GPT-6 Astra dirilis pada 3 September, dan postingan peluncuran OpenAI terbaca seperti spesifikasi agen yang diinginkan setiap tim engineering tahun lalu: 57,9% pada Terminal-Bench 4.0 versus 37,3% milik GPT-5.6 Sol, tugas-tugas computer-use selesai sekitar 47% lebih cepat, dan, di Codex, catatan yang bertahan lintas context window sehingga refactor panjang tidak lagi lupa alasan ia dimulai. Tim yang menjalankan Codex melalui Sharkly ingin ini langsung aktif hari ini.
Satu batasan perlu dipahami lebih dulu. Sharkly tidak memilih model. Sebuah Agent mengikuti model default dari Runtime tempat ia berjalan, jadi Astra hadir di Sharkly melalui Codex, yang dikonfigurasi pada sebuah Computer, bukan lewat tombol di Agent. Panduan ini mengambil jalur paling ringkas yang berguna: pasang Astra di Codex pada satu Computer, buat satu Agent, beri ia satu Task nyata, lalu baca hasilnya di tempat yang bisa dilihat seluruh tim.
TL;DR
Set model = "gpt-6-astra" di Codex pada Computer yang terhubung, pastikan Runtime menampilkan Available, buat Agent yang instruksinya menyuruh Astra untuk lebih mengutamakan tindakan, beri timeout per-Task yang lebih panjang dan working directory sementara, lalu tugaskan satu Task. Sharkly tidak akan menampilkan nama modelnya; yang ditampilkan adalah run, log, pertanyaan, dan hasil pada Task tersebut. Agent melakukan riset, eksekusi, pengujian, dan pelaporan. Manusia yang menetapkan arah, memberi wewenang, dan menerima hasilnya.
Di mana pengaturan model berada
Dokumentasi Sharkly Agents menyatakannya dengan gamblang: “Agent mengikuti model default Runtime. Ia tidak menjanjikan atau menampilkan nama model tertentu. Ubah model di Runtime atau konfigurasi tool Computer, bukan di Agent.”
Kalimat itu sudah merangkum keseluruhan setup. Empat peran, masing-masing satu pekerjaan. Agent menentukan bagaimana suatu pekerjaan harus ditangani. Computer menyediakan host dan sumber daya lokal. Runtime menjalankan sesi agent yang sebenarnya, dan Codex adalah Runtime di sini. Task tetap menjadi catatan bersama untuk tim. Model adalah properti Runtime, jadi Anda mengubahnya di tempat Codex membaca konfigurasinya.
Agent juga tidak memiliki kontrol kedalaman berpikir. Reasoning effort Astra, dari low sampai max, juga diatur di Codex.
Langkah 1: pasang GPT-6 Astra di Codex pada Computer
Pada Computer yang akan menjalankan Astra, perbarui Codex CLI dan login dengan akun atau API key yang punya akses ke Astra. OpenAI merilis model ini lebih dulu ke “sejumlah organisasi terbatas”, disusul semua paket ChatGPT Plus, Pro, Business, dan Enterprise serta API dalam beberapa hari berikutnya; workspace Enterprise masih nonaktif sampai seorang administrator mengaktifkannya. Jika codex -m gpt-6-astra berjalan di terminal biasa, Sharkly bisa memakainya.
Lalu tetapkan default di file konfigurasi Codex agar setiap run di Computer ini memakai Astra:
# ~/.codex/config.toml
model = "gpt-6-astra"
model_provider = "openai"
model_reasoning_effort = "high"
Ada dua detail dari panduan model OpenAI. Astra tidak punya effort none atau minimal, jadi apa pun di bawah low harus dinaikkan. Dan ia tidak menerima temperature atau top_p, jadi hapus keduanya dari profil apa pun yang Anda salin dari setup Sol. Nama kunci effort berbeda-beda di antara panduan Codex yang beredar, jadi cocokkan dengan contoh konfigurasi untuk versi Codex Anda. [VERIFY]
Kembali di Sharkly, buka detail Computer dan jalankan rescan atau uji koneksi. Runtime Codex seharusnya menampilkan Available. Computer yang online hanya berarti layanan lokal sedang mengirim heartbeat; status Runtime-lah yang memberi tahu Anda bahwa sebuah run bisa dimulai.
Langkah 2: buat Agent yang dirancang untuk Astra
Buka Agents dan pilih New Agent. Pilih Computer dan Runtime Codex. Lalu tulis instruksi yang sesuai dengan perilaku Astra, karena OpenAI mendokumentasikan dua pergeseran dari model-model sebelumnya.
Astra lebih mudah meminta klarifikasi. Saran OpenAI sendiri adalah menyuruhnya untuk lebih mengutamakan tindakan dan menyelesaikan tugas tanpa checkpoint persetujuan yang tidak perlu. Ia juga lebih sensitif terhadap instruksi yang ditemukan di Skill dan file lain, jadi nyatakan bahwa Task dan komentarnya yang lebih diutamakan. Blok instruksi yang bisa dipakai:
Read the Task description and recent comments before editing.
