文章介绍OpenAI发布的GPT-6 Sol和Luna模型，讲解如何按任务类型选择模型和推理强度：Astra适合高难度重要任务，Sol平衡能力与成本，Luna适合明确、重复的批量任务。文章详细分析了各模型的定价、事实性表现、编程能力评测，并强调真实成本不能只看每百万Token单价，还需考虑返工和沟通轮数。同时介绍了提示词缓存机制的原理和使用技巧，包括前缀稳定性、显式缓存断点设置等，最后给出Codex普通用户和API开发者的具体实操建议与代码示例。
文章梳理了 Codex 各模型的选型思路：先区分模型代际与两个层级——模型本身与推理强度。Astra 能力上限最高，适合复杂 Coding、长任务和 Agent；Sol 是旗舰主力；Terra 均衡；Luna 最快最省。推理强度（轻度到极高）决定模型思考的深度与用量消耗，效果提升并非线性，应按任务难度递增。作者给出实用建议：小改动用 Luna/Terra，常规功能用 Sol 中，复杂调试用 Sol 高，架构与疑难问题用 Astra，最重要任务用 Astra 极高/Ultra。核心是按任务复杂度分档使用，而非默认最强配置，以延长用量。
文章介绍了 OpenAI 发布的 GPT-6 Astra 的新特性与官方 Prompt 最佳实践。新特性包括：异步工具调用（模型层面支持执行工具时继续其他任务）、中途引导（可通过 Responses API 插话修改生成方向）、按任务难度切换推理强度并保留缓存、偏离检测（后台异步审查模型意图与行为）以及推理档位限制。Prompt 实践方面涵盖主动性执行、指令遵循（用户指令优先于 Skill）、写作风格去 AI 味、子代理委托和测试验证等场景，并给出了具体可复用的提示词示例。作者重点分析了去 AI Slop 的写作配方，认为官方 Prompt 在个性化和写作方面优化明显。
文章针对GPT-6 Astra模型Token消耗高的问题，拆解了五个常见的用钱误区：只看模型单价不看任务总价（贵模型一次做对反而更省钱）、把无关资料全塞进上下文导致缓存成本暴涨、Agent跑偏后仍让其继续执行、所有任务都开最高推理强度、每一步都要人工审批打断流程。作者提出对应的省钱策略：精简上下文只保留四要素、给Agent设置刹车机制、分级使用推理强度、放权可逆操作只管控不可逆操作，并给出一段可直接使用的提示词模板。
