GPT-6 Astra 实测：从一句话修故障，到多 Agent「造城」

原作者：Matt Shumer｜原文发表于 2026 年 9 月 3 日，来源：Something Big Is Happening：My GPT-6 Astra Review。本文根据所提供的中文译稿转载，文中的第一人称、测试体验及判断均属于原作者，不代表 RecodeX 独立测试结论；价格与可用性等表述保留原文写作时点。

更新：Fable 5.1

写完这篇评测之后，Fable 5.1 发布了。我对文中的对比做了少量澄清。基于我对 Fable 5.1 的早期测试，本文大部分观点仍然成立。接下来几天我会继续测试，等有把握后再写一篇对比。

先看结论：优势与边界

• GPT-6 Astra 把我赢回来了。它是我会推荐给几乎所有人的日常主力模型，现在也是我几乎所有不那么「疯狂野心」任务的默认选择。就我的工作而言，它比 Fable 5 更聪明、也更可靠。
• 日常工作中，我通常直接说自己需要什么。它用平实的英文回复，这点和其他很多近期模型不一样，用起来非常舒服，也更容易同时管理多个 agent。Medium reasoning effort（中等推理强度）是很棒的日常选项；更大的实验我会用 Ultra。
• Claude 在视觉品味上仍然更好，也更擅长创作视觉资产。设计类工作和某些 3D 任务，我还是会找 Claude。
• Astra 显然是个大模型。它比我希望的稍慢一点，但大模型往往如此。好处是它更擅长理解意图、处理模糊性，以及做决策。本质上，凡是大模型该强的地方，你在这里都能感觉到。
• 最大的惊喜是 Manager Loop：一个协调者（coordinator）推动项目前进，同时一个执行者（implementer）在单独的 Codex session 里干活，需要时再拉上子 agent。我用它构建了一个模拟文明，并在类似 GTA 的纽约城市项目上取得了实质性进展。
• 我仍然不会说「长时自主」已经被解决了。Astra 有时会沉溺于细节，协调机制的设置也极其重要。野心很大的长跑仍然需要大量协调，如果设置不够仔细，进度可能会渐近停滞（asymptote）。但这是第一款让我觉得：只要提示和设置得当，就能把它推到那种程度的模型。
• 我的大型实验消耗了海量 token。只要提示得当，这个模型可以跑很久。我还不知道发布定价，但我认为「你能负担多少模型用量」会变得重要得多。

优点（The Good）

• 工程能力很强，尤其是后端工作。
• 计算机操作（computer use）让我放心交给它跑，不必盯着每一次点击。
• 更新可读、长对话连贯性强，agent 之间的协作也很有用。

不太好的地方（The Not-So-Good）

• Claude 在视觉品味和资产创作上仍然领先。
• Astra 比我希望的稍慢一点。
• 野心很大的长跑仍然需要大量协调，如果设置不够仔细，进度可能会渐近停滞。

近一年里，OpenAI 的模型曾是我毫无疑问的默认选择……直到 Anthropic 推出 Fable 5，一夜之间彻底扭转了我的忠诚度。

不过一时兴起，我还是决定再给 GPT-5.6-Sol 一次机会。它的回报是：迅速把我的整台电脑「炸」了。那台机器上几乎所有文件都被删掉了，包括公司文件。因为……它当然会这么干。

到那一步，要把我赢回来，得靠一款近乎奇迹的模型了。

我很高兴地说：OpenAI 做到了。我现在几乎所有事都在用 GPT-6 Astra，而且它正在完成一些我真心觉得 AI 还没准备好去碰的项目。天啊，我有一堆离谱的东西要给你看。

我真正想一起工作的模型

周末时，我之前搭好并分享给一群朋友的一套相当复杂的 agent 服务挂了，其中一个朋友发短信告诉我坏了。我当时正和女朋友在外面，没时间自己处理，于是在手机上打开 Codex，把 Astra 指到那个项目上，字面意思只说了一句：「down, please fix.」然后就把手机收起来了。

