Ваш конспект

Оптимизация работы с GPT Astra: полное руководство

Ключевые тезисы:

• GPT Astra требует другого подхода, чем предыдущие модели (Soul)
• Большинство лимитов сжигается из-за устаревших настроек и привычек
• Ключевая задача — не настройка, а «уборка» лишних правил и инструкций
• Экономия достигается через правильный выбор уровня усилий и чистку контекста

Уровень усилий: главная настройка

Уровень усилий — параметр, определяющий, сколько ресурсов модель тратит на решение задачи (low, medium, high, xig, ma + ultra).

Ключевой вывод: Для GPT Astra низкий (low) или средний (medium) уровень усилий часто эффективнее, чем высокий у предыдущей модели Soul.

• Пример: На одной задаче Astra на low справилась за ~8 мин (91К входных токенов), а Soul на high — за ~14 мин (222К входных токенов).
• Astra делает втрое меньше вызовов инструментов (чтение файлов, запуск тестов), меньше «суетится» и ходит по кругу.

Важно: Уровень усилий теперь можно менять прямо во время работы, не начиная сессию заново и не теряя кэш.

Оптимальная стратегия:

1. Начинайте работу на низком уровне (для рутины, предварительного анализа).
2. Повышайте уровень только для сложных этапов (реализация, разбор архитектуры, тяжёлые правки).
3. Подбирайте уровень эмпирически: прогнать небольшую тестовую задачу и оценить результат.

Low — не всегда дешевле: На сложных логических головоломках низкий уровень может показать худший результат за большие деньги, так как модель «молотит» задачу по кругу.

Окно контекста: как увеличить в 3 раза

По умолчанию в Codex стоит 256К токенов (для подписчиков), хотя модель поддерживает больше.

Решение: Одной строкой в конфигурационном файле можно поднять лимит до 828К токенов (потолок клиента).

• Промпт для Astra сделает это автоматически (есть в гайде).
• После изменения нужно полностью перезапустить приложение.

Почему низкий уровень стал эффективным? У Astra появилась способность вести заметки по ходу работы и искать по своей истории. При сворачивании длинного контекста она вычищает лишнее, но сохраняет эти заметки, не теряя нить разговора.

Три правила, которые сейчас вредят (и их нужно удалить)

1. «Изучи проект перед каждой правкой» — для мелких исправлений избыточно. Astra сама разберётся, что нужно прочитать.
2. «Читай файлы перед каждым изменением» — сжигает контекст и замедляет модель. Указывайте на конкретные документы точечно.
3. «Напоминание запускать тесты» — Astra делает это самостоятельно. Лишние напоминания добавляют ненужные прогоны.

Настройка навыков (Skills) и файлов правил

• На весь список навыков отводится ~2% окна контекста (примерно 5К токенов при 256К).
• Много навыков с длинными описаниями → Codex начинает их обрезать → модель видит «огрызки» и плохо выбирает.
• Решение: Оставлять только реально используемые навыки. Укоротить описания (должны чётко указывать, когда навык нужен). Это можно поручить самой Astra.

Проверка загрузки: Правила и навыки склеиваются в цепочку с потолком ~32 Кб. То, что не влезло, модель не увидит.

• Команда для проверки: Запустить Codex с записью лога и посмотреть, какие файлы реально подгрузились.

Новый подход к формулировке задач и правил

Старая проблема: Жёсткие правила вида «Сначала спроси меня» или «Перед любым изменением прочитай Х документов» заставляют Astra останавливаться слишком часто.

Новое решение: Давать разрешения для безопасных сценариев.

• «После каждого шага жди подтверждения»
• «Локальные тесты запускай и чини без подтверждения на каждом шаге»

Критерий «Готово»: Астра склонна возвращаться за ревью после первой рабочей версии. Нужно явно проговаривать критерий завершения.

Пример: «Готово» означает, что правки внесены, файл с тестами проходит локально, и все попутно сломавшиеся тесты исправлены.

