GPT-6 Astra 深度实测

原作者：Matt Shumer 原文链接：https://somethingbig.ai/astra-review

First-person view of the Astra shooter build with the weapon visible in an urban environment.

结论先行

GPT-6 Astra 最大的变化不是“更聪明”，而是能把活自己干完：作者在手机上说一句 down, please fix，一小时后服务自己恢复，全程零干预。真正撑起大项目的是他总结的 Manager Loop——coordinator 管进度、implementer 在独立 Codex session 里干活。但对 3D 开发者有个坏消息：视觉资产生成仍不如 Claude，Three.js 直出场景别对它抱期待。

The Manager Loop dashboard showing the actual checklist and progress for this review’s preparation.

原文出处

作者：Matt Shumer 原文：My GPT-6 Astra Review（Something Big） 发布：2026-09-03，19 min read 链接：https://somethingbig.ai/astra-review

先交代背景，否则很难理解作者为什么这么苛刻。近一年里 OpenAI 模型是他毫无疑问的默认选择，直到 Anthropic 的 Fable 5 让他一夜倒戈。他后来一时兴起又试了一次 GPT-5.6-Sol，结果那个模型把整台电脑删光了几乎所有的文件，包括公司文档。所以他说：要想赢回来，需要一个“彻头彻尾奇迹般的模型”。

“On a whim, however, I decided to give GPT-5.6-Sol one more shot. It thanked me by promptly nuking my entire computer.”

要点解读

1. 信任感的来源：更谨慎，但不啰嗦

Astra 比前代更谨慎，偶尔谨慎到有点过头，但作者认为 OpenAI 找到了很好的平衡：既不频繁停下来请示，也不会擅自做太多。

“Astra is more cautious than its predecessor, occasionally a little too cautious, but I think OpenAI has struck a really good balance here.”

本站判断：对 agent 类产品来说，“敢不敢放手”比“聪不聪明”更决定 adoption。前代删电脑那种事故，一次就足以让用户退回人工审批流。Astra 把默认姿态调保守，是在为 computer use 的无人值守铺路。

2. Manager Loop：一个 prompt 就能启动一个伟大的项目

这是作者认为最被低估的发现。结构是：

  • Session 1 — Coordinator：先“面试”你，直到双方就目标达成一致，把目标拆成 checklist，然后在一个独立的 Codex session 里启动 implementer（不是 sub-agent，是完全独立的 agent）。它给 implementer 下发一个 phase，用 goal mode 让它朝这个阶段的终点推进，完成后进入下一阶段。
  • Session 2 — Implementer：干活、检查结果、回报；可按需再带 sub-agents。
  • Sub-agents：额外助手处理 scoped work。默认上限 4，作者在一台机器上改到 16，跑文明/纽约项目的机器推到 96。

“Essentially, the coordinator takes over the job I'd been doing myself: keeping the work moving through the larger plan.”

作者用这套东西从一个 prompt 出发，做了两件事：

  • 模拟文明：这里有：世界、动物、人，每个人由一个 Astra agent 驱动。名场面是他在房间里听见电脑传出说话声——居民开始互相交谈了。动物的行为也在迭代中变好（早期会掉进水里）。
  • 类 GTA 的纽约市（Unreal）：同样始于一个 prompt，之后他基本只说“be more ambitious and keep going”。而且项目仍在推进，细节惊人。

本站判断：Manager Loop 的本质是把“上下文管理”从模型内部搬到了进程架构上——用两个独立 session 隔离“规划”和“执行”，避免长对话把目标稀释掉。这比单纯对齐大的上下文更工程化，也更值得其他 Web 端 agent 的产品抄。

3. 3D/图形开发者最该看的一段：Unreal 真香，Three.js 直出仍不如 Claude

这条对本站读者最重要，原文说得很直接：

“Claude still leads on visual taste and asset creation.”

具体分野是：

场景谁更好说明
直接用代码生成 Three.js 场景ClaudeAstra 做得也不差，但并排比较时 “Claude's advantage is clear”
Blender / 视觉资产生成Claude作者做的设计和部分 3D 任务仍会去用 Claude
给 Unreal Engine + 现有资产Astra“It's finally smart enough to make substantial use of that environment.”

