GPT-6 Astra Masterclass: What Changed, What Broke, and How to Prompt Around It
GPT-6 Astra于2026年9月3日发布，带来了计算机使用范式的重大转变，在ARC-AGI-3等基准测试中表现优异。然而，用户面临会话限制快速耗尽、访问权限受限以及回归问题等实际挑战。本文详细介绍了Astra的改进与问题，并提供了针对会话限制、受限访问和计算机使用范式的具体提示调整策略，帮助用户在生产环境中有效使用该模型。
相关文档
Using Claude Code: Spending your effort
本文深入探讨了 Claude 模型中 effort（努力程度）参数的作用与使用策略。作者通过实验和 Terminal Bench 3.0 基准测试分析发现：effort 本质上是控制模型在任务上投入的算力与自主判断程度。高 effort 在验证和边界测试重要的场景（如硬件、代码审查、安全）表现更佳；低/中 effort 则适合快速迭代、保持人类在环。作者还比较了不同规格化程度任务在各级 effort 下的输出差异，并总结出一套高效工作流：先让模型访谈自己补全规格，用低 effort 实现，人工审查后，再用高 effort 做验证和测试。
Evolving computer use with code
文章探讨了让AI代理通过编写代码来使用浏览器，而非依赖纯视觉或混合方法。作者团队发现，代码模式能显著提升代理在浏览器任务中的表现，并据此重建了Stagehand v4，一个更高效、token节省80%的浏览器代理SDK。文章还介绍了通过MCP接口暴露run、snapshot和screenshot三个工具，使代理能灵活操作浏览器，同时强调安全边界的重要性。
如何在 GPT-6 Astra 上构建基于信号的外呼系统
作者介绍了一个基于 GPT-6 Astra 与 Codex 构建的销售线索外呼机器人系统。该系统通过 profile.json 定义产品offer与理想客户画像（ICP），利用 AGENTS.md 约束 Agent 行为，自动搜索近期商业事件作为购买信号，验证公司与买家信息，并起草待人工审核的外联消息。文章详细讲解了四个实施步骤：为模型设定具体任务、将 offer 与 ICP 结合、选择能改变工作方式的信号、寻找能解释时机的信号组合。仓库包含信号目录、验证规则和示例，所有产出均附带来源链接与联系理由，代码免费开源。
你的AI第一次运行成功，这几乎证明不了什么
本文指出，AI系统首次运行成功并不能证明其可靠性，因为环境变化或输入差异可能导致失败。作者强调，评估（Evals）是确定AI系统可信度的关键，它要求基于实际工作场景收集案例，并明确“好”的标准。通过持续测试和迭代，评估集能帮助团队了解系统的边界和失败模式。文章还区分了公共基准与产品级评估，认为后者必须基于具体业务场景。最后，作者提倡将评估作为系统开发的核心部分，以确保AI在实际工作中的可靠性。
Harness Engineering: How to Build AI Agents That Actually Work
文章指出大多数人在错误的层面修复 AI Agent 问题：模型失败时反复改提示词、换模型、加工具，却忽略了真正的问题是模型周围的环境——Harness。Harness Engineering 是构建围绕模型的系统，决定模型能看到什么、能做什么、记住什么、如何判定成功与失败。作者提出六大实践：将请求转化为带完成条件的任务契约；用渐进式披露提供项目地图而非塞满上下文；在模型与工具之间设置网关校验与策略授权；将记忆（事实、决策、状态、经验）移出对话外部存储；以可观测证据作为任务完成的门槛，优先用确定性检查。好的 Harness 能提升每一次运行的质量。
Vibe Coders Are Getting Sued: 每次上线前的安全检查清单
文章以南非一家咖啡连锁店用 Claude 构建的内部仪表盘泄露 132 个门店敏感数据为例，说明 AI vibe coding 应用普遍存在的安全隐患：有登录界面但缺乏后端权限控制。作者指出 WIRED 报道发现超过 5000 个 vibe coded 应用几乎无安全措施。作为运营五家 AI 业务、两家面向真实用户发货的创始人，作者分享了一份上线前安全检查清单，并升级为一键粘贴到 Claude Code 或 Cursor 的提示词，让 AI 自动执行六步检查：法律合规（隐私政策、数据位置、GPL 许可）、数据库安全（行级权限 RLS、服务端验证）、登录流程测试、安全审计（OWASP、密钥泄露）、滥用与成本控制（限流、机器人防护）、扫描器修复，最后输出通过或需修复的结论。
