GPT-6 Astra Prompt 怎麼寫？OpenAI 建議重整 Skills、AGENTS.md，少一點規則反而更有效
GPT-6 Astra 仍需要 Prompt，但團隊應減少無條件規則，改用精準觸發、漸進式載入與明確完成標準。
很多人使用 AI Agent 一段時間後，會累積一套愈來愈長的 Prompt：先讀哪些文件、每一步怎麼做、什麼時候停下來詢問、需要跑哪些測試，全部寫進規則裡。這套做法在模型能力有限時，可以降低它漏做事情的機率。
到了 GPT-6 Astra，OpenAI 卻提醒開發者重新檢查這些舊規則。新模型仍然需要指令，但它更能理解複雜任務，也更容易認真執行上下文中的每一條要求。過去用來扶著模型走路的規則，現在可能變成額外負擔。
本文會先解釋 Skills、AGENTS.md 與一般 Prompt 的差別，再說明舊寫法為什麼會失效，最後提供一套適合產品與工程團隊的 5 步整理方法。
OpenAI 官方 GPT-6 Astra Launch film，展示模型在電腦操作、專業工作與開發任務中的能力。影片來源：OpenAI 官方發布頁。
GPT-6 Astra 改變的不是 Prompt，而是 Prompt 的工作
OpenAI 將 GPT-6 Astra 定位為能處理複雜推理、程式開發、電腦操作、研究與文件工作的旗艦模型。官方也指出，它在長流程中更能維持連貫，會遵守任務邊界，並在關鍵資訊不足時提出問題。OpenAI 的 GPT-6 Astra 模型指南同時提醒，模型對 Skills、AGENTS.md 等上下文指令更敏感。
這代表 Prompt 的角色正在改變。以前的 Prompt 常像逐步操作手冊，試圖預先規定模型每一個動作。面對 GPT-6 Astra，較有效的做法是清楚交代目標、邊界與完成條件，把專門流程留給真正需要時才載入的文件。
我的判斷是：團隊應該減少「永遠都要做」的規則，增加「在什麼情況下做」的條件。前者容易讓小任務背負完整流程，後者才能讓模型依任務規模選擇合理做法。
Skills、AGENTS.md 與任務 Prompt 有什麼不同？
這三種指令都會影響 AI Agent，但負責的層級不同。
| 指令類型 | 白話用途 | 適合放什麼 | 常見問題 |
|---|---|---|---|
| Skills | 可重複使用的專門工作包 | 特定流程、參考資料、腳本與範本 | 名稱或描述太廣，導致錯誤觸發 |
AGENTS.md |
專案內長期適用的工作規則 | 技術邊界、專案慣例、風險與驗收要求 | 所有任務都被迫讀太多文件或跑太多檢查 |
| 任務 Prompt | 這一次要完成的工作 | 目標、範圍、輸出格式與完成條件 | 只說方向，沒有交代何時算完成 |
OpenAI 將 Skill 定義為一個包含 SKILL.md 的資料夾，也可以附上參考文件、可重複執行的腳本與範本。Agent 在決定是否使用某項 Skill 時，會先看到它的名稱與描述，因此描述必須同時說清楚「做什麼」和「何時使用」。這會直接影響 Agent 能否選對工作流程，重要性高於一般的文件命名。OpenAI Skills 文件
AGENTS.md 則是專案層級的固定指令。它適合保存不應該每次重新說明的規則，例如哪些目錄不能直接修改、資料庫變更要看哪份文件、什麼操作會碰到正式環境。
任務 Prompt 最接近使用者當下的需求。它不必重複整個專案規則，但應該明確說明這次要交付什麼，以及完成前需要做哪些驗證。
為什麼 Skills 愈多，Agent 反而可能選錯？
OpenAI 在 2026 年 9 月 11 日發布的文章指出，許多專案把大量 Skills 加進環境，每個 Skill 的名稱與描述都會占用模型的上下文。當數量太多或描述太長時，系統可能縮短這些描述，模型看到的線索變少，就更難判斷該選哪一個。
