作为每天深度使用 Claude Code、Cursor 与私有 Agent Harness 的一线后端架构师，最近我一直在反思一个问题：

为什么模型参数越来越大、推理评测分数越来越高，但有些时候，我们在日常项目里使用 AI Agent 反而觉得它变“钝”了、变“啰嗦”了？

直到 2026 年 9 月 4 日，OpenAI Codex 团队的核心架构师 Eric Provencher（@pvncher） 发布了一篇极具震撼力的技术长文——《Rethinking skills and prompts for GPT-6 Astra》。

读完之后我恍然大悟：不是新一代模型变钝了，而是我们这帮工程师，还在用一年前针对 GPT-5.6 Sol / Luna 时代定制的“臃肿脚手架”去束缚最新的 GPT-6 Astra！

今天这篇实战长文，我将结合 OpenAI 官方的建议与实际工程代码，带大家对项目中的 Skills 体系、AGENTS.md 规范以及 Prompt 交互模式 进行一次彻底的重构实践。

---

一、 Skills 重构实战：从“过度自信”到“渐进式路由”

很多同学在给 Agent 开发或引入 Skill 时，往往把它当成一个带有大段 System Prompt 的粗糙文件。

在 GPT-6 Astra 时代，这种搞法会导致两大底层灾难：

1. 上下文截断（Context Truncation）：已注册的所有 Skill 描述会在 Session 初始无条件占位。描述过长会导致宿主环境启动强制 Truncation，让模型失去辨识力；
2. 抢麦效应（Pick-me Energy）：过于宽泛的描述会导致误命中，把简单的单点修改带入复杂的无用工作流中。

❌ 重构前的“负面教材”（Bad Skill Description）

<!-- skills/db_migration/SKILL.md (反面教材) -->
---
name: db_migration
description: Comprehensive database expert tool for handling everything about SQL, tables, column migrations, schemas, ORM queries, performance indexing, and database backups.
---

# Instructions
1. Every time you touch a database file, read docs/db_architecture.md.
2. Step 1: Dump the database schema.
3. Step 2: Write raw SQL DDL.
4. Step 3: Run migration script and check error logs.
5. Step 4: Ask human for confirmation before touching any records.

问题分析：

• 这个描述充满了“抢麦冲动”，哪怕开发者只是想加一个普通的 is_active 过滤条件，Astra 也会被迫触发该技能；
• 内部把操作步骤定死成保姆式菜谱，完全剥夺了 Astra 自主分析 ORM 代码的能力。

✅ 重构后的“渐进式路由规范”（Good Router Skill）

<!-- skills/db_migration/SKILL.md (推荐范式：轻量路由) -->
---
name: db_migration
description: Executes and rolls back schema-altering migrations for production databases. Do NOT use for standard ORM queries, typo fixes, or local schema inspection.
---

# Database Migration Router

When executing a schema-altering database migration:
- Review the targeted migration guidelines: [schema_rules.md](references/schema_rules.md)
- Execute the migration dry-run script: `python scripts/dry_run.py`
- If validation fails, inspect the generated logs and fix discrepancies.

For deeper architectural context or rollback playbooks, refer to `references/rollback_playbook.md` on-demand.

改进亮点：

• 极其克制精准的描述：明确了“何时用”以及“何时不要用（Do NOT use...）”，极大降低误触发率；
• 渐进式揭示（Progressive Disclosure）：主文件仅保留不到 20 行的轻量级路由，沉重的规范与回滚手册全部移至 references/，只有在真正需要时才懒加载入上下文，极其节省 Token。

---

二、 AGENTS.md 瘦身：消除不必要的全局防御性条款

在团队代码仓库里，AGENTS.md 是一个全局生效的文件。因此，任何一条低效规则，都会在后续成千上万次变更中被按比例持续扣税。

❌ 旧版臃肿规则：处处设防，人人自危

<!-- 旧版 AGENTS.md 片段 -->
1. 在对任何代码进行修改之前，你必须使用 find 工具完整遍历目录，并通读 README.md 和 ARCHITECTURE.md。
2. 每次完成单行代码编辑后，必须强制运行全部单元测试套件。
3. 严格禁止在没有获得用户显式授权的情况下执行任何终端指令。

在 GPT-6 Astra 看来：

• 哪怕用户只是让你改个注释里的错别字，它也必须先去把几万行的架构文档通读一遍，带来数十秒的白白等待和上万 Token 的算力浪费；
• 第三条的过度恐吓，导致 Astra 表现得极其谨慎（Tentative），写完一个函数就立刻中断停下来问你：“我是否可以保存？我是否可以运行检查？”，极度打断人类思路。

✅ 新版精炼准则：分级放权，闭环自驱

<!-- 新版精炼 AGENTS.md -->
# Engineering Principles for GPT-6 Astra

## 1. Context Navigation
- Locate files contextually via symbol search or targeted ripgrep. Avoid sweeping whole-repo read operations unless specifically requested for architectural audits.

## 2. Autonomous Local Test Permission
- Local tests utilize isolated mock fixtures with zero production risk.
- **Permission Granted**: You are authorized to run local test suites, analyze failure tracebacks, implement fixes, and re-run tests autonomously without prompting for human approval at each step.

## 3. Decision Boundaries
- Stop and request confirmation only for: external API network calls, database drop operations, or modifying core CI/CD deployment pipelines.

实测效果：

• 剔除了强制全仓预读后，简单任务的首字响应与交付时间缩短了 65% 以上；
• 明确赋予本地测试自驱权限后，Astra 能够一口气自主完成“编码 -> 单测报错 -> 自动捕获 Traceback -> 修复 Bug -> 测试全绿”，体验丝滑流畅！

---

三、 提问范式转变：用“完工定义（DoD）”驱动深度交付

很多开发者从旧模型切换到 Astra 时，最常抱怨的一句话是：“它怎么写了个开头就停下来了？”

Eric Provencher 在长文中指出，这是因为 Astra 具有更强的人机协作分寸感。面对一条边界模糊的需求，它倾向于快速交付第一版实现，然后等待你的审查。

如果你希望它持续深入地完成端到端任务，你必须改变提问习惯，将过去对过程的指手画脚，升级为对最终成果的验收准则（Definition of Done）：

❌ 传统的弱指令提问

“帮我给 User 服务加一个导出 Excel 的功能，快点写。”
(结果：Astra 生成了一个基础 Controller 方法，然后停下等待你的确认。)

✅ 契约式的 DoD 驱动提问

“请为 User 服务实现导出 Excel 功能：
1. 支持百万级大数据的流式分页导出，避免内存溢出；
2. 运行本地测试 pytest tests/test_export.py 验证各种边界条件（空列表、非法字段、超时拦截）；
3. 自主排查并修复所有测试失败用例；
4. 完工定义：直到所有测试通过且生成完整覆盖率报告后，再向我交付最终代码与验证总结。”

在这种提示词下，Astra 会将完整的自治权限与明确的目标对齐，在沙箱环境中自发循环调试，交出一份真正开箱即用的高分答卷。

---

四、 总结

大模型的发展史，就是一部不断淘汰冗余胶水代码与人为约束的历史。

面对 GPT-6 Astra 这样具备高阶推理与自省能力的新一代智能体：

1. 精简 Skills：践行渐进式揭示，根文档只做最小路由；
2. 给 AGENTS.md 减负：按环境分级授权，让安全沙箱测试全自动跑起来；
3. 拥抱 DoD：把精力从盯细节，转向立规矩、定标准、验结果。

现在就去检查你的项目代码库吧，卸下历史沉疴，让你的 Coding Agent 真正迎来飞驰时刻！