务是否需要 Daybreak。
• 将机密信息排除在持久化笔记之外。

不该做

• 对每个小问题都使用 Astra。
• 将宣传用语解读为技术规范。
• 将个别的 X 或 Reddit 经验视为官方文档。
• 在管理员启用之前就宣布企业部署。
• 授予对不可逆操作的自动访问权限。
• 在上下文文件中存储密钥或机密信息。
• 为微不足道的更改运行庞大的测试套件。
• 使用外部基准测试替代内部指标。

7. 60 分钟实施计划

0–5 分钟

检查 gpt-6-astra 是否可用：

• 模型选择器；
• API；
• Codex。

如果是企业版，请验证管理员权限。

5–15 分钟

检查：

model = "gpt-6-astra" approval_policy = "on-request" sandbox_mode = "workspace-write"

并且，对于上下文实验：

[features.context_management] experimental_mode = true

如有必要，重新启动 Codex。

15–25 分钟

更新 AGENTS.md：

• 范围；
• 限制；
• 测试；
• 完成条件；
• 审批点。

25–35 分钟

创建路由表：

Luna → Terra → Sol → Astra

35–55 分钟

使用 Astra 执行一个有限范围的实际调试任务。

使用明确的完成条件。

55–60 分钟

记录：

• Astra 真的必要吗？
• Sol 是否足够？
• 它防止了多少返工？
• 哪种配置有效？
• 什么应该成为一项技能？

这就够了。

您不需要测试每一个可用的功能。

分配 + 限制 + 长时间会话 = 利用 Astra 的基础。

8. 常见实用模式

1. 两级火箭

经济模型 → Astra

首先：

• 调查；
• 范围定义；
• 分析。

然后：

• 复杂实施；
• 集成；
• 验证。

2. 从一开始就设定完成条件

在长时间运行的 Agent 中，在指令的第一部分写下：

"当...时，任务将完成。"

这可以防止无目的的探索。

3. 上下文和笔记

对于长时间的工作，保留：

• 假设；
• 结果；
• 决定；
• 测试；
• 重要文件。

不要仅仅依赖 Agent 的压缩记忆。

4. 审批必须是最后一步

不要持续中断。

更好的是：

调查 → 实施 → 测试 → 准备结果 → 审查 → 批准 → 执行不可逆操作

5. 将基准测试作为指导

Mind2Web 和 OSWorld 可以帮助您决定测试什么。

但真正的 KPI 必须是内部的：

• 成功率；
• 执行时间；
• 每个任务的成本；
• 迭代次数；
• 返工；
• 人工干预。

9. 常见错误

在得出结论之前：

"Astra 很弱。"

请先按此顺序检查：

1. 可见性

模型是否实际可用？

1. 框架

Codex 是否已更新并正确配置？

1. 提示

指令是否清晰？

1. AGENTS.md

是否存在矛盾的规则？

1. 技能

是否存在过时或不一致的程序？

1. 路由

您是否为工作使用了正确的模型？

通常问题不在于模型的能力。

而在于 模型工作的环境。

10. 团队实施清单

• 定义谁将使用 Astra。
• 激活必要的管理权限。
• 确定负责人和截止日期。
• 创建 Luna/Terra/Sol/Astra 路由表。
• 创建最小的 AGENTS.md。
• 定义 approval_policy。
• 定义 sandbox_mode。
• 定义人工干预点。
• 记录机密操作。
• 建立每周成本审查。
• 记录哪些任务实际需要 Astra。
• 将重复性错误转化为技能。

优先事项应该是减少团队错误和返工，而不仅仅是最大化单个 Agent 的速度。

11. 决策树：Sol vs. Astra

在任务开始时使用此序列：

1. 能否在一次交互中完成？

是 → Luna / Terra / Sol

否 → 继续。

1. 是否需要 GUI、工具或许多步骤？

是 → Astra

否 → 继续。

1. 失败的成本高吗？

是 → Astra

否 → Sol/Terra

1. 任务在执行过程中难度会变化吗？

是 → 考虑 Astra + 动态推理调整。

1. Astra 仍然不可用吗？

使用 Sol 执行相同的工作流。

当 Astra 出现时，仅更改模型并保持结构不变。

12. 迁移到 Astra 的 API

推荐的顺序是：

1. 更改模型

model = "gpt-6-astra"

1. 使用 Responses API

特别是在有工具调用的情况下。

1. 审查推理

Astra 不使用：

reasoning.effort = "none"