Bias towards action. Ask a question only when different
interpretations would materially change the result; otherwise
proceed with a sensible assumption and state it in your report.
Task and comment instructions take precedence over Skill files.
Run the closest relevant checks and report failures without hiding them.
Dua pengaturan run lebih penting bagi Astra dibandingkan model sebelumnya.
Timeout. Astra menyelesaikan pekerjaan panjang alih-alih meringkasnya begitu saja. Angka OSWorld dari OpenAI sekitar 40 menit per tugas, dan Codex kini dapat menyimpan catatan lintas context window alih-alih memadatkannya. Tetapkan timeout per-Task di Task Run Settings dengan pertimbangan itu, atau sifat terbaik Agent ini justru menjadi kegagalan yang paling sering terjadi.
Working directory. Gunakan mode Temporary. Setiap Task mendapat direktori terisolasi dan worktree baru, sehingga dua run Astra pada repositori yang sama tidak bisa saling menimpa. Jaga maksimum Task paralel di angka satu atau dua sampai Computer sudah menangani beberapa run; konkurensi yang lebih tinggi menghabiskan kapasitas penyedia sekaligus CPU.
Lampirkan repositori dan Skill yang dibutuhkan Agent. Local Runtime Skills di Computer tersebut tersedia otomatis; Space Skills bersama harus ditugaskan.
Langkah 3: tugaskan satu Task nyata
Pilih Task berisiko rendah dengan kriteria penerimaan yang jelas. Pilih Agent sebagai Assignee dan pindahkan Task keluar dari Backlog ke status yang kategorinya siap dikerjakan; Task yang ditugaskan saat masih di Backlog akan menunggu. Run bergerak melalui queued, dispatched, dan running, dan tab Executions menampilkan log secara streaming.
Gunakan satu Agent untuk Task pertama ini. Crew baru layak dipakai ketika seorang leader harus menafsirkan tujuan dan melibatkan anggota lain, yang menjadi topik panduan kami tentang menjalankan Astra sebagai Crew leader. Untuk perbaikan bug yang ruang lingkupnya terbatas, satu Agent adalah pilihan yang tepat.
Jika Astra membutuhkan keputusan, pertanyaannya kembali ke Task sebagai komentar dan Task menampilkan Waiting for human reply, yang mengarah ke Inbox Anda. Jawab di thread tersebut. Saat run selesai, hasilnya, pemeriksaan yang dijalankan, dan batasan apa pun yang dilaporkannya kembali ke Task yang sama, lalu seseorang memindahkannya ke accepted atau mengembalikannya.
Apa yang berubah saat Astra masuk ke alur kerja
Ada tiga hal, secara praktis.
Task panjang bisa selesai. Konteks 1.050.000 token dan catatan lintas window dari Codex membuat refactor di puluhan file berjalan tuntas alih-alih melenceng setelah kompaksi pertama. Padukan dengan direktori terisolasi dan catatan Task, dan run semalam pun bisa ditinjau keesokan paginya.
Astra lebih sedikit bertanya, tapi pertanyaannya lebih tepat. OpenAI melatih Astra untuk memakai konteks guna menutup celah rutin dan hanya bertanya bila jawabannya bisa mengubah hasil akhir. Di Codex ia bisa bertanya secara asinkron sambil tetap mengerjakan bagian yang tidak bergantung pada jawaban itu. Di Sharkly, pertanyaan tersebut menjadi komentar pada Task, sehingga orang yang memegang keputusan melihatnya tanpa harus mengawasi terminal.
Biayanya lebih mahal per token. Penggunaan model tetap melalui langganan atau API key yang dikonfigurasi di tool tersebut, dan tarif API Astra adalah $10 per juta token input dan $50 per juta output, dibandingkan $4 dan $20 untuk GPT-5.6 Sol pada promosi saat ini. Runtime kedua dengan model default yang lebih murah di Computer yang sama akan menjauhkan Task kecil dari jalur mahal.
Ketika run berhenti lebih awal
OpenAI menjalankan monitor misalignment pada Astra dan menyatakannya di ringkasan keamanan mereka: pemeriksaan tersebut “kadang dapat memperlambat, menjeda, atau menghentikan pekerjaan yang sah,” termasuk “tugas di mana agent berjalan untuk periode yang panjang.” Di Codex, Anda mungkin diminta meninjau tindakan tersebut sebelum melanjutkan.
Di dalam Sharkly, run yang berakhir lebih awal tidak hilang. Buka log eksekusi dan baca judul beserta detail teknisnya; detail tersebut memuat respons asli dari layanan model. Run yang terblokir atau gagal muncul sebagai item perhatian, direktori dan catatan Task tetap ada, dan Anda bisa menjalankan ulang dari Task dengan cakupan yang lebih sempit. Jaga Task tetap kecil agar penghentian hanya memakan waktu beberapa menit, bukan semalaman.
