实测 Token 开销直降 50%！GPT-6 Astra 发布后，推理能力和任务完成度确实令人惊艳，但随之而来的也是“Token 收割机”的账单痛感。同样的开发任务，Astra 的 Token 消耗速率往往达到 GPT-5.6 Sol 的两倍以上。想要用好这台性能怪兽，必须换掉旧时代与大模型交互的沉重惯性。
本文整理了目前自用且行之有效的 4 个底层配置与调优技巧，涵盖档位选型、上下文窗口、AGENTS.md 约束以及 Skills 瘦身，帮你用最低的成本跑出最高的效果。
一、 档位选型：告别盲目顶配
开发者 Tibo 给出的核心结论非常准确：GPT-6 Astra 的 Low 档位，综合表现已超越 GPT-5.6 Sol 的 High 档位。
盲目追求顶配只会带来边际效应递减。基准测试显示：从 Ultra/High 降至 Medium，仅损失 1%~3% 的边缘准确率，却能换取 50% 以上的 Token 成本节省。针对不同任务推荐如下分配：
- Low：数据抽取、实体分类、局部短文润色、轻量脚本编写、单一 Bug 修复。
- Medium（性价比甜点档）：常规模块编码、多步 Tool 调用、技术文档生成。日常 70% 的开发任务首选。
- High：多仓库级改动、重构方案实施、复杂链路规划的落地执行。
- xHigh：全架构级重构分析、系统设计初期的深度推演。
- Ultra：仅在极少数需穷尽边界条件的极端长链条逻辑下启用。
二、 开启实验级上下文管理：抛弃全量压缩
过去使用 ChatGPT / Codex 时，常见做法是将所有关联资料一股脑塞入上下文，超出限制后再强制全局压缩。但在 Astra 机制下，冗余资料不仅白白消耗 Token，还会干扰其精细思考链路。
解决该问题的核心是开启 Codex 隐藏的“笔记检索”上下文模式。该功能通过结构化笔记替代粗暴的截断压缩，能跨窗口保留核心状态，并在任务推进时主动检索早期工具输出：
找到并打开配置文件 ~/.codex/config.toml，添加以下配置项：
[features.context_management]
experimental_mode = true
保存退出即可生效。体感上能进一步削减约三分之一的不必要上下文损耗，同时大幅减少关键上下文遗忘。
三、 修正 AGENTS.md：针对 Astra 调性重构交互逻辑
Astra 对规则的遵从度和敏感度远高于前代，但也更容易表现为“过度提问”、“沉迷罗列超长清单”或“卡在规划阶段不执行”。一旦指令与历史规范有细微冲突，它往往会停滞等待。
我用了几天 Astra，它的特性会有这些，会更爱提问，更爱写很长的列表，有时候停在计划上不往下做，对 Skills、AGENTS.md 本身的要求也更遵循，更敏感。
什么叫更遵循和更敏感。
就是说，如果说在过程中，有些思考或者要求和 Skills、AGENTS.md 本身的要求有冲突，可能会导致：
1.不遵循你的要求，而是遵循Skills、AGENTS.md 本身的要求。
2.直接断掉，或者停留在计划阶段。
所以，解决方案就是，在Agents.md中，根据他的调性调一下。
在 Codex 的 设置 -> 个性化 中，将 AGENTS.md 更新为以下防内耗模板：
GOAL
明确交付结果与可验收标准，直接交付可用成果。
AUTONOMY
常规信息缺口自行合理假设并推进。
仅在缺少信息会导致不可逆偏差或推翻全局时提问。
提问时必须并行推进不依赖该问题的其他分支。
PRIORITY
显式指令 > 当前上下文追问 > Skills / AGENTS.md 的常规指引。
若发生规则冲突，指出文件路径与原句后直接执行高优先级指令。
STYLE
结论先行，短段落呈现，禁止长清单与客套话。
DONE
专注执行落地，不要仅提供行动计划；直至交付成果完全达成方可停止。
APPROVAL
只读或可逆操作：直接执行。
破坏性或不可逆外部操作：提供可审阅变更方案，仅在最后一步请求确认。
VERIFY