上下文可以理解成模型這一輪工作時能參考的資訊空間。當裡面同時塞入許多不相關規則，真正重要的任務要求就更容易被干擾。工作時間拉長後，系統還可能進行 compaction，也就是把較早的內容壓縮成摘要，騰出空間繼續執行。Skill 如果過早載入大量背景資料，就會更快逼近這一步。
另一個問題是觸發範圍太廣。假設一個資料庫遷移 Skill 寫成「處理資料庫、查詢、模型或儲存時使用」，Agent 只要看見資料庫就可能載入完整遷移流程。更精準的描述應把使用時機限制在「新增或修改 migration，或審查 migration 上線流程」。
這個差異對產品團隊也很重要。若 Skill 描述只有「協助寫 PRD」，那麼需求訪談、競品研究、規格審查與 Jira 拆票都可能誤觸同一套流程。較好的做法是拆成幾個邊界清楚的 Skill，或由一份短入口文件依任務類型導向不同參考資料。
Progressive disclosure：先給入口，需要時再載入細節
OpenAI 建議 Skills 採用 progressive disclosure，中文可理解為「漸進式揭露」。核心做法是讓 SKILL.md 保持精簡，先負責判斷任務屬於哪一種流程，再連到需要的參考文件、腳本或範本。
例如，一個內容發布 Skill 可能同時涵蓋研究、寫作、圖片與 CMS 上稿。若每次只想改一個錯字，Agent 卻被要求讀完品牌指南、SEO 規則、圖片授權與完整發布流程，成本就遠高於任務本身。
較合理的結構如下：
content-publishing/
├── SKILL.md # 判斷任務類型與共通邊界
├── references/
│ ├── research.md # 需要研究時才讀
│ ├── style-guide.md # 寫作或改寫時才讀
│ └── cms-checklist.md # 上稿或修改 CMS 時才讀
├── scripts/
│ └── article-qa.sh # 完稿時執行
└── assets/
└── article-template.md # 建立新文章時使用
這種設計的價值不只是節省 token。它也降低不同流程互相污染的機率，讓維護者更容易知道一條規則應該放在哪裡。若未來 CMS 更換，只需要更新上稿相關文件，不必重寫整份 Skill。
AGENTS.md 不該要求每個小改動都跑完整流程
AGENTS.md 的典型問題，是把曾經發生過的錯誤全部變成永久規則。專案出過一次測試漏跑，就規定所有改動都執行完整測試。部署踩過一次雷，又要求每次改字都先讀完架構與部署文件。規則愈來愈多，最後一個文案修正也得背負大型功能開發的成本。
OpenAI 的建議是把文件與任務條件綁在一起。服務邊界變更時讀架構文件，資料表調整時讀資料庫文件，準備部署時才讀上線流程。GPT-6 Astra 本身較傾向完整測試，因此沿用舊模型時代的強制要求，還可能造成重複或過度驗證。
不過，精簡規則不能犧牲安全邊界。正式環境、不可逆資料操作、對外發布與權限變更，仍然應該保留明確的確認條件。可以刪除的是沒有情境區分的繁瑣步驟，保護資料與使用者的底線則要留下。
Prompt 要補的是完成定義，不是更多操作細節
GPT-6 Astra 的另一個特徵，是遇到可能改變結果的資訊不足時，比舊模型更願意停下來詢問。同時，它也可能在完成第一版後就回來等待檢查。這不一定代表模型能力不足，往往是任務沒有說清楚要持續到哪裡。
例如，「幫我做一個登入頁」只定義了方向。比較完整的任務 Prompt 應該說明要實作頁面、接上既有驗證流程、在指定尺寸檢查畫面，並修正這次變更造成的錯誤。這些是完成條件，能讓 Agent 知道何時該繼續、何時可以交付。
如果團隊只寫「不要問我任何問題」，模型可能在真正需要商業決策時也自行猜測。更好的寫法是區分兩種情況。可逆、低風險、範圍明確的工作可以自行推進。會影響正式資料、公開發布或使用者權益的決定，才需要停下確認。
這也是本次更新最值得產品經理注意的地方。Prompt 設計逐漸從「教模型怎麼點每一個按鈕」，轉向「把授權、決策權與驗收標準說清楚」。這些內容本來就是產品與工程協作的核心，只是現在也必須寫給 Agent 看。
