Перейти к содержимому
Оригинал
OpenAI Developer Blog · Codex·· 26 дней назадИзбранное редакциейОценка ИИ66

OpenAI рассказал, как переписать Skills и промпты под GPT-6 Astra

Оригинальный заголовок: Rethinking skills and prompts for GPT-6 Astra

Краткий обзор ИИ

В официальном блоге OpenAI даны рекомендации по настройке Skills, AGENTS.md и промптов задач под GPT-6 Astra: описание Skill должно быть по возможности коротким и чётко указывать, где он применим; для многошаговых Skills корневой документ служит минимальной маршрутизацией — не стоит превращать Skill в слишком детальный список шагов.

Почему это важно

OpenAI опубликовал рекомендации по чистке Skills, AGENTS.md и промптов под GPT-6 Astra — их можно перенести и на конфигурацию существующих репозиториев.

Полный текст · Перевод ИИ

ИИ-агенты для разработки прошли долгий путь, и лучшие практики меняются очень быстро. С появлением более мощных моделей то, что раньше требовало множества ручных подсказок и обвязки, теперь обходится без этого.

Если за последний год вы использовали в своих проектах такие агенты, как Codex, то, вероятно, накопили немало инструкций, пока направляли модели к нужным результатам. С каждым новым выпуском стоило пересматривать эти допущения, но с GPT-6 Astra это стало важнее, чем когда-либо.

Эти инструкции могут принимать разные формы: навыки, AGENTS.md и ваши промпты для задач — всё это влияет на то, как модель выполняет работу.

Более качественные навыки

Такие инструкции могут быть оформлены в виде навыков — по сути, это промпты, хранящиеся в файлах Markdown, которые также можно упаковывать вместе с ресурсами и скриптами. Как правило, они особенно полезны для подсказок по конкретному рабочему процессу или при работе с определёнными приложениями.

Сейчас принято включать в проекты множество навыков, причём каждый из них сопровождается названием и описанием, которые загружаются в контекст модели, чтобы она знала, когда их применять. Однако многие описания оказываются слишком длинными, и если добавить слишком много навыков, Codex начинает сокращать их, чтобы уместиться. В итоге модель видит меньше информации из каждого описания, что затрудняет выбор подходящего навыка.

Хуже того, описания часто противоречат друг другу или чрезмерно акцентируют моменты, когда следует использовать тот или иной навык, из-за чего модель загружает инструкции, которые на самом деле не помогают решению задачи.

Обычный подход к созданию навыков — использовать навык $skill-creator. Недавно мы обновили его рекомендации, чтобы минимизировать многие из проблем, с которыми сталкивались на практике.

Во-первых, описания навыков должны быть максимально короткими, но при этом чётко указывать, когда модель должна их применять:

Чётко обозначьте, когда он применим

Плохо

Создавайте и проверяйте миграции схемы базы данных Postgres. Используйте при работе с базами данных, запросами, моделями или механизмами сохранения данных.

Хорошо

Создавайте и проверяйте миграции схемы базы данных Postgres. Используйте при добавлении или изменении миграции, а также при проверке её внедрения.

Здесь плохое описание навыка может побудить модель применять его всякий раз, когда она сталкивается с чем-то, связанным с базой данных, вместо того чтобы использовать его только при необходимости обработки миграции.

Во-вторых, один из ключевых признаков полезного навыка — постепенное раскрытие информации. Чтение навыка занимает контекст, приближая вас к компактификации и добавляя подсказки, которые могут не относиться к текущей задаче. Для навыков с несколькими рабочими процессами сделайте основной документ минимальным маршрутизатором, который ссылается на вспомогательные документы и скрипты. Дайте модели достаточно ориентиров, чтобы она знала, где искать, не заставляя её читать то, что в данный момент не имеет значения.