Готовая строка из документации: «Пойми намерение из контекста и доведи задачу до конца. „Можешь ли ты“, „Я хочу“, „Помоги мне“ считай поручением, а не приглашением обсудить задачу.»

Автоматизация и управление лимитами

Автоматическая проверка готовности: Можно настроить хук в Codex, который при сообщении модели «Готово» запускает скрипт проверки (например, тесты). Если проверка провалена, Astra получает список ошибок и продолжает работу без вашего участия.

Управление бюджетом подписки: Astra видит остаток вашей квоты. Можно ставить задачу в формулировке: «Работай, пока не останется 25% квоты или пока задача не будет решена». Модель остановится сама.

Ловушка с лимитами: Лимит запросов в Codex общий на все модели OpenAI. Переключение на более дешёвую Soul не создаёт отдельный запас, а тратит ту же квоту. Следите, какая модель активна в начале задачи.

Практичные приёмы для экономии и качества

1. Объясняйте контекст и цель. Фраза «это нужно для пятницы под нагрузку в 10К пользователей» влияет на принимаемые моделью компромиссы.
2. Давайте возможность задать уточняющие вопросы. Попросите Astra задать вопросы по одному до начала работы, особенно для плохо формализуемых задач (архитектура, стратегия).
3. Проговаривайте границы. Чётко обозначайте, что модель решает сама, а что — за пределами её задачи (например, «выбери из существующих цветов», но не «переделывай всю систему цветов»).
4. Верьте, когда Astra говорит «Не смогла». В отличие от прошлых моделей, она реже врёт о выполненной работе. Требуются дополнительные данные или доступ.

Куда уходят токены и как экономить

1. Файл с правилами (Agence MarkDown): Читается целиком на каждой задаче. Чистка даёт экономию 5-35%.
2. Входные токены (логи, выдача поиска, куски файлов). Решение: Инструменты вроде headroom сжимают этот трафик локально на вашем компьютере (логи с 10К до 1,2К токенов).
3. Выходные токены (самые дорогие). Решение: Инструменты вроде Pytel заставляют агента писать меньше кода («ленивый сеньор»), заявляя об экономии до ~54% кода.
4. Большая кодовая база. Решение: Графифай строит граф знаний из репозитория. Агент запрашивает граф вместо чтения сырых файлов, экономя до 71,5 раз токенов на запрос.

Помощники (субагенты)

Идея: Astra делегирует части задач более дешёвым моделям (например, Luna), оставаясь главным управляющим.

Плюсы: Эффективно для младших тарифов ($20), позволяет «дожить до конца недели». Astra отлично управляет помощниками.

Минус и главная ловушка: Каждый помощник получает полную копию контекста. За каждую копию вы платите. 10 помощников = 10 оплаченных копий.

• Пример: 105,6 млн входных токенов, из них 102,3 млн — чтение кэша (перечитывание уже прочитанного).

Критически важные настройки для сборок с помощниками:

1. Уровень усилий главного агента (должен быть low).
2. Потолок на количество одновременных помощников. Без этого ограничения квота сгорит за час.

Пять шагов для следующей работы с Astra

1. Опустите уровень усилий на low. Живите на нём, поднимайте только для сложных задач.
2. Почистите файл правил проекта. Вычеркните «карты репозитория», списки обязательного чтения и напоминания о тестах.
3. Включите увеличенное окно контекста одной строкой в конфиге.
4. Поставьте жёсткий потолок на количество одновременных помощников (если используете их).
5. Допишите критерий готовности — одно предложение о том, что вы считаете сделанной работой.

Выводы: GPT Astra — мощная, но дорогая модель. Основной секрет экономии и эффективности — не в добавлении новых правил, а в масштабной «уборке» устаревших инструкций, накопленных за время работы с предыдущими, менее «послушными» моделями. Правильная настройка уровня усилий, контекста и