一小时后，他发短信说已经恢复了。我完全没有插手。我甚至忘了自己还让 Astra 修过。我的反应大概就是：「哦，太他妈棒了」，然后继续过我的日子。

考虑到之前电脑被搞砸的经历，这可能需要一点解释。Astra 比它的前代更谨慎，偶尔甚至有点过于谨慎，但我认为 OpenAI 在这里找到了很好的平衡。它会继续干活，不会动不动停下来问许可，同时对「自己擅自做什么」更加克制。就我的体验而言，这是一款比上一款可信得多的模型。

日常工程，以及我在电脑上做的很多其他事情，Astra 已经相当接近我一直想要的样子。我告诉它需要什么，它就把活干完。后端尤其出色，它也很擅长抓住其他模型写出的代码里的问题。感觉比我以前用的 OpenAI 模型大得多、也聪明得多。

对于我交给单个 agent 的工作，我最希望还能再提升的，是速度。让一整组 agent 一起工作会打开非常不同的可能性，后面会讲到。但你并不需要复杂的设置就能拿到很好的结果。常规工作里，不管你想做什么，只需要开口问。更大的实验里我用了很多 Ultra reasoning effort；Medium reasoning effort 则是日常使用很好的中间档。

什么是 reasoning effort（推理强度）？ 这是控制模型被要求投入多少推理的设置。级别越高，模型在采取行动前会思考得越多。

它也更容易一起工作，原因听起来几乎简单得令人尴尬：我真的能听懂它在说什么。很多近期模型——尤其是 Claude，也包括一些 OpenAI 的——习惯用极其密集的技术解释来回答简单问题。我读完整段回复，仍然不知道它到底有没有做我让它做的事。Astra 通常用平实英文说话，回复也相对短，让人很容易理解发生了什么、以及有没有什么需要我注意。当你同时管理一堆 agent 时，这差别巨大。我可以扫一眼它们的更新，然后继续过自己的日子，而不必为了搞清楚它们在问什么，在脑子里同时加载五个不同的项目。

计算机操作：从演示到日常任务

计算机操作（computer use）在这里也值得多说几句。这是我特别关注的领域——我曾在 HyperWrite 做过早期浏览器 agent。我们在 2023 年推出了浏览器助手，并开发了自己的软件操作模型，所以这件事我想了很久。很长一段时间里，这些系统能做出漂亮的 demo，但仍然需要足够多的监督，或者完成得太慢，以至于我常常宁愿自己动手。而且即使某件事 99% 的时候都管用，如果你总在想「这次会不会就是那 1%」，也很难真正信任它。

Fable 5 的计算机操作已经很好了。Astra 感觉又上了一个台阶。我让它通过浏览器处理 newsletter、访问收件箱——当时没法直接做集成。它动作很快，能把活干完，还会记住一些小偏好，比如按我的习惯把邮件重新标成未读。我还让它做过广告投放，那体验他妈的太棒了。那些界面我自己导航很痛苦，也不怎么熟。能把这类工作交出去、而不必搞清楚每个按钮在哪，极其有用。

我放心让它做这些事，不必盯着每一次点击。事实上，Astra 的计算机操作好到我常常根本没意识到它在跑。任务完成了，模型用过它，然后继续往下。我字面意义上不再想这件事了，这种感觉非常解放。

长对话与 Agent 交接

我也更少「新开对话」了。我的线程往往很长；需要多个 agent 时，我经常让正在用的那一个去启动其他的。随着对话变长，Astra 在抓住真正重要的事情上做得相当出色。把长对话压缩（compaction）以便继续在同一线程工作的过程几乎无感；我之后不必不断重新解释。我可以给它看例子、给反馈，逐步建立起关于「我希望工作怎么做」的共同理解。在我大部分工作里，这会让 agent 随时间变得更有用。写作仍然是个例外——我还没怎么成功让它吸收我的偏好。

什么是 compaction（压缩）？ 模型一次能接收的信息有限。对话变长后，最终会装不下。Compaction 会把对话的前半部分压缩，让 agent 还能在同一线程里继续工作。难点在于：要把目标、决策和当前工作状态带下去，同时又不丢掉后面还会用到的细节。做得好的时候，我不必重开对话，也不必把一切再解释一遍。

另一个突出能力是这些模型彼此之间的沟通。Codex harness 在这方面做得很好，Astra 也充分利用了它。当我需要把工作移给新 agent 时，我会让它和上一个 agent 对话、自己弄清状况。它们一起完成交接，新 agent 接着干。