В-третьих, многие навыки изначально оформлялись как подробные планы или рецепты. Модели стали гораздо лучше понимать нюансы и неопределённость, поэтому слишком детализированные инструкции теперь могут мешать достижению результата там, где раньше помогали.

Навыки репозитория также служат ориентиром для агентов других участников, которые могут использовать разные модели. Рекомендации, полезные для Sol или Luna, могут слишком ограничивать GPT-6 Astra, поэтому заранее продумывайте, какие модели будут работать с оставленными вами инструкциями.

Актуальный файл AGENTS.md

Поскольку AGENTS.md применяется всякий раз, когда модель работает в вашем репозитории, регулярно пересматривайте каждую инструкцию и спрашивайте себя, действительно ли она ещё нужна.

Требовать целый стэк документов или полную карту репозитория перед каждой правкой — излишне даже для исправления опечатки. GPT-6 Astra способен самостоятельно определить, что ему нужно прочитать, не заставляя просматривать весь проект перед каждым изменением.

Читайте только то, что необходимо для выполнения задачи

Плохо

Перед каждой правкой читайте architecture.md, database.md и deployment.md.

Хорошо

Обращайтесь к architecture.md, чтобы понять границы сервисов, к database.md — при изменении схемы, а к deployment.md — при подготовке к развёртыванию.

Заставлять модель читать файлы перед каждой правкой — отличный способ сжечь контекст и замедлить работу. Но если указывать на документы по делу, это всё же может помочь. И не забывайте обновлять документацию!

Раньше моделям требовалось напоминать, чтобы они запускали тесты и проверяли свою работу. GPT-6 Astra делает это сама, поэтому те же инструкции могут привести к лишним проверкам.

GPT-6 Astra работает тщательно, но иногда слишком осторожничает и не доводит задачу до конца. Иногда её нужно немного подтолкнуть. С помощью AGENTS.md можно разрешить ей конкретный рабочий процесс, в безопасности которого вы уверены, например локальный набор тестов:

Локальные тесты используют одноразовые фикстуры и не имеют доступа к продакшену. Запускайте их, исправляйте ошибки, вызванные нужным изменением, и перезапускайте затронутые тесты, не спрашивая разрешения на каждом шаге.

Границы решений

Внимательно следите за тем, как вы описываете границы. Если предыдущая модель что-то делала за вас без разрешения, вы могли добавить жёсткие формулировки, чтобы она сначала спрашивала. Это бывает полезно, но GPT-6 Astra — наша самая выровненная модель, у неё гораздо лучше с суждениями, и она не станет выполнять задачу, пока не убедится в её безопасности. Так и относитесь к ней.

Если раньше вы задавали границы, чтобы другие модели не заходили слишком далеко, а теперь переходите на GPT-6 Astra, подумайте, не обновить ли эти формулировки: Astra может воспринять их слишком буквально и остановиться там, где вы на самом деле были бы рады, если бы она продолжила.

Настойчивость

Если вы привыкли, что GPT-5.6 Sol берётся за запрос и долго его выполняет, то GPT-6 Astra может казаться более нерешительной в том, когда останавливаться. Она может дойти до первой реализации и вернуться к вам на проверку, хотя работа ещё не закончена.

Вот тут помогает заранее определить, что считать завершением. Возможно, Astra придётся подталкивать, пока она не закончит полностью. Если задача включает запуск реализации, проверку результата и исправление ошибок, включите это в сам запрос. Требование остановиться на проверку после первой реализации потянет модель к более ранней точке остановки, так что подумайте, действительно ли вам нужно принимать это решение.

Если вы хотите, чтобы она исследовала что-то дальше первого прохода, скажите, что именно нужно изучить и где остановиться.

Новая модель — хороший повод навести порядок, но пересматривать всё вручную не обязательно: попросите GPT-6 Astra провести аудит на основе того, о чём говорилось в этой статье, а потом идите и сделайте что-нибудь, за что раньше не взялись бы!

Источник: OpenAI Developer Blog · Codex · developers.openai.com