验证粒度与改动规模严格对等，必要测试通过立即停止，避免过度校验。
SUBAGENTS
独立子任务必须并行化处理，主模型负责裁决与结果缝合。具体的位置，在设置 -> 个性化里面。
四、 Skills 渐进式披露：给过去的指令全面瘦身
OpenAI Codex 团队的 Eric Provencher 近期明确指出：过去为了约束弱模型而撰写的密集防御性指令，在 Astra 面前反而是掣肘。
第一，有用的 skill 的一个关键标志是渐进披露。
读一份 skill 会占用上下文，让你更接近压缩，并引入当前任务可能并不适用的指引。
正确的处理方法是：对于包含多种工作流的 skill，把根文档做成一个最小路由器，指向配套文档和脚本。给模型足够的指引，让它知道去哪里找，而不强迫它读此刻无关的内容。
举个简单的例子：
不对的Skill描述是：编辑前必须读完 architecture.md、database.md、deployment.md。
正确的Skill描述是：处理服务边界时看 architecture.md，改 DB 结构时看 database.md，准备部署时看 deployment.md。
也就是说，现在Skill，可以更有明确的披露（需要什么才读什么）。
第二，许多 skill 被写成了详尽的行程单或菜谱。
很好理解，Astra模型在理解细微差别和模糊的地方上已经好得多，因此过于具体的指引现在可能约束过度，反而妨碍结果的完整性。
- 缺乏渐进式披露（Progressive Disclosure）：每次触发技能都要求读取全量规范，占满窗口。应将根文件做成路由，按需加载配套文档（如：修改 DB 结构时才读取
database.md）。 - 流程过度机械化：将简单任务写成固定菜谱，剥夺了模型自行选择最优执行路径的能力。
所以，解决方案在这里。可以在 Codex 中，在你 Skill 存在的项目中（对Agents.md同样适用），发送这个指令：
请逐一审查本项目内的所有技能文件（包括 SKILL.md 及相关指令文件）和 AGENTS.md 文件，参照 OpenAI Codex DX 团队在评审 GPT-6 Astra 最佳实践时总结的以下六类问题，检查其中的指令是否仍然必要、准确且有效。本轮只做审查并提交报告，不修改任何文件。
【审查维度】
1. 技能描述过长或过于宽泛：导致加载截断或误触发。
2. 缺少按需加载的分层结构：将多工作流杂糅在单一长文件，未做路由拆分。
3. 操作步骤过于僵化：强制线性执行长串预设脚本，限制模型合理裁量。
4. 每次修改前强制读取完整上下文：哪怕小改动也要求通读全仓或大文件。
5. 已经过时的测试或验证要求：为弥补旧模型缺陷设置的冗余复核。
6. 过度谨慎的请示与审批措辞：对已授权范围内的安全操作反复中断提问。
【输出格式】
对于需调整的指令：
- 【需调整】所属类别：[问题类别]
- 原文与位置：[文件路径:行号] 引用原句
- 原有目的：[旧模型下的设计意图]
- 标记理由：[在 Astra 下为何造成冗余/阻碍]
- 处理建议：[删除 / 精简 / 拆分路由 / 改写]
对于保留指令：
- 【应保留】原文与位置 / 保留理由（阐述其长效业务事实或安全边界）。
【判定原则】
仅剔除为了打补丁而设的过时约束；项目本身真实的长期安全规范、业务约束必须保留。最后请输出一行统计占比（六类问题占比与保留比例）。完成审查并瘦身后，Skills 调用带来的上下文膨胀会大幅减少，模型响应延迟和意图理解均会有立竿见影的提升。
面对更强推理能力的模型，过度的保姆级指令早已成为性能负债。将复杂的流程降维为精准的上下文输入，才是发挥 GPT-6 Astra 真正实力并省下预算的关键。
Astra 这次，真的很强。强到什么程度呢。那些我们已经熟练的范式（系统提示词、Skills）都开始需要变了。变得更简洁，更轻松，更有效。
所以，希望以上的这些小技巧可以帮你省下一些token，提升一些效果。去实现更多我们天马行空的想法。一起探索这个AI时代，尽力不被这个时代落下。与君共勉。
文章评论