GPT-6 Astra 时代：Skills 与 Prompt 的重新审视与优化实践

AI Coding 技术已走过漫长的演进之路，最佳实践的迭代速度令人瞩目。当大模型能力迈入新阶段，许多曾经行之有效的假设与方法正悄然失效。GPT-6 Astra 的发布，标志着模型在推理能力、上下文理解和任务规划上实现了质的飞跃——那些过去需要手把手引导、再搭一堆脚手架才能完成的工作，如今往往可以一步到位。然而，能力的跃升也带来了一个容易被忽视的问题：开发者们积攒的大量指令（Skills、AGENTS.md、任务 Prompt）是否仍然适配新模型的能力边界？每一次重大版本更新，都是重新审视这些指令资产的绝佳契机。

精简描述：让模型精准识别何时调用

Skills 本质上是存为 Markdown 格式的 Prompt，可以打包资源和附带脚本，是引导模型执行特定工作流的利器。当前社区普遍的做法是为每个 Skill 赋予名称和描述，让模型在任务执行时能够判断何时该调用哪个 Skill。然而，很多描述写得过于冗长，当 Skill 数量增多时，模型会被迫截短描述以塞入有限的上下文，导致每条描述传达给模型的信息量大幅缩水。更棘手的是，不同 Skill 的描述之间常常互相重叠或语义冲突，把「何时该用」说得过于宽泛，结果模型加载了一堆对当前任务毫无助益的指令，徒增噪声而非价值。

渐进式披露：用极简路由器替代大而全的文档

优秀的 Skills 有一个关键特征——渐进式披露（Progressive Disclosure）。阅读一份 Skill 会占用上下文额度，让你更接近上下文压缩的阈值，同时可能塞入与当前任务无关的指引。如果一个 Skill 覆盖多种工作流，根文档应该做成一个极简路由器，仅提供足够的线索让模型知道去哪里查找详细文档，而不是把所有相关内容都塞进一份文档强迫模型一次性读完。当前的模型已经具备了更强的模糊理解能力，过分具体的指引反而可能画地为牢、限制模型的发挥空间。

保持 AGENTS.md 时效性：按场景指向而非全局灌输

对于安全边界，需要特别审慎地重新评估。如果以前的指令是为了防止模型未经允许擅自行动，现在则要考虑：新模型对齐程度更高、判断力更强，不确定安全的情况下不会贸然行动，但这种谨慎也可能过头——在你实际希望它继续执行的地方停下来。任务完成度的定义同样关键。与前代模型「接活就干到底」的风格不同，GPT-6 Astra 在「任务该做到哪一步」上可能更犹豫。它可能在完成第一版实现后就返回 review，而后续仍有未竟之事。因此，在任务开始前明确「怎样算完成」至关重要：是否包含运行实现、验证结果、修复失败？如果希望模型在第一轮后继续探索，也要明确探索的范围和停止条件。

实践价值：一次全面审计带来的效率跃升

从企业落地的视角来看，Skills 与 Prompt 的全面审视并非可选项，而是提升 AI Coding 效能的必要投资。以某技术团队的实践为例，他们在引入新版模型后并未急于开发新功能，而是花了两周时间对现有的 47 个 Skills 和 AGENTS.md 进行了系统性审计：删除冗余描述、统一触发条件、将大文档拆分为场景化路由器。结果显示，同等任务下的上下文消耗下降了约 35%，模型的任务完成率从 72% 提升至 89%，且因指令冲突导致的返工情况基本消除。更重要的是，团队成员普遍反馈：指令维护成本降低，模型行为变得更可预测。这种「先优化再开工」的策略，在大型项目中尤为有效。

新模型的发布是一次全面审视指令资产的良机。不必独自承担全部审计工作——可以让 AI 协助检查现有的 Skills 与 Prompt 是否符合新模型的能力特征，在此基础上进行针对性优化。当指令体系与模型能力真正对齐时，AI Coding 的效率将迎来质的飞跃。主动拥抱变化，而非被动适应，才是驾驭大模型的最佳姿势。