这一切加起来，就是我现在几乎什么都用的模型。Claude 在视觉品味上仍然更好，也更擅长创作视觉资产，设计类和某些 3D 任务我还是会找它。（比如我试过让 Astra 重新设计 somethingbig.ai，效果并不好。）但在其余绝大部分工作上，Astra 强得多。而且，虽然我很欣赏「和女朋友在外面时，它能快速修好挂掉的应用」，但这远远不是我让它做的全部。有些更大的项目简直离谱。

于是，很自然地，我让它建一个文明

我交给 Astra 的项目之一，是一个模拟文明：一个有动物和人的世界，每个人由一个 Astra agent 驱动。在稍后会解释的协调机制已经就位后，我给了它一个提示，然后就让它干活。

有一阵子，我在自己房间里，却听见电脑那边传来说话声。我走出去，居民们正在互相交谈。我知道那本来就是我要求的一部分。但从另一个房间听见它真的发生了，仍然是一个「holy fuck」的瞬间。

Astra 建出了一个看起来很美的世界，填满了居民，并推进到让他们真正运转起来。看它调整动物行为尤其有趣。早期动物会做出掉进水里之类的事；随着它继续工作，行为变好了。人类角色方面，它先让几个跑起来，再开始加人。最终，对话从我的音箱里传了出来。

不过走到这一步也有试错。我必须以和 Claude 很不一样的方式来推进这个项目。

给它正确的工具

Claude 在创作视觉零件本身上仍然更好。让它在 Blender 里做东西，或直接用 Three.js 在代码里做 3D 场景，通常更能把结果做得「看起来对」。我不会说 Astra 的空间推理差。差距更多在于：它创造令人信服、好看的视觉资产的能力。让 Astra 用 Blender 有帮助，但即便如此，在这些 Three.js 项目上，我还没拿到能匹敌 Claude 直接用代码产出的结果。

Three.js、Blender 和 Unreal：有什么区别？ Three.js 用来在浏览器里做 3D 图形；Blender 是 3D 创作工具；Unreal 是游戏引擎。现成的模型、角色和其他资产会造成巨大差异，所以对比结果时，环境设置很重要。

我拿原先 Claude of Duty 提示的轻度改写版试了 Astra。结果不错。如果我是在看到 Claude 版本之前先看到它，我会很兴奋。但把两者并排放在一起，Claude 的优势就很清楚了。

Claude

Astra

但如果你给 Astra 的是 Unreal Engine——它可以利用现有资产和工具——事情就变得非常有意思了。它终于够聪明，能实质性使用那个环境。Fable 5 远没能如此有效地驱动 Unreal，不过我怀疑 5.1 会有重大提升。（我曾把它接上并勉强跑起来，但更早的实验没再走多远。）

我在 Three.js 和 Unreal 里，对文明项目和下面会展示的纽约项目，都试了类似的请求。差别一点都不细微。

Three.js

Unreal Engine

Astra 使用了现有资产，包括 MetaHuman 角色，所以并不是每个物体或人都从零创造。对比结果时这一点很重要。但这也正是我希望 agent 能做的事。建造这类东西时，外面有极棒的工具和资源可用。

在另一次更早的游戏实验里，它用现有资产把车弄跑了，打开游戏、自己玩，并根据发生的情况做调整。在「玩自己正在构建的游戏」这件事上，它比以往的模型强得多。

一个提示，相当多的 agent

Astra 在长项目上已经比 Fable 5 好得多，但它仍然常常会走到一个进度变慢的点：还在继续工作，往往沉溺于小细节，却不再让整体项目明显变好。我试过几种围绕这些项目组织 agent 的方式。它们有用，但没有一种真正越过那个平台期。下面这个安排终于做到了。

我试过什么、什么有帮助、卡在哪里 →

我把这套东西叫作 Manager Loop：一个 agent 负责推动项目前进，另一个负责干活。我先让协调者（coordinator）采访我，直到我们在目标上达成一致。它把目标变成待办清单，然后在单独的 Codex session 里启动一个执行者（implementer）……完全是另一个独立 agent，不是子 agent。协调者给它一个要完成的阶段，用 goal mode 让它朝该阶段的终点推进，让它工作，完成后把它带到下一阶段。执行者可以按需拉入子 agent。本质上，协调者接管了我以前自己在做的那份工作：让整件事沿着更大的计划往前走。

