OpenAI 核心工程師的實戰啟示：新一代 GPT-6 Astra 時代，如何重新分配人與 AI 的工作？

隨著 OpenAI 正式向所有 Pro、Enterprise、Business Premium 用戶及 API 全面開放 GPT-6 Astra，整個科技界與開發者圈掀起了一陣震撼。

然而，當許多工程師與創作者第一時間換上新模型時，卻發現了一個奇怪的現象：為什麼過去花費無數心血微調的 Prompt 模板、繁複的防禦性提示詞，以及辛辛苦苦封裝的自訂 Skill，反而讓 Astra 的表現顯得綁手綁腳？

在 OpenAI 負責開發者體驗（DevX）與 SDK、主導 Codex 實務架構的資深工程師兼產品負責人 Dominik Kundel（曾在 Twilio 領導新興技術與創新團隊產品設計超過十年），在深入使用 Astra 進行日常應用開發、樂高積木建構與 3D 空間渲染後，發表了名為 《Five things I learned from using Astra》 的重磅實戰長文。

他的核心結論非常直白且震撼：「不是模型不夠聰明，而是我們的工作方法還停留在過去。當 AI 具備強大的 Agentic（代理）能力與跨軟體操作能力時，人類該做的是放手讓它補全細節，轉而專注於方向、用途與驗收終點。」

本文將全方位深入拆解 Dominik Kundel 的五大實戰法則，結合官方一手圖文與實測影片，帶你看懂在「後提示詞時代」，頂尖工程師是如何與 AI 協同工作的。

震撼對照：從折騰數小時，到 10 分鐘搞定樂高金門大橋

在談方法論之前，Kundel 分享了一個極具代表性的對比案例——用 AI 設計一組精密的樂高「金門大橋」（Golden Gate Bridge）。

• 過去的作法（2026 年初舊世代模型）： Kundel 必須特別編寫一套專門的 Skill（一套可重複調用的任務指南與零件限制指令集），再加上長篇大論的幾何約束提示詞。即使來回微調折騰了數個小時，模型拼出來的積木依然結構錯亂、破綻百出。「我當時一度認為，讓 AI 進行實體積木建模根本不是現階段模型能做到的事。」Kundel 回憶。

現在的作法（GPT-6 Astra + Codex 環境）： 換上 Astra 後，他決定拋棄所有先入為主的限制。他直接讓 Codex 獲取專業數位積木設計軟體 BrickLink Studio 的操作權限，然後在對話框裡輸入了一句最簡單的請求：

「使用 Studio 建造一座樂高金門大橋。」

約莫 10 分鐘後，第一版可操作的積木模型直接出爐——這不僅僅是一個外觀輪廓，Astra 自動查詢了 Studio 內建零件庫的庫存規格，透過 Python 代碼精確計算咬合點，甚至自動在橋面上規劃了雙向車道，車道上還整整齊齊拼裝了數輛微型小車！

隨後，Kundel 進一步在 Studio 軟體內旋轉縮放視角，檢視橋面與懸索的力學銜接結構。

這一刻讓他徹底頓悟：過去我們花費大量時間去「教 AI 怎麼一步步做」，但在新一代模型面前，拿到「第一個可修改成品」的門檻已經被完全削平。

心法一：給它合適的專業軟體，先從「純淨環境（Vanilla）」歸零測試

核心箴言：「給你平時會用的軟體，先別急著塞進額外的 Skills。AI 需要的指引，往往比你想像的少得多。」

1. 別把 AI 困在黑盒子與單一腳本中

傳統的 AI 編程或自動化，通常把 AI 困在一個狹隘的終端機環境裡：要處理影片就丟一堆複雜的 FFmpeg 命令列參數；要處理 3D 就硬生生寫一堆未經驗證的 raw 代碼。

Kundel 指出，Astra 具備出色的電腦操作能力（Computer Use），它能夠跨軟體串聯工作：

• 拼樂高，就直接給它 BrickLink Studio；
• 做 3D 空間與材質，就直接給它 Blender；
• 剪輯影音，就直接讓它調用 DaVinci Resolve 等專業桌面應用。

因為它可以在一個地方用代碼批量生成，在另一個專用軟體裡直接打開、檢視視覺回饋、驗證物理破綻，最後將所有成果整合在一起。軟體自帶的圖形介面與回饋機制，就是 AI 最強大的自我驗證環境。

2. 舊世代的 Skills 正在成為雜訊

當 OpenAI 團隊在為 Astra 發布會準備宣傳影片時，他們原本套用了之前為舊模型開發的一整套影片剪輯 Skill。結果令人意外：那些舊 Skill 反而成了 Astra 的絆腳石。

