告别臃肿指令！GPT‑6 Astra 官方方法：Agent 配置大扫除，Skills 与 AGENTS.md 改造实操指南

随着 GPT‑6 Astra 这类新一代大模型能力大幅提升，过去长期累积下来、层层堆叠的“保姆式”指令、冗长规则已经不再适用，甚至挤占上下文、干扰模型判断，拖慢编码代理的工作效率。

• 官方文档：https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra

是时候给项目内提示词、Skills 技能文件、AGENTS.md 配置做一轮系统性减法。本文参考 OpenAI 官方优化思路，带你逐项审计仓库配置：从技能定义、AGENTS.md 条目、权限边界，到任务 Prompt，一步步完成适配新模型的改造。

面向 GPT‑6 Astra，重新设计技能与提示体系

编码智能体能力迭代速度极快，最佳实践也持续变化。在 Codex 时代，我们需要大量引导、前置规则、流程脚手架，才能保证输出质量。但迁移到 GPT‑6 Astra 之后，整套假设都需要重新审视。

各类指令分散在三处：独立 Skills 技能文档、仓库根目录 AGENTS.md、单次任务 Prompt。三者共同决定 Agent 的工作方式，也是本次清理的核心目标。

一、重新打磨 Skills 技能

技能本质是 Markdown 格式的预制提示词，还可以附带资源、脚本，用来规范特定工作流程。

现在很多项目存在一个通病：无脑大量堆砌技能，每个技能附带超长描述。大量技能描述载入上下文后，模型会主动压缩、简写技能信息，最终导致它分不清什么时候该调用哪一项技能。

更麻烦的是，多条技能描述互相冲突，或是过度泛化，让模型在无关场景错误加载指令。

三条核心优化原则

1. 技能描述极致精简，精准划定适用场景
   

   ❌ 糟糕示例
   创建并验证 Postgres 模式迁移。在处理数据库、查询、模型或持久化时使用。
   问题：范围太宽泛，但凡碰到数据库相关代码，都会强制触发该技能。

✅ 优化示例
创建并验证 Postgres 模式迁移。在新增/修改迁移脚本、审查迁移上线流程时使用。

2. 采用渐进式披露，拒绝全文灌入上下文
   技能文档不要把所有细节一次性塞给模型。如果一套技能包含多条工作流，根文档只做最小路由，指引模型在需要时查阅附属文档、脚本。
   当下不需要的流程信息，不要强制加载，避免无谓消耗上下文窗口。
3. 删掉“食谱式”过度细化步骤
   老一代模型需要一步一步写明操作顺序。GPT‑6 Astra 对模糊场景、复杂细节理解能力更强，过于刻板、事无巨细的流程限制，反而会束缚它，降低方案灵活性。

额外注意：一份仓库技能会被不同智能体共用（Sol、Luna、Astra）。适配 Sol/Luna 的强约束指令，很可能过度限制 Astra，梳理时区分不同模型的指令集。

补充：$skill-creator 技能也已经更新规范，可以用来生成符合新标准的轻量化技能。

二、重构 AGENTS.md，清理过时强制规则

AGENTS.md 的规则会作用于 Agent 在仓库内所有操作，定期逐条反问自己：这条规则现在还有必要吗？很多历史强制约束，在 Astra 下纯属冗余。

反模式：一刀切强制读取全套文档

❌ 糟糕示例
每次修改代码前，必须阅读 architecture.md、database.md、deployment.md。
问题：改一个拼写错误也要加载全套架构文档，浪费上下文，拉长执行耗时。

✅ 优化示例
查阅 architecture.md 理解服务边界；修改数据表结构参考 database.md；准备上线部署时查看 deployment.md。

按需读取、上下文关联使用文档，而不是所有操作强制全量加载。同时保持项目文档本身持续更新。

测试相关指令及时调整

旧模型经常需要反复催促才主动自测、校验成果；GPT‑6 Astra 会自发完成测试校验。照搬旧指令容易触发重复、无意义的大量测试。

安全放开确定无害流程的执行许可

Astra 会主动评估风险，不确定时主动询问。对于本地一次性测试夹具、不接触生产环境的测试套件，可以直接授予执行权限，减少频繁弹窗确认打断流程。

本地测试使用一次性夹具，无生产环境访问权限。直接运行测试，修复本次变更引发的失败，只重新执行受影响用例，无需每一步请求批准。

三、重新梳理决策边界话术

很多项目里严苛的权限边界，是为了约束早年模型“擅自执行高危操作”。

GPT‑6 Astra 对齐程度更高，具备自主风险判断，不确定的操作会主动停下来征询确认。

如果你直接沿用旧版强硬禁止类话术，会出现新问题：模型过度保守，大量本可以自主推进的工作中途停止、反复等待确认。

从旧模型迁移过来时，务必调低边界规则的严厉程度，避免不必要的阻塞。

四、任务持续性：解决 Astra“容易提前暂停”问题

对比 GPT‑5.6 Sol，GPT‑6 Astra 任务持续性表现不一样。它经常完成第一版实现就暂停，返回结果等待审核，即便后续还有遗留工作没有做完。

应对方案：

1. 在任务发起阶段，清晰定义完成标准；
2. 如果需要持续迭代、自测、修复问题，直接写进任务需求；
3. 不要笼统要求“完成第一版之后交由我审查”，容易触发模型提前终止。

如果你希望模型做完实现后继续探索优化方向，写明探索范围与终止条件。

写在最后

新模型上线，恰好是一次完整的配置大扫除契机。你不必逐条人工审阅全部内容，可以直接让 GPT‑6 Astra 依据这套规范，审计项目内所有 AGENTS.md、Skills 文件，自动完成精简改造。清理完臃肿指令之后，就能充分释放新一代编码 Agent 的能力。