我把 GPT-6 Astra 用进了真实工作

GPT-6 Astra 发布后，我看到不少游戏、3D 场景和 Blender 建模的演示。漂亮的画面很容易让人停下来：原来 AI 已经能做到这个程度了。

这几天，我把它用在了另一类事情上：一个涉及 Azure、Linux、Windows 和数据库连接的复杂部署任务，以及自己的日常写作。这些工作没有那么适合剪成几十秒的炫技视频，却决定了我的项目能不能继续往前走。

用下来，我的感受很明确：我开始愿意把更完整的一段工作交给 Astra。 部署时，它能沿着问题继续排查；写作时，文字读起来更顺、更自然。我感受到的变化，正在进入每天的工作，而不只发生在演示里。

结合自己的经历、官方文档和早期使用者的反馈，我想谈六点。

1. 复杂部署，接得住

先交代这件事的背景。一个业务系统运行在 Linux 上，但它需要的报表引擎只能在 Windows 上运行。我要把这两部分接起来：应用发出请求，Windows 服务读取数据库、生成 PDF，再把报表交回业务系统。任务是在已有系统里加入一个可以使用的能力，不能把原来的连接、权限和业务流程弄坏。

展开以后，工作远比“写一个 Windows Worker”复杂。它涉及 Azure 虚拟机和相关资源、私有网络和访问规则、新子网接入已有的 NAT Gateway、Windows 服务安装，以及 SQL 连接的证书信任问题。Astra 在我授权的范围内，自主推进了这些配置、排错和测试。我仍然决定环境范围、批准会影响服务的变更，但不需要自己切进每个工具，一步步把部署做完。

过程当然遇到了问题。早期网络规则被 Azure 拒绝过；连通数据库以后，又要处理证书校验。后来报表生成了，保存附件的环节还出现过错误。它需要继续追查，并把报表读回、重试等验证补齐。最终，Linux 到 Windows 的报表链路在 Dev 环境跑通，真实 PDF 生成后也完成了附件验证。让我印象深刻的是，代码、云资源、网络和验证，开始可以放在同一个任务里交给它推进。 对一个做产品的人来说，这比某一段代码写得漂亮有用得多。

2. 工具之间，连起来了

那些游戏和 3D 演示也值得看，只是我会多看一步：它调用了什么工具，怎样把中间结果接下去？OpenAI 的发布页展示了 Blender 房屋模型、Unreal 场景和可交互的赛车游戏；另一个演示则在 Google Maps 上比较诊所的位置和路线。下方两张截图来自官方展示，呈现的是展示内容，并非我的独立复现。官方演示

房屋模型出现在实际 Blender 工作界面中。来源：OpenAI Astra 发布页，Blender model 展示。

地图演示把地点与车程放在同一个操作流程里。来源：OpenAI，Pediatrician search 演示。

公开使用者的经历提供了另一种视角。Matt Shumer 写到，他让 Astra 通过浏览器处理 newsletter、邮箱和广告后台；一位做飞行游戏的开发者则说，模型使用 Godot 和 Blender，把素材与游戏拼起来，但过程也包括多轮人工反馈。这里有浏览器操作，有代码，有专业软件和工具连接，不能简单归结成“AI 更会点鼠标了”。Shumer 的使用记录、游戏作者原帖

对真实工作而言，我期待的是这些能力整合起来：研究完资料，继续打开工具；生成完文件，再检查文件；做完页面，再去页面上验证。工具切换的地方，往往正是工作掉回人手里的地方。 Astra 如果能接住更多这样的交接，电脑操作的价值就会出现在很多普通工作中。具体能做到哪一步，仍取决于所用产品提供的工具和访问权限。

3. 长任务，接着做

这次有一个很值得关注的功能：Codex 的实验性上下文管理。它可以用笔记保留细节，也能搜索之前的历史。理解起来并不复杂：一次工作太长，当前窗口放不下所有内容时，AI 还有地方找回前面做过什么。按目前的配置文档，这个功能默认关闭。配置文档

举一个假设的例子。你让它改造一个老项目，前半段已经发现某个依赖不能升级，也试过一种迁移方案，知道它会破坏兼容性。几个小时以后，工作继续到了另一个模块。这时有用的记忆应当包括当初为什么放弃那条路，以及测试给出了什么结果。能找回这些信息，就有机会避免再走一遍弯路。

这也是我觉得它值得关注的原因。部署、重构、资料研究，都需要把很多零散发现积累成后面的判断。如果每隔一段时间就得重新交代背景，工作很难真正连续。这里谈的是文档描述的能力和它可能带来的用途；它让我看到了一条更适合长任务的路线：一次投入的上下文，能在后续工作里继续发挥作用。