我如何给 manager 做 brief

如果我有明确愿景，我会花时间确保协调者真正理解它。这些 agent 可以工作很久，所以一开始的误解可能变成大量「我并不想要」的工作。做界面时，我会让它出 mockup，一起打磨，再让它去建真正的东西。

如果我把更多决策交给模型，我会给它灵感：我喜欢的产品、设计或想法的链接。它们不必特别接近我正在做的东西。给它看点什么，往往比试图描述每一个细节更能传达我想要什么。

当我让 Astra 给另一个 agent 写提示时，我会要求它把提示尽量写得极简，同时保留我要求的内容。否则它可能塞进过度详细的指令，把工作带向我并不打算去的地方。

Manager Loop 的协作结构

执行者（implementer）不是协调者（coordinator）的子 agent。

我还会生成一个网页，展示待办清单，以及「已完成条目随时间变化」的图表。我也做了一套可视化子 agent 工作情况的方式。能把工作摊开来看，跟踪进度就容易得多。

我还大幅放开了委派空间。在一台电脑上，我把 Codex 配置改成最多允许同时 16 个子 agent，而不是 4 个。在跑文明和纽约项目的那台机器上，我把上限推到了 96（虽然它并不总是用那么多）。那是荒唐的过度配置，也会贵得离谱，但我想看看能推多远。你可能还需要明确鼓励它多用子 agent。即使在 Ultra reasoning effort 下，我有时也得这么做；光提高上限，不代表它就会用满。

这就是我说「文明来自一个提示」的意思。我已经做过实验，找到了这套安排并把它设好。一旦就位，我就可以把项目交给它，让 agent 们自己推进。藏在那一个请求下面的工作量是巨大的。

我正在整理一份单独的指南和开箱即用的配置，让你可以不必重复我所有实验就能试这套东西。待办清单和子 agent 可视化工具也会放在那里。

Manager Loop 准备好时通知我 → 眼下重要的是：日常工作你并不需要这套东西。这是我想要「离谱请求」时才用的。

然后还有纽约

与此同时，我一直在让 Astra 用 Unreal 建一个纽约市版本。最初的野心是做类似 GTA 的东西——因为显然，建一个文明还不够离谱。

这也是从一个提示开始的。之后我做了一点点引导，但基本上不过是告诉它再大胆一点、继续干。我并没有街挨街地指挥施工。

这个项目仍在进行中。但它达到的细节程度，以及持续推进构建的方式，令人震惊。它会先打磨第一条街再往前走，项目也越做越大。看起来他妈的太赞了。

令人惊讶的是：初始请求之后，我几乎没怎么插手。还有海量内容要建，但 agent 们持续在推进，并不需要我把野心拆成几百条单独指令。

我仍然不会说长时自主工作已经被解决了。Astra 会沉溺于小细节，而协调机制对于让更大项目继续前进是必要的。我希望这一切能自然发生，而不必我自己去安排。我不会惊讶我们离那种状态只差一两代。但这是第一款让我觉得：只要提示和设置得当，就能把它推到那种程度的模型。

游戏世界之外

我还让 Astra 做过一个网页浏览器。那是我搞清楚协调循环之前就开始的项目之一，也是前面提到的「平台期」的好例子。Astra 建了一套测试，拿自己的浏览器行为和 Chromium 对比，并不断处理差异。它走到了能把 Google 渲染得相当接近应有样子的程度。但最终改进变慢了，尽管还有大量事情可做。我很想看看，用我现在这套设置，这个项目会怎样。

它也很擅长把 AI 做进应用里，包括和 Codex App Server 一起工作。

工程之外我也拿到过有用的结果。Astra 审过我的税务信息，找出了我的会计师们没提过的潜在节省空间。

我最喜欢的构建之一，来自一个远没那么光鲜的问题：磁盘空间不够了。我的 Codex 线程变得巨大，我和 Theo 聊到这件事。（喊一声 Theo。我也在用 T3 Code，非常棒。）他用以前的模型做过一套处理这件事的系统，并告诉我搞到可用有多复杂。我开玩笑说：那我就直接让 Astra 做吧。

