「讓Astra在空資料夾裡啟動。舊Skill全部丟掉。一次直接做到答案。要修改就重新從零開始。」
這種極端摘要很容易記住，因為聽起來很合理：規則越疊越多，最後AI還沒開始工作，光讀員工手冊就下班了。
但OpenAI官方真正說的是更精確的版本。
不是全部刪除，而是只在需要時載入需要的東西。
這不只適用於Skill與AGENTS.md，也適用於很長的聊天與Codex工作階段。
工作階段越長，舊對話、工具輸出、日誌、失敗嘗試與過期指令越可能留在下一次判斷的上下文中。有用的歷史很強；沒用的歷史則像把去年的發票、壞掉的USB和六份重複清單全堆在桌上工作。
1. 官方不是叫你「清空」，而是叫你審核舊腳手架
OpenAI Developers於2026年9月11日發布「Rethinking skills and prompts for GPT-6 Astra」。
文章針對的是為了舊模型而長年累積的輔助規則。以前模型不讀文件，就加「每次必讀」；常忘測試，就加「每次全測」；容易越權，就加「任何動作先詢問」。
Astra的指令遵循能力更強。官方模型指南指出，它對Skill、AGENTS.md等上下文指令更敏感，模糊或互相衝突的規則可能讓它太早停下來。
所以問題不是Astra不看規則。
問題是它連替舊模型加的輔助輪都可能認真遵守。
官方也直接把「每次修改前無條件讀一大疊文件」當成浪費上下文、拖慢工作的例子。
更好的方式是：縮短Skill描述並精準定義觸發條件；AGENTS.md只留下真正長期有效的規則；專門文件只在相關工作讀；先定義完成條件；重新審核過去模型需要的批准、停止、過量測試規則。
不是一本巨型憲法，而是薄憲法 + 需要時才翻的專業手冊。
2. 「空資料夾、Skill全刪、一次命中、修改重來」有多真
「空資料夾啟動」是誇張。官方沒有要求丟掉現有repo與所有歷史，而是建議依任務讀需要的資料。
「舊Skill全部刪掉」也不是。真正建議是縮小觸發、縮短說明、移除衝突與多餘限制。
「一次命中答案」只對一半。官方強調定義done，避免Astra做完第一版就停，不是要求第一輸出必須完美。
「修改就從零開始」反而與Astra的新功能相反。mid-turn steering允許工作中追加修正與要求，同時保留已完成工作。
真正的重點是：不要失憶，但不要讓沒用的記憶永久保持啟用。
3. 工作階段越長，上下文消耗真的越大嗎
從API層面看，通常會。
模型不是只看最新一句。被保存或重新帶入的歷史訊息、工具結果、指令與對話狀態，都可能成為下一次回應的輸入上下文。
簡化來看，早期可能是：
歷史 5k + 新輸入 1k = 約 6k 輸入
後期可能是：
歷史 100k + 新輸入 1k = 約 101k 輸入
實際系統可能壓縮、截斷、快取或選擇性保留，因此數字不固定。但歷史不是免費無限附件。
OpenAI Realtime API文件也明確說明，較早回合的輸出會成為後續回合的輸入。
4. 有快取就不用怕上下文膨脹嗎
快取很有幫助，但不是魔法垃圾桶。
截至2026年9月14日，GPT-6 Astra API為一般輸入每百萬token 10美元、cached input 1美元、輸出50美元；輸入超過272k token時，整個請求的輸入與快取費率變成2倍，輸出變成1.5倍。
穩定長前綴命中快取會便宜很多，但新增內容仍持續增長、快取可能miss、大上下文中的衝突指令仍存在，而且超過門檻後價格結構也會改變。
API價格也不等於ChatGPT、Codex或Work產品內的使用額度。公開資訊不足以支持「ChatGPT聊天越長，額度就嚴格按歷史token線性下降」這種說法。
5. 最大風險不是錢，而是「舊規則變幽靈」
Astra對指令敏感，所以很久以前的「這裡一定要停」、已廢棄contract、為舊模型補上的「每次全部測試」，都可能繼續參與判斷。
最危險的是三類：
已解決垃圾： 修好的bug、結束的爭論、淘汰方案。
重複垃圾： 同一規則用不同說法重複很多次。
過期垃圾： 當時正確，但已不符合目前branch或contract的指令。
人會說「那是以前」。模型只看到它還在上下文。
結果強模型反而可能出現一種奇妙事故：沒必要的規則也遵守得更好。
6. 新工作階段說「把上一段全部讀完再繼續」好嗎
只對一半。
如果開新工作階段後，又把舊工作階段全文重新塞入並長期保留，那只是換房間，所有紙箱還是搬到新桌上。
更好的模型是：舊工作階段當倉庫，新工作階段當工作台。
帶走：目前狀態、已確定決策、仍有效規則、未完成任務、驗證所需證據/檔案/commit/URL，以及不能遺失的重要限制。
通常可以留下：已解決討論、冗長試錯日誌、未採用方案、重複說明、過期規則。
Carry forward only what matters.
7. 實際交接提示詞
檢查上一個工作階段，只繼承目前狀態、已確定事項、現行規則、未完成任務，以及驗證工作所需的證據，然後繼續。
不需要逐字重現或永久保留舊日誌。捨棄過期指令、已解決討論、中間過程與重複資訊，只留下目前任務需要的上下文。
上一個工作階段已完成的工作不要重做，從第一個未完成點繼續。
重點不是禁止讀舊工作階段，而是讀它是為了抽出目前狀態，不是讓全部歷史取得永久居留權。
8. 什麼時候該切新工作階段
不要死守固定回合數。當同樣說明一再重建、廢棄規則復活、沒人說得清完成到哪、工具日誌比有效狀態還長、工作階段明顯切換，或目前狀態明明10—30行就能說完但歷史已有幾萬行時，就很適合壓縮或重開。
研究 → 實作 → 驗證 → 發布這種流程，尤其適合在階段邊界整理。
API長流程還能使用OpenAI提供的compaction，把過去狀態壓縮成與任務相關的資訊，降低token footprint。
9. 結論：真正強的不是「空」，而是「工作台乾淨」
Astra不需要失憶。真正知識、已確定決策與重要邊界都該保留。
該丟掉的是：把得出這些結論前的所有繞路，每一輪都當作現行指令重新閱讀。
舊工作階段 = 倉庫。新工作階段 = 乾淨工作台。handoff = 只列必要紙箱的運送單。
不用信仰空資料夾。把去年的發票和壞USB先從桌上移走就行。
Sources
- https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra
- https://developers.openai.com/api/docs/guides/latest-model
- https://platform.openai.com/docs/api-reference/realtime-server-events
- https://developers.openai.com/api/docs/models/gpt-6-astra
- https://developers.openai.com/api/docs/guides/compaction