5 步重整 GPT-6 Astra 的 Skills 與 Prompt
第 1 步：先盤點會自動生效的指令
列出專案中的 Skills、AGENTS.md、系統 Prompt 與常用任務範本。先看哪些規則在多個地方重複，哪些內容已經不符合目前模型或專案狀態。
第 2 步：縮小每個 Skill 的觸發條件
每個描述都要回答兩件事：這項 Skill 做什麼，以及遇到什麼任務才使用。若描述中出現「任何、所有、相關、一般」等過度寬廣的字眼，通常值得重新檢查。
第 3 步：把長 Skill 改成入口加分流
SKILL.md 只保留共同原則與選路邏輯。背景資料放進 references/，重複操作放進 scripts/，固定輸出格式放進 assets/。只有當任務需要時才讀取或執行。
第 4 步：保留真正重要的決策邊界
把「不能做」改寫成具體條件。需要保留的通常包括正式環境寫入、刪除資料、公開發布、付款、權限調整與代表使用者對外溝通。至於可逆的本機修改與必要檢查，可以直接授權 Agent 完成。
第 5 步：用實際任務做回歸測試
挑選三類任務：一個小修正、一個標準功能、一個高風險操作。比較調整前後是否選對 Skill、是否讀取必要文件、是否在正確位置停下，以及交付品質有沒有下降。AI 工作流程仍然具有非確定性，因此不能只看單次成功就判定 Prompt 已經完成。
誰應該優先進行這次整理？
如果團隊剛開始使用 Codex，沒有太多歷史規則，可以直接依照短描述、條件式文件與完成定義建立新的結構。
真正應該優先整理的，是已經使用多代模型、專案裡有多份 AGENTS.md、安裝大量 Skills，或經常遇到 Agent 讀太多文件、選錯流程、反覆詢問與測試過度的團隊。這些現象不一定要靠更長的 Prompt 解決，反而可能是規則本身需要瘦身。
我會把這次整理視為模型升級的一部分，也是一項持續維護工作。每次更換主要模型，都應該用一組代表性任務重新驗證 Skills 與專案指令。若精簡後的版本在多次測試中出現漏讀重要文件、跳過必要檢查或誤判授權，才把對應規則加回去，而且要綁定清楚的觸發條件。
常見問題
GPT-6 Astra 不需要 Prompt 了嗎？
仍然需要。Prompt 應聚焦目標、限制、權限與完成條件，減少預先規定每一步操作。模型能力提高後，過細的流程可能降低彈性，互相衝突的指令也會更明顯。
Skill 和一般 Prompt 有什麼差別？
一般 Prompt 主要描述單次任務；Skill 是可重複使用的工作包，除了 SKILL.md，還能包含參考資料、腳本與範本。Skill 適合穩定且會重複出現的專門流程。
AGENTS.md 應該寫多長？
沒有固定字數。判斷標準是每條規則是否長期適用，以及能否說清楚使用情境。只在資料庫變更時需要的規則，應該導向資料庫文件，無須要求所有任務先讀完。
刪除舊規則會不會讓 Agent 失控？
不應一次全部刪除。先保留涉及正式資料、公開發布、付款與不可逆操作的邊界，再移除重複、過期與沒有條件區分的流程。調整後用代表性任務比較結果，品質下降時再針對缺口補回規則。
怎麼判斷 Skill 描述寫得太廣？
如果一項 Skill 在只碰到同領域名詞、卻沒有進入該專門流程時也會被觸發，描述就可能太廣。理想描述應同時包含動作與情境，例如「新增或修改資料庫 migration 時使用」。只寫「處理資料庫工作」就不夠精準。
結語：模型升級後，舊 Prompt 也要重新驗收
OpenAI 這次給出的訊號很實際：模型變強，不代表把舊 Prompt 原封不動搬過去就能得到更好結果。GPT-6 Astra 更能遵守指令，也讓重複、過期與互相衝突的規則付出更高代價。
最值得優先採用的做法，是縮短 Skill 描述、讓 SKILL.md 只負責分流、把 AGENTS.md 改成條件式指引，再替每次任務補上清楚的完成定義。這樣做不只節省上下文，也會讓團隊的 AI 工作流程更容易維護與擴充。
