OpenAI советует сократить skills, AGENTS.md и промпты под GPT-6 Astra

Новая модель — повод пересмотреть накопленные инструкции

Кодинг-агенты прошли большой путь, и лучшие практики меняются быстро: то, что раньше требовало ручного ведения модели за руку, теперь ей не нужно. За год работы с Codex у большинства команд накапливается масса инструкций, и каждый новый релиз стоит пересматривать эти допущения — но с GPT-6 Astra это важнее, чем когда-либо.

Инструкции принимают разные формы: skills, файлы AGENTS.md и сами задачи-промпты. Все они определяют, как модель выполняет работу. Автор публикации в блоге OpenAI для разработчиков Eric Provencher предлагает пройтись по ним заново и убрать лишнее.

Skills: короткое описание и постепенное раскрытие

Скиллы — это по сути промпты, сохранённые как Markdown-файлы, которые можно упаковывать вместе с ресурсами и скриптами. Обычно они лучше всего работают как руководство для конкретного рабочего процесса или при работе с определёнными приложениями. Сейчас принято упаковывать в проекты сразу много скиллов, и каждый приносит имя и описание, загружаемые в контекст модели, чтобы она понимала, когда их использовать.

Проблема в том, что описания часто слишком длинные: когда скиллов становится много, Codex начинает их укорачивать, чтобы уложиться в бюджет, и модель видит от каждого описания всё меньше — выбрать нужный скилл становится труднее. Хуже того, описания нередко противоречат друг другу или слишком настойчиво подсказывают, когда скилл применять, и модель загружает инструкции, которые задаче не помогают. Документация Codex описывает тот же механизм прямо: стартовый список скиллов ограничен двумя процентами контекстного окна модели или 8 000 символов, а при большом наборе Codex урезает именно описания и может вообще пропустить часть скиллов в начальном списке — полный SKILL.md читается только тогда, когда скилл выбран.

Типовой способ создавать скиллы — скилл $skill-creator, и его рекомендации недавно обновили, чтобы закрыть большинство наблюдаемых на практике сбоев. Первое правило: описание должно быть максимально коротким и при этом ясно говорить, когда скилл применяется. Плохой вариант — «Create and validate Postgres schema migrations. Use when working with databases, queries, models, or persistence»: такое описание подталкивает модель применять скилл при любом касании баз данных, а не только при работе с миграциями. Хороший вариант — «Create and validate Postgres schema migrations. Use when adding or changing a migration, or reviewing its rollout».

Второе правило — постепенное раскрытие (progressive disclosure): чтение скилла занимает контекст, приближает компактификацию и приносит указания, которые могут не относиться к текущей задаче. Для скиллов с несколькими сценариями корневой документ стоит сделать минимальным роутером, который ссылается на вспомогательные документы и скрипты: модель должна понимать, куда посмотреть, не читая всё подряд.

Третье правило — отказаться от чрезмерной детализации. Многие скиллы написаны как подробные маршруты и рецепты, но модели научились лучше работать с нюансами и неоднозначностью, так что излишне конкретные указания теперь могут мешать там, где раньше помогали. Отдельный нюанс — скиллы в репозитории читают и агенты других участников, работающие на других моделях: то, что помогает Sol или Luna, может излишне ограничивать GPT-6 Astra, поэтому стоит думать о том, какие модели будут использовать оставленные инструкции.

AGENTS.md: читать по необходимости, а не перед каждой правкой

Файл AGENTS.md применяется всякий раз, когда модель работает в репозитории, поэтому каждую инструкцию в нём стоит периодически перечитывать и спрашивать себя, нужна ли она ещё. Требовать стопку документов или полную карту репозитория перед каждой правкой для исправления опечатки — явный перебор: GPT-6 Astra сама разберётся, что ей нужно прочитать, без принудительного обзора всего проекта перед каждым изменением.

Пример из публикации: вместо «Before every edit, read architecture.md, database.md, and deployment.md» лучше написать «Use architecture.md for service boundaries, database.md for schema changes, and deployment.md when preparing a deployment». Подсказки, какие документы посмотреть, по-прежнему полезны, но только если они контекстные; сами документы при этом нужно поддерживать в актуальном состоянии.

Ещё один сдвиг касается проверки работы. Предыдущие модели приходилось подталкивать к запуску тестов, а GPT-6 Astra делает это сама, поэтому те же самые инструкции теперь приводят к лишнему тестированию. Зато Astra, будучи основательной, бывает осторожна в том, как далеко заходить: ей иногда нужен небольшой толчок, чтобы продолжить. AGENTS.md — подходящее место, чтобы выдать разрешение на конкретный безопасный сценарий, например локальный набор тестов: «The local tests use disposable fixtures and have no production access. Run them, fix failures caused by the requested change, and rerun affected tests without asking for approval at each step».

Границы и настойчивость: как формулировать теперь

Отдельного внимания требуют границы. Если раньше модель делала что-то без спроса и приходилось жёстко требовать согласования, такое указание может быть полезным — но GPT-6 Astra описана как самая выровненная модель с заметно лучшим суждением, которая не станет делать то, в безопасности чего не уверена, и относиться к ней стоит соответственно. Если строгие границы ставились для других моделей, при переходе на Astra формулировки стоит обновить: она может понять их слишком буквально и остановить работу там, где продолжение было бы желанным.

Вторая тема — настойчивость. Если вы привыкли, что GPT-5.6 Sol берётся за запрос и продолжает длинными отрезками, Astra может казаться более нерешительной в вопросе, когда остановиться: она способна вернуться с первой реализацией на ревью, хотя работы ещё много. Здесь помогает заранее определённое завершение: иногда Astra нужно подтолкнуть, чтобы она довела дело до конца. Если задача включает запуск реализации, проверку результата и исправление поломок, это стоит указать прямо, а требование остановиться на ревью после первой реализации будет тянуть модель к более ранней точке остановки. Если хочется, чтобы модель исследовала вопрос дальше первого прохода, надо сказать, что именно исследовать и где остановиться.

Что это значит на практике

Практический вывод из публикации: описания скиллов — короче и с явным триггером, корневой документ скилла — роутер вместо простыни, AGENTS.md — контекстные подсказки вместо обязательного чтения всего перед каждой правкой, а критерии завершения задачи — сформулированы заранее. Поскольку скиллы и инструкции в репозитории читают ещё и агенты других участников на других моделях, эти же формулировки влияют на всю команду.

Финальная рекомендация автора — воспринимать смену модели как повод разобрать накопившееся: не обязательно вручную, можно попросить GPT-6 Astra провести аудит по мотивам статьи и после этого взяться за что-то, за что раньше не стоило браться.