两个提示之后，它建好了一套系统：把旧线程挪到云端，删掉本地副本，当我在 Codex 里点开它们时再加载回来。一击即中。正因为刚聊过这件事，整件事显得特别好笑。

跟模拟文明比起来，这个很容易被忽略，但我很爱它。我的环境里有件事让我烦，我描述了想要什么，现在它就那样工作了。我跑的 agent 多到它们在给电脑制造新问题，然后我又让同样这些 agent 去修。

你能负担多少工作？

磁盘空间问题，是我公寓里某种略显荒唐局面的一部分。测试期间，我厨房岛台上有一台 Mac mini，咖啡桌上有三台风扇狂转的 MacBook Pro，还有我的主力 Mac 在统管其他机器。另外还有一台被我塞满 agent、过载了的云端机器。如果你见过我说「跑着五台 Mac」并想搞清楚我他妈在干什么——就是这个。

我撞上了内存上限。我把一部分工作从 Codex 应用切到终端，因为终端更省内存。我甚至让 agent 去盯着机器的内存和磁盘，好让其他 agent 继续干活。到某个时候，你不得不欣赏这种荒诞：雇佣一个 AI 来让电脑足够健康，好再雇佣更多 AI。

我们需要更好的方式来跑这一切。我想要能扛住这些工作的云电脑，以及一个直接管理其上 agent 的方式。从「给 agent 一个任务」到「不得不再找一台笔记本给它」，中间的体验还有很大改进空间。

显然，用 Astra 并不需要一公寓的电脑。我当时同时跑很多实验，是为了摸清它能做什么。真正工作时，我通常更想聚焦更少的项目、把它们做得真正好。但如果我有更多算力容量，本可以跑更多实验——考虑到公寓里已经在发生的事，这有点令人难以置信。

模型变得更好时，就更有理由跑更多它们。多一个 agent 就能再扛一块实质性工作，而你为了让它保持有用所需要的注意力更少。

我知道这听起来疯了，但我坚信：一年后，我们每个人用的 token 会是今天的数百倍。

你仍然需要判断力和良好的协调；把 agent 往项目上扔，并不会自动让项目变好。但有了类似 Manager Loop 的东西，我开始看到：从一个请求，我能发动多少更多的工作。这使得「你能负担多少模型用量」变得重要得多。

预算将决定并行工作的规模

两个人可以接触到完全相同的模型，实际能力却可以差很多。一个人可能需要精打细算用量，或一次只做一个项目。另一个人也许能让 agent 同时推进几个大项目，尝试多种路径，并把有希望的继续下去。随着 agent 更强、需要的监督更少，我预期这种差距还会扩大。

这开始很像雇人。有钱雇二十个人，会给你独自工作没有的选项。Agent 让这类帮助对更多人变得可及，这真的令人兴奋。但「能负担一点点帮助」和「能负担你用得上的全部」，之间仍会有巨大差异。

我觉得这既令人兴奋，也不舒服。一个永远雇不起工程师的人，现在能真正把软件做出来。与此同时，预算大得多的人，可以把同样的技术用在完全不同的规模上。更便宜的智能，可能扩大几乎所有人能做的事，却仍然拉大他们之间的差距。

写这篇评测时，我还不知道 Astra 的发布定价，而我那些过度的实验显然也不是合理的日常配置。但这正是我认为 token 成本会如此重要的原因。如果 agent 能在越来越有野心的项目上持续做出有用进展，你的预算就开始决定：你能同时拥有多少这样的工作在发生。

而且，花更多 token，也给了你更多机会去把「怎么用好它们」练出来。你可以试更多想法，搞清楚什么会失败，找到原本发现不了的路径。Manager Loop 正是从这类实验里长出来的。能负担更多这类实验的人，很可能也会在「如何有效使用模型」上形成优势。

Astra 感觉像又一次瞥见了那个世界。设置仍然需要一些功夫，我也确信我们会找到更好的方式来协调这些系统。今年年初，我还觉得「丢进一个提示、过一会儿回来看到一个做完的 SaaS 应用」就已经很惊人了。但我们已经越过那个阶段了。我们稳稳处在这样一个世界：你可以丢进一个提示，回来看到一个——以前会被认为对一整队人类来说都很有野心的项目——已经有了实质性进展。