3 markdown architecture patterns that boost agentic productivity
本文介绍了三种提升编码代理（Agentic）生产力的 Markdown 架构模式：AGENTS.md、DESIGN.md 和 SKILL.md。AGENTS.md 为代理提供项目全局指导，基准研究显示可减少 26% diff 大小、27% 耗时和 25% token 消耗，建议保持约 12 行简洁内容。DESIGN.md 由 Google 于 2026 年推出，通过描述性文字和 YAML 设计 token 固化设计系统，保证 UI 一致性。SKILL.md 提供可复用的任务流程指令，按需渐进加载以节省 token，且可复用于非编码业务场景。作者建议将规范纳入版本控制，像对待源码一样严格管理 Markdown，并警惕第三方 skill 的安全风险，从而规模化提升团队的智能体工作流效率。
Kimi K3.1 Pro 第一手测评：与 GPT-6 Astra 硬刚游戏开发
月之暗面发布 Kimi K3.1 Pro，3万亿参数MoE架构、100万token上下文、开源权重，API输出价格仅为GPT-6 Astra的五分之一。作者从跑分和实测两方面评估：官方xdev-bench-hard编程成功率64.5%排第二，幻觉测试同样第二，第三方智能指数全场第四、开源第一。实测中，作者用相同提示词让K3.1 Pro与GPT-6 Astra分别开发3D跳一跳和植物大战僵尸游戏，两者均一次成型无bug。Kimi耗时约10分钟但会自我验证和修正，Astra快近5倍且细节更丰富。结论：K3.1 Pro编程能力接住闭源旗舰，价格是杀手锏，适合重度Agent用户。
Kimi K3.1 Pro 实测对比 GPT-6 Astra：3D 建模能力与成本分析
本文实测对比了 Kimi K3.1 Pro 与 GPT-6 Astra 在多个 3D 任务上的表现，包括古建筑建模、机械结构、透明材质和游戏开发等。结果显示，Kimi 在精细模型构建上更优，而 GPT 在大型场景稳定性上更好。成本方面，Kimi 比 GPT 便宜约 80%，性价比突出。文章还提供了使用 Kimi 进行 3D 建模的入门指南。
发布前我就测过的那只太空兔（Space Bunny），现在叫 MiniMax M3.1 Flash
作者在 MiniMax M3.1 Flash 还以匿名模型 Space Bunny 身份活跃时，用自己维护的 300 题封闭测试集（HumanEval+/MBPP+ 代码题与 MMLU-Pro 推理题）进行了评测，匿名期得 240 分。正式版发布后用同一套题复测得 246 分，两版表现几乎一致，主要提升在代码题。代码能力与 DeepSeek V4.1 Flash-1017 基本打平；官方数据显示其在企业流程自动化和操作电脑两项为国产第一，且成本显著低于 Claude Opus 5。短板是困难推理。整套 300 题成本仅一元出头，性价比突出。
FDE 实战｜我给爸妈的物流公司做 AI 落地
作者以 FDE（前线部署工程师）身份，为父母经营的 4 人小物流公司做 AI 落地。文章完整记录了从商机发现、需求调研、方案设计到落地交付的全过程：梳理藏在家人脑中的隐性业务规则，识别手写车号、多系统操作等数据与技术难题，并按风险高低分三阶段推进——先做信息核对，再尝试报车，资金类操作保留人工审核。最终用腾讯 WorkBuddy 将小时级工作缩短到一分钟。复盘指出 AI 落地真正的难点在于：小公司数字化基础薄弱、隐性规则多、交付需手把手教学、信任建立难，以及成本收益难以平衡。技术终要为人服务。
Motion Engineering: 一个 Agent 打造五个部门的动画工作室
文章介绍如何将 Claude Opus 5.5 变成一个完整的动画制作团队，通过设立导演、艺术总监、动画师、渲染工程师和评审五个“部门”，让一个 agent 依次完成故事策划、视觉设计、动画编码、渲染和质检的全流程。作者强调关键不在模型本身，而是围绕模型构建的生产系统：使用 Claude Code 作为 agent、Remotion 作为视频框架、FFmpeg 处理媒体。模型不直接生成像素，而是编写产生帧的代码，使首个视频成为后续的基础。真正的“一次成型”背后往往是详尽的提示词、参考资料和生产环境，工作室化流程才是可复现视频创作的核心。