當團隊拿掉所有客製化 Skill，回歸最乾淨的「Vanilla（純淨原生）」配置時，Astra 展現出的調度能力反而遠超預期。

實戰建議：如果你的工作庫裡有一堆過去為了解決「模型做不到某件事」而寫的繁複指令或自訂 Skill，在切換到新模型後，請務必先在純淨環境下重新測試一次。

心法二：Astra 承擔了更多「產品層面」的系統思考

核心箴言：「你不需要一開始就鉅細靡遺地定義每個按鈕與互動。給予明確的用途與高水準參考，然後針對產物進行反饋。」

在過去，要讓 AI 寫一個網頁工具，我們必須像寫 PRD（產品需求文件）一樣，把「按鈕在哪裡、快速鍵是什麼、圖層怎麼管理」交代得一清二楚，否則 AI 就會交出半殘的雛形。但在 Astra 時代，產品架構的思考（Product Thinking）很大一部分已經被模型內化。

案例 1：打造全功能瀏覽器圖像編輯器「Thumbnail Studio」

Kundel 在測試中希望做一個用來製作封面縮圖的工具「Thumbnail Studio」。他只是隨性地用語音與文字輸入了幾條概念，並引用了與同事隨口討論的碎片想法。

出乎他意料的是，Astra 自行補全了一個專業影像編輯器該有的所有深層互動：

• 完整的圖層（Layers）系統與圖層隱藏/鎖定開關；
• 支援標準鍵盤快速鍵（包含 ⌘-Z 復原、圖層快捷操作）；
• 自動建立適應不同社群平台的畫布比例預設集。

隨後，Kundel 要求增加一個「產品反饋模式（Product Feedback Mode）」，希望能夠自動檢查、排序並落實修改建議。Astra 竟然直接在應用內長出了一套互動式反饋系統：使用者可以直接高亮框選畫面的特定組件、將評論釘選在按鈕旁邊、設定優先級、編輯問題，並在修改後標記為已解決。

這完全顛覆了傳統敏捷開發的節奏——使用者不再需要花幾天規劃完整的線框圖（Wireframe），而是幾分鐘內拿到一個「活的軟體」，然後「邊玩邊改」。

案例 2：從一張截圖重現 3D 互動動畫與預覽控制器

另一個極具說服力的例子是文章中的 3D 視覺化動畫。Kundel 很欣賞工程師 Nick Baumann 在 X 上發表的一段 3D 動畫，於是他直接截了一張包含應用上下文的「Appshot」，附上自己正在寫的草稿與 Codex 程式碼庫，丟給了 Astra。

Astra 讀取了文章內容，理解了文中所指涉的 3D 概念，隨即在程式碼庫中重新構建出完整的 3D 幾何介面。它甚至自行思考了運鏡角度、畫面構圖與文字解說；更不可思議的是，它主動幫 Kundel 做了一個預覽控制器（Preview Tool），讓他能自由播放、暫停、循環旋轉角度，並透過內建瀏覽器的標註工具給予微調指令。

案例 3：自動為 3D 樂高展示網站加上身分驗證與管理後台

當 Kundel 要求為先前製作的樂高模型搭建一個 3D 展示網站時，他的原始需求只是「讓訪客在瀏覽器裡旋轉 3D 積木並下載模型檔」。

結果 Astra 不僅做出了符合太空主題的動態旋轉星體背景，還主動替他設計了一個上傳新模型的管理員後台，並且非常聰明地整合了 「Sign in with ChatGPT」 登入認證，確保只有 Kundel 本人作為管理員才能上傳。

心態轉變：人類不必再當「保姆級下達指令者」，你的精力應該花在給予卓越的品味參考（References）與方向性框架。只要參考範例越好，Astra 帶給你的產品驚喜就越多。

心法三：Astra 在專業 3D 軟體 Blender 上的驚人造詣

核心箴言：「如果你的專案牽涉到 3D，哪怕最終產物是放在網頁上，大膽讓 Astra 直接調用 Blender。」

許多人以為 AI 做 3D 只能生成虛擬的 3D Gaussian Splatting 或偽 3D 圖片，但 Astra 展現的是真實的 CAD/3D 幾何工程能力。

Kundel 測試了一項極限任務：他拍了自己家裡私藏酒吧的 10 張普通生活照片，照片沒有標註任何丈量數據或深度資訊，要求 Astra 在 Blender 裡將整間酒吧場景一比一重建。

