GPT-6 Astra가 9월 3일에 출시되었고, OpenAI 출시 포스트는 작년에 모든 엔지니어링 팀이 원했던 에이전트의 스펙처럼 읽힙니다. Terminal-Bench 4.0에서 GPT-5.6 Sol의 37.3%를 앞선 57.9%, 컴퓨터 사용 작업 완료 시간 약 47% 단축, 그리고 Codex에서 컨텍스트 윈도우를 넘어 노트를 유지해 긴 리팩터링이 시작 이유를 잊지 않는 기능까지. Sharkly를 통해 Codex를 운영하는 팀이라면 오늘 바로 도입하고 싶을 겁니다.
먼저 짚어둘 경계가 하나 있습니다. Sharkly는 모델을 선택하지 않습니다. Agent는 실행되는 Runtime의 기본 모델을 따르기 때문에, Astra는 Agent의 스위치가 아니라 Computer에 설정된 Codex를 통해 Sharkly에 들어옵니다. 이 가이드는 가장 간결하면서도 유용한 경로를 따릅니다. 하나의 Computer에서 Codex에 Astra를 설정하고, Agent 하나를 만들고, 실제 Task 하나를 할당한 뒤, 팀이 볼 수 있는 곳에서 결과를 확인하는 것입니다.
TL;DR
연결된 Computer의 Codex에서 model = "gpt-6-astra"를 설정하고, Runtime이 Available로 표시되는지 확인한 다음, Astra에게 행동 우선(bias towards action)을 지시하는 Agent를 만들고, Task별 타임아웃을 더 길게 설정하고 임시 작업 디렉터리를 지정한 뒤, Task 하나를 할당하세요. Sharkly는 모델 이름을 표시하지 않습니다. 대신 실행, 로그, 질문, 그리고 Task의 결과를 보여줍니다. Agent는 조사하고, 실행하고, 테스트하고, 보고합니다. 사람은 방향을 정하고, 권한을 부여하고, 결과를 승인합니다.
모델 설정이 사는 곳
Sharkly Agents 문서는 이를 명확히 밝힙니다. "Agent는 Runtime의 기본 모델을 따릅니다. 특정 모델 이름을 약속하거나 표시하지 않습니다. 모델은 Agent가 아니라 Runtime 또는 Computer 도구 구성에서 변경하세요."
이 한 문장이 설정의 전부입니다. 네 가지 역할, 각각 하나의 책임. Agent는 작업을 어떻게 처리할지 정의합니다. Computer는 호스트와 로컬 리소스를 제공합니다. Runtime은 실제 에이전트 세션을 수행하며, 여기서는 Codex가 Runtime입니다. Task는 팀을 위한 공유 기록으로 남습니다. 모델은 Runtime의 속성이므로, Codex가 자신의 구성을 읽는 곳에서 변경하면 됩니다.
또한 Agent에는 사고 깊이(thinking-depth) 제어 기능이 없습니다. Astra의 추론 강도(reasoning effort)는 low에서 max까지이며, 이 역시 Codex에서 설정합니다.
1단계: Computer의 Codex에 GPT-6 Astra 넣기
Astra를 실행할 Computer에서 Codex CLI를 업데이트하고, Astra 접근 권한이 있는 계정 또는 API 키로 로그인하세요. OpenAI는 이 모델을 먼저 "제한된 조직 집합"에 공개했으며, 모든 ChatGPT Plus, Pro, Business, Enterprise 플랜과 API는 이후 며칠에 걸쳐 순차 제공됩니다. Enterprise 워크스페이스는 관리자가 활성화하기 전까지 꺼져 있습니다. 일반 터미널에서 codex -m gpt-6-astra가 작동한다면, Sharkly에서도 사용할 수 있습니다.
그다음 Codex 구성 파일에서 기본값을 설정해 이 Computer의 모든 실행이 Astra를 사용하도록 하세요:
# ~/.codex/config.toml
model = "gpt-6-astra"
model_provider = "openai"
model_reasoning_effort = "high"
OpenAI의 모델 가이드에서 나온 두 가지 세부 사항이 있습니다. Astra에는 none이나 minimal 추론 강도가 없으므로 low 미만의 값은 위로 올려야 합니다. 또한 temperature나 top_p를 허용하지 않으므로, Sol 설정에서 복사한 프로필에 이 항목들이 있다면 제거하세요. 추론 강도 키 이름은 유포된 Codex 가이드마다 다르므로, 사용 중인 Codex 버전의 샘플 구성과 대조해 확인하세요. [VERIFY]
다시 Sharkly로 돌아와 Computer 상세 정보를 열고 재검사(rescan)나 연결 테스트를 실행하세요. Codex Runtime이 Available로 표시되어야 합니다. Computer가 온라인이라는 것은 로컬 서비스가 하트비트를 보내고 있다는 뜻일 뿐이며, 실행을 시작할 수 있는지는 Runtime 상태가 알려줍니다.
2단계: Astra를 위해 만든 Agent 생성하기
Agents를 열고 New Agent를 선택하세요. Computer와 Codex Runtime을 선택합니다. 그런 다음 Astra의 동작 방식에 맞는 지침을 작성하세요. OpenAI가 이전 모델과의 두 가지 변화를 문서화했기 때문입니다.