4. 更自主，也要听劝

我希望 AI 主动把事情向前推，也希望我随时能改变方向。比如部署进行到一半，我补充一句“先只在测试环境做”；接下来它应该沿着这个新条件继续工作。自主性越强，理解这种调整就越重要。我需要一个有主动性的协作者，也需要自己的意见能够改变它接下来做什么。

我的观点是：升级模型时，值得一起重审旧 skills。 OpenAI 的使用指导明确建议检查 skills 和 AGENTS.md 等文件，因为 Astra 对这些指令更敏感，含糊或冲突的规则可能让工作过早停下。过去为了让模型少犯错而加上的一些细碎要求，到了今天，可能已经妨碍它完成整件事。官方使用指导

我会把“每完成一步都回来问我”，改成写清楚目标、验收标准、可以自主处理的范围，以及真正需要我决定的节点。比如整理资料、准备草稿、补充相关验证，可以在已经授权的任务里继续推进；改变部署环境、扩大项目范围，则要明确问清楚。一位开发者就报告过 Astra 为已有项目提出额外基础设施、过早开始实施的经历。这个反例提醒我，好的自主性需要对任务范围的准确理解；更新 skills 是改善协作方式，也不能替模型的误判开脱。开发者原帖

5. 文字更自然

写作是另一个让我有感的地方。这几天拿它写文章，我觉得文字比以前更顺了：句子衔接更自然，观点容易展开，读的时候也更容易顺着意思往下走。这种变化很难用一张跑分图表示，但对需要经常写东西的人，它非常直接。

我写文章通常从一些并不整齐的想法开始。有事实，有项目里的感受，也有还没想清楚的判断。好的写作帮助，是让这些东西逐渐成为一篇读者愿意看下去的文章。一个具体经历能够自然引出观点，下一段又接住上一段留下的问题。文字有了这种连贯性，我更容易把注意力放在自己到底想说什么。

所以这里我最想强调的，就是阅读感受：我更喜欢和它一起写出来的文字了。 这是我在现有写作流程里的体验，模型、上下文和我们积累的写作习惯都有影响。我仍会明确告诉它读者是谁、语气怎样、哪些说法不像我；官方指导也提到，需要主动指定想要的文风和结构。对我而言，这些设定是在帮助它把表达做得更贴切。写作指导

6. 值不值，算总账

体验积极，不代表每件事都适合交给 Astra。前面那位做飞行游戏的开发者说，项目用了大约三小时，消耗了他 Pro 计划周额度的 45%。这是他的单次使用记录，不能照搬成别人的预算，却把漂亮结果背后的代价摆了出来。另有用户报告，任务尚未完成，额度就已经耗尽。游戏作者记录、额度反馈

截至 9 月 6 日，标准 API 价格是每百万输入 Token 10 美元、输出 Token 50 美元，缓存和长上下文另有条件。订阅额度采用另一套规则，不能直接换算成可以聊多少轮。模型与价格

我会按任务算这笔账。改一句文案、查一个简单问题，用更轻的模型可能已经足够。涉及几个系统、需要排错和验证的工作，我更愿意用强模型。要比较的是：模型花了多少、我投入了多久，以及最后得到了什么。我的部署体验让我觉得，Astra 在复杂任务上很值得继续用；这还不是一个我测量过的效率提升百分比。

这些体验放在一起，让我对 Astra 的信任又往前走了一步。我更愿意把需要长时间推进、跨越多个产品和系统的复杂任务交给它，让它在明确的目标和授权范围内，把工作持续做下去。从部署到写作，这份信任开始有了具体的依据。

我需要面对的问题也在变化：当它越来越自主，一次完成的事情越来越多，我该怎样验证结果、追溯关键决定，确认整条工作链值得信任？验证和审计，会成为更需要花心思的地方。更高的价格也得认真算。我甚至动了再多开一个高额度订阅的念头——已经在工作里尝到了甜头，就很想多用一些。至于多花的钱值不值，要看它能为我完成多少真正有价值的工作。

这些新问题并没有削弱我的期待。Astra 已经改变了我愿意交给 AI 的工作范围，我也开始期待，那些今天还需要我紧盯着的任务，以后能够完成得更稳、更好。AI 的惊喜远没有结束。下一次进步，我希望继续在真实工作里感受到它。

资料核对于 2026 年 9 月 6 日。文中区分个人使用感受、公开作者自述和官方展示；这些案例不构成统一条件下的模型对比。