Astra 的表現堪稱教科書級別：

1. 依據參照物逆向推算尺寸：它辨識出酒架上擺放的幾本知名雞尾酒調酒書籍，以標準書籍開本的長寬高作為基準尺標，自動反推整片酒櫃、吧檯與牆面的空間比例。
2. 模組化分塊驗證：它依序將吧檯桌面、高腳凳、不同規格的酒瓶、玻璃調酒杯逐一建模，在 Blender 中單獨檢驗每個幾何物件的網格密度與倒角。
3. 細節驚人還原：它甚至捕捉到了角落隨意擺放的椅子造型，以及地板上看似凌亂的電線走線。

有了真實的 Blender 3D 場景數據，Kundel 可以自由在視窗中 360 度切換視角，反覆微調棚拍燈光（Studio Lighting）與玻璃折射材質，最終導出令人驚嘆的 4K 走訪影片。

心法四：顛覆直覺！Astra 不需要開到「Max Reasoning」就能技驚四座

核心箴言：「別把 Astra 的推理檔位直接拉滿。從 Light/Low 開始，你會發現它比想像中更快、更省、更出色。」

每一次新模型推出，使用者的第一反應往往是「把所有參數拉到極限」——例如把思考時間與推理檔位（Reasoning Effort）開到最高（Max）。

但在實測中，Kundel 發現了一個反直覺的規律：Astra 在「Low（低推理）」檔位下的表現，竟然超越了上一代旗艦模型（如 GPT-5.6 Sol）在「Max（極限推理）」檔位下的成果！

其背後的關鍵在於：Astra 的內在架構自帶高度嚴謹的驗證邏輯。無論推理檔位高低，它都會非常自覺地在執行過程中審視自己的代碼與結構。

• 開啟過高的推理檔位，有時反而會讓模型在微枝末節過度糾結、拖慢交付節奏；
• 從 Light / Low 或 Medium 開始，模型不僅能以極高的速度交出高水準成果，而且足以應付絕大多數複雜的工程任務。

策略建議：先用 Low 或 Medium 檔位快速拿到初版，只有在遭遇極其棘手的邏輯矛盾或深層數學證明時，才考慮向上微調。

心法五：AI 會持續自我驗證，人類的核心任務是「界定邊界與交還條件」

核心箴言：「清楚告訴 Astra 什麼叫做『做完了』、你要它驗證什麼，以及什麼時候該把控制權交還給你。」

新世代 Agent 最顯著的特質，就是主動求證（Self-checking）：

• 寫完遊戲程式，它會主動啟動遊戲環境進行「自動遊玩測試（Playtesting）」；
• 要求效能最佳化，它會自己寫一個基準測試（Benchmark）腳本，實測前後延遲差了幾毫秒；
• 剪輯影音時，它會一幀一幀抽樣檢查畫面，甚至分析音訊波形確保沒有爆音或斷詞。

在 Dominik Kundel 撰寫這篇發布文章時，他讓 Astra 負責產出符合 X（Twitter）文章規範的標題封面圖。Astra 竟然直接利用瀏覽器操作（Browser Use），去爬取 X 線上發布頁面的真實前端 DOM 原始碼，抓出了文章 Cover 的精確規格：長寬比 5:2、解析度 1200 × 480 像素！

然而，這種自主性也是一把雙刃劍。如果人類沒有設限，AI 可能會為了追求 100% 的完美而在驗證迴圈中無休止地空轉。

因此，人類指揮官必須清楚下達三個關鍵邊界：

1. 完成的定義（Definition of Done）：清楚宣告什麼樣的指標算及格（例如：通過現有的 Unit Tests 即可，不需要重構整個架構）。
2. 驗證的範圍：告訴它你希望它驗證哪些維度（例如：只檢查響應式排版，先不管多國語言）。
3. 交還機制（Hand-back Condition）：要求它在做完一輪完整檢查後，將完成的成果與「未解決的問題/分歧清單」一併交還給人類，由人類接手決策，而不是擅自做主或盲目重試。

總結：大膽拾起那些你曾放棄交給 AI 的任務

Dominik Kundel 在文章最後寫下了一段極具啟發性的感悟：

「在今年二月，我花費無數小時試圖讓 Codex 拼樂高，最後筋疲力竭地認為 AI 根本做不到這件事；而在換用 Astra 後，我在大約十分鐘內就拿到了帶有車道的完整金門大橋。

如果你手上有某些專案，在上一代模型上曾經嘗試失敗、讓你徹底放棄——請給它合適的軟體、乾淨的環境、好的參考，並用 Astra 重新試一次。」

人機分工新坐標系速查表

未來競爭的關鍵，不再是誰能把提示詞寫得又臭又長，而是誰最懂得把專業工具交給 AI、誰對成品擁有最敏銳的審美品味，以及誰最清楚什麼才叫「真正解決問題」。

現在，就去開啟你的 Codex 或 Agent 環境，重新挑戰那個你曾放棄的瘋狂想法吧！