Astra는 더 적극적으로 명확화를 요청합니다. OpenAI의 자체 조언은 행동 우선(bias towards action)을 지시하고 불필요한 승인 체크포인트 없이 작업을 완료하라고 알려주는 것입니다. 또한 스킬(Skill)이나 기타 파일에 담긴 지침에 더 민감하게 반응하므로, Task와 그 댓글이 우선한다는 점을 명시하세요. 실용적인 지침 블록은 다음과 같습니다:
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.
이전 모델보다 Astra에서 더 중요한 두 가지 실행 설정이 있습니다.
타임아웃. Astra는 긴 작업을 요약으로 넘기지 않고 끝까지 완료합니다. OpenAI의 OSWorld 수치는 작업당 대략 40분이며, Codex는 이제 컨텍스트 윈도우를 압축하는 대신 노트를 유지할 수 있습니다. 이를 염두에 두고 Task Run Settings에서 Task별 타임아웃을 설정하세요. 그렇지 않으면 Agent의 가장 큰 장점이 가장 흔한 실패 원인이 됩니다.
작업 디렉터리. Temporary 모드를 사용하세요. 각 Task는 격리된 디렉터리와 새 워크트리를 받으므로, 같은 저장소에서 두 개의 Astra 실행이 서로 덮어쓸 수 없습니다. Computer가 몇 번의 실행을 처리할 때까지 최대 병렬 Task 수는 1~2개로 유지하세요. 동시성이 높아지면 CPU뿐 아니라 제공자 용량도 소모됩니다.
Agent에 필요한 저장소와 Skill을 첨부하세요. 해당 Computer의 로컬 Runtime Skill은 자동으로 사용 가능하며, 공유 Space Skill은 할당해야 합니다.
3단계: 실제 Task 하나 할당하기
수용 기준이 명확한 저위험 Task를 고르세요. Agent를 Assignee로 선택하고 Task를 Backlog에서 작업 준비가 된 카테고리의 상태로 옮기세요. Backlog에서 할당된 Task는 대기합니다. 실행은 queued, dispatched, running을 거치며, Executions 탭에서 로그가 스트리밍되는 것을 볼 수 있습니다.
이 첫 Task에는 Agent 하나만 사용하세요. Crew는 리더가 목표를 해석하고 다른 멤버를 참여시켜야 할 때 빛을 발하며, 이는 Astra를 Crew 리더로 운영하기 가이드의 주제입니다. 범위가 정해진 버그 수정에는 Agent 하나가 적절합니다.
Astra가 결정을 내려야 할 경우, 질문이 Task에 댓글로 돌아오고 Task는 Waiting for human reply를 표시하며, 이는 Inbox로 라우팅됩니다. 스레드에서 답하세요. 실행이 끝나면 결과, 실행한 검사, 보고된 제한 사항이 같은 Task로 돌아오고, 사람이 이를 승인하거나 되돌려 보냅니다.
Astra를 도입하면 무엇이 달라지는가
실제로 세 가지가 달라집니다.
긴 Task가 완료됩니다. 1,050,000 토큰 컨텍스트와 Codex의 윈도우 간 노트 덕분에 수십 개 파일에 걸친 리팩터링이 첫 압축 이후 표류하지 않고 끝까지 완료됩니다. 여기에 격리된 디렉터리와 Task 기록을 더하면, 밤새 실행한 작업을 아침에 검토할 수 있습니다.
질문은 줄고, 더 나아집니다. OpenAI는 Astra가 일상적인 공백에는 컨텍스트를 활용하고, 답이 결과를 바꿀 수 있을 때만 질문하도록 훈련했습니다. Codex에서 Astra는 답변에 의존하지 않는 부분을 계속 진행하면서 비동기적으로 질문할 수 있습니다. Sharkly에서는 그 질문이 Task의 댓글로 남으므로, 결정권을 가진 사람이 터미널을 지켜보지 않고도 확인할 수 있습니다.
토큰당 비용은 더 높습니다. 모델 사용은 해당 도구에 구성된 구독이나 API 키를 통해 계속 청구되며, Astra의 API 요금은 백만 입력 토큰당 $10, 백만 출력 토큰당 $50으로, 현재 프로모션 중인 GPT-5.6 Sol의 $4와 $20에 비해 높습니다. 같은 Computer에 더 저렴한 기본 모델을 쓰는 두 번째 Runtime을 두면 소규모 Task가 비싼 경로를 피할 수 있습니다.
실행이 일찍 멈출 때
OpenAI는 Astra에 정렬 오류 모니터(misalignment monitor)를 실행하며, 안전 개요에서 이 사실을 밝힙니다. 이 검사는 "때때로 정당한 작업을 지연시키거나, 일시 중지하거나, 중단시킬 수 있으며", 여기에는 "에이전트가 장시간 실행되는 작업"도 포함됩니다. Codex에서는 계속 진행하기 전에 해당 작업을 검토하라는 요청을 받을 수 있습니다.
Sharkly 내부에서 일찍 종료된 실행이 유실되지는 않습니다. 실행 로그를 열고 제목과 기술 세부 정보를 읽어보세요. 세부 정보에는 원래의 모델 서비스 응답이 담겨 있습니다. 차단되거나 실패한 실행은 주의 항목으로 표시되고, 디렉터리와 Task 기록은 유지되며, Task에서 범위를 좁혀 다시 실행할 수 있습니다. 중단으로 인한 비용이 밤새가 아니라 몇 분이 되도록 Task를 충분히 작게 유지하세요.