关键洞察是：Astra 并非空间推理差，而是生成“好看的视觉资产”能力弱。但一旦给 Unreal 现成的资产（包括 MetaHuman 角色）和工具链的环境，它就能真正利用起来——甚至会打开并试玩自己构建的游戏，再根据结果调整。

“Astra used existing assets, including MetaHuman characters, so it didn't create every object or person from scratch. That matters when you're comparing the results. But it's also exactly what I want an agent to be able to do.”

本站判断：这其实点破了 Web3D 领域 agent 的正确用法——别让模型从零撸几何体和贴图，而是让它操作引擎和资产库。纯代码直出 Three.js 场景这条路，短期内 Claude 仍是更稳的选择。

4. 细节问题长期仍无法解决

作者明确说：

“I still wouldn't call long-running autonomy solved. Astra can get absorbed in details, and the coordination setup matters a ton.”

一个反例是他让 Astra 从零造 Web 浏览器：它建了测试集、跟 Chromium 对比行为、把 Google 渲染得挺像回事，然后改进就放缓了（plateau），尽管还剩大量工作。Manager Loop 正是为了解决这个 plateau 才被摸索出来的。

5. 成本：token 消耗是新的门槛

“My large experiments consumed enormous amounts of tokens… I don't know launch pricing yet, but I think how much model usage you can afford is going to matter a lot more.”

他甚至预言：一年后我们每人用的 token 量会是现在的数百倍。同样的模型，预算不同的人能推进的项目规模会差出一个量级。

代码与验证

说明：作者并未公开 Manager Loop 的配置文件或确切的配置项名称，只描述了行为（改 Codex 配置把 sub-agent 上限从默认 4 提到 16 / 96）。因此这里不给伪配置，只按原文整理出可复现的 briefing 骨架，供你照着写自己的 coordinator prompt：

# 给 Coordinator 的第一条 prompt（按原文描述整理，非官方 API）

你是一个 coordinator。先尝试沟通，直到我们的目标达成一致。
然后把目标拆成一份 checklist，并按 phase 分组。

每一轮：
1. 启动一个独立的 implementer session（不是 sub-agent）
2. 给它一个 phase + 该 phase 的完成标准（用 goal mode 让它盯住终点）
3. 完成后它再推进下一个 phase

约束：
- 给 implementer 的 prompt 尽可能精简，只保留我真正要求的东西。
  否则它会自行添加过细的指令，把工作带偏。
- 需要并行时再使用 sub-agents。

几个来自原文的实操细节：

  • 提高 sub-agent 上限不等于它会用：即使在 Ultra reasoning effort 下，有时也需要你显式鼓励它多用 sub-agents。
  • 96 是过度实验：作者自己的原话是 “obscene overkill and would be incredibly expensive”，普通用户别抄。
  • 接口类项目先做 mockups：让 coordinator 先出 mockup，一起 refine，再让它构建真实的东西。这比直接描述每个细节有效得多。

适用场景与坑

该用它：

  • 后端工程与代码审查——作者说它特别擅长发现其他模型写的代码里的问题
  • Computer use（浏览器操作、newsletter、收件箱、广告投放），可以放着不管
  • 长对话、需要连续性的任务；agent 之间交接
  • 给 Unreal Engine + 现有资产的 3D 项目
  • 日常小任务：作者两句话让 Astra 做出了“Codex 线程自动迁云”的系统；还用它审税，发现了会计师没提出的节税点

别用它：

  • 如果你需要好看视觉资产的设计/3D 任务（Three.js 直出、Blender）——仍优先 Claude。作者让 Astra 重设计 somethingbig.ai，“didn't get good results”
  • 如果指望它吸收你的写作偏好——最好不要。原文明确说了写作是例外，怎么喂反馈都学不太会

已知的坑：

  1. 速度：Astra is a bit slower than I'd like，生成速度会比较慢。这是模型比较大的代价
  2. 长任务 plateau：没有好的协调设置，大项目会 asymptote（进展趋平）
  3. 写作偏好吸收差
  4. token 成本：大的实验烧token量惊人，且发文时定价未公布
  5. 基础设施压力：作者遇到过内存吃紧，把部分工作从 Codex app 挪到 terminal的清空；他承认“公寓里五台 Mac + 云机器”并不是合理的日常配置

最后补一句时间线：作者写完这篇评测后 Fable 5.1 发布了，他做了少量澄清并表示“基于我对 Fable 5.1 的早期测试，这里的大部分观点仍然成立”。所以上面的对比结论，请当成 2026 年 9 月初的切片看。