当足够时，从低水平开始。

1. 移除不必要的参数

审查参数，例如：

temperature top_p

如果模型或端点不再支持它们。

1. 审查缓存

迁移到：

prompt_cache_options.ttl

在适用时。

1. 审查数据驻留

如果您在欧盟使用基础设施或有驻留要求，请验证相应的限制。

1. 动态调整推理

在困难任务期间：

仅当任务变得真正困难时，才增加推理努力。

在常规操作期间：

当额外的推理不再有用时，返回到较低的推理级别。

1. 长时间工具

当工具时间证明其合理性时，考虑异步执行。

13. 最小 Codex 配置

初始配置可以是：

model = "gpt-6-astra" model_reasoning_effort = "high" approval_policy = "on-request" sandbox_mode = "workspace-write" [features.context_management] experimental_mode = true

并且仓库应包含一个 AGENTS.md，用于定义：

AGENTS.md

目标

• 保持最小化修改。
• 完成需要所有必需测试通过。

允许范围

• src/
• tests/

审批关卡

• 生产部署
• 外部数据传输
• 权限变更
• 最终合并

运行行为

• 在批准范围内自主工作。
• 优先选择可逆操作。
• 在请求批准前生成可审查的结果。
• 不要询问不必要的确认问题。

修改配置后：

1. 重启 Codex；
2. 执行一个小型读取任务；
3. 验证环境是否正常工作；
4. 开始主要任务。

14. 用一句话定义"最大利用率"

在本文档中，最大利用率并不意味着消耗最大数量的 token。

它的意思是：

将 Astra 集中在它真正能发挥作用的任务上，经济地执行其他所有操作，并建立一个由指令、限制、审批和上下文管理组成的坚实基础，使长任务能够在不被不必要中断的情况下完成。

从这个定义可以得出几个结论：

• 每周更新路由表比随意更换模型更好。
• 执行真正的调试测试比尝试每一个新功能更好。
• 衡量成功率和每个任务的时间比追逐基准更好。
• 我们不能把宣传用语变成内部规范。
• 如果 Astra 不可用，可以使用 Sol 作为临时替代。

15. 三个基本交付物

最终，整个系统应该产生三个要素：

1. 动态分配表

定义何时使用：

Luna / Terra / Sol / Astra

2. AGENTS.md

定义：

• 规则；
• 范围；
• 限制；
• 测试；
• 完成条件；
• 人工检查点。

3. 长运行提示词

必须定义：

• 角色；
• 目标；
• 完成条件；
• 流程；
• 限制；
• 工具；
• 验证；
• 输出格式。

这三个要素比记住整个功能目录更重要。

16. 分类卡片（可复制）

在每个重要会话开始时使用此卡片：

卡片不需要完美。

它的目标是培养一种分类习惯。

如果你推荐 Astra，但任务只需要简短回答，你可能是在过度使用模型。

如果 Sol 因上下文丢失或无法完成长链操作而反复失败，那么可能是时候升级到 Astra 了。

17. 如何真正思考价格

每百万 token 的费率只是等式的一部分。

例如：

Astra

• 输入：$10
• 输出：$50

Sol

• 输入：$4
• 输出：$20

Astra 更贵。

但让我们想象一下：

Sol

$5 的 token + 4 次尝试 + 2 次失败 + 人工返工 = 实际成本高

Astra

$12 的 token + 1 次尝试 + 正确结果 = 每个任务的总成本更低

因此，对于短任务：

每个 token 的价格非常重要。

对于长任务：

每个已完成任务的成本重要得多。

最终指标应该是：

成本 × 成功率 × 时间 × 人工干预

而不仅仅是：

$/1M tokens

结论

Astra 的目标不应该是让它成为所有任务的默认模型。

目标应该是建立一个系统，让每个模型都做它最擅长的工作。

Luna

批量处理和简单任务。

Terra

成本和能力之间的平衡。

Sol

标准工作和通用编程。

Astra

复杂、长链、自主、GUI、数学、调试任务以及失败代价高昂的工作。

最强大的模式是：

低成本调研 → 规划 → 必要时使用 Astra 执行 → 验证 → 准备可审查的结果 → 仅在最终检查点进行人工干预。

真正的优化不是更多地使用 Astra。

而是确切知道何时 Astra 值得使用。

而 Agent 越复杂，围绕它的基础设施就越重要：AGENTS.md、技能、沙箱、审批、上下文管理。**