O GPT-6 Astra foi lançado em 3 de setembro, e o post de lançamento da OpenAI parece a especificação do agente que toda equipe de engenharia queria no ano passado: 57,9% no Terminal-Bench 4.0 contra 37,3% do GPT-5.6 Sol, tarefas de uso de computador concluídas em cerca de 47% menos tempo e, no Codex, anotações que sobrevivem entre janelas de contexto, para que uma refatoração longa não esqueça mais por que começou. As equipes que rodam o Codex pelo Sharkly querem isso no quadro hoje mesmo.
Mas há um limite que vem antes. O Sharkly não escolhe modelos. Um Agent segue o modelo padrão do Runtime em que é executado, então o Astra chega ao Sharkly pelo Codex, configurado em um Computer, e não por um botão no Agent. Este guia segue o caminho mais curto e útil: colocar o Astra no Codex em um Computer, criar um Agent, atribuir a ele uma Task real e ler o resultado onde a equipe possa vê-lo.
Resumo rápido
Defina model = "gpt-6-astra" no Codex de um Computer conectado, confirme que o Runtime aparece como Available, crie um Agent cujas instruções digam ao Astra para priorizar a ação, conceda a ele um timeout maior por Task e um diretório de trabalho temporário, e atribua uma Task. O Sharkly não vai exibir o nome do modelo; ele vai mostrar a execução, o log, as perguntas e o resultado na Task. Os Agents pesquisam, executam, testam e reportam. As pessoas definem a direção, concedem autoridade e aceitam o resultado.
Onde fica a configuração do modelo
A documentação de Agents do Sharkly é direta: “O Agent segue o modelo padrão do Runtime. Ele não promete nem exibe um nome de modelo específico. Altere os modelos na configuração de ferramentas do Runtime ou do Computer, não no Agent.”
Essa frase resume toda a configuração. Quatro papéis, uma função cada. O Agent define como o trabalho deve ser conduzido. O Computer fornece o host e os recursos locais. O Runtime realiza a sessão do agente propriamente dita, e o Codex é o Runtime aqui. A Task continua sendo o registro compartilhado pela equipe. O modelo é uma propriedade do Runtime, então você o altera onde o Codex lê sua configuração.
Um Agent também não tem controle de profundidade de raciocínio. O esforço de raciocínio do Astra, de low a max, também é definido no Codex.
Passo 1: coloque o GPT-6 Astra no Codex do Computer
No Computer que vai rodar o Astra, atualize o Codex CLI e faça login com uma conta ou chave de API que tenha acesso ao Astra. A OpenAI liberou o modelo primeiro para “um conjunto limitado de organizações”, com todos os planos ChatGPT Plus, Pro, Business e Enterprise e a API chegando nos dias seguintes; os workspaces Enterprise o mantêm desativado até que um administrador o habilite. Se codex -m gpt-6-astra funcionar em um terminal comum, o Sharkly conseguirá usá-lo.
Depois, defina o padrão no arquivo de configuração do Codex para que toda execução neste Computer use o Astra:
# ~/.codex/config.toml
model = "gpt-6-astra"
model_provider = "openai"
model_reasoning_effort = "high"
Dois detalhes do guia de modelos da OpenAI. O Astra não tem esforço none nem minimal, então qualquer valor abaixo de low precisa subir. E ele não aceita temperature nem top_p, então remova-os de qualquer perfil que você tenha copiado de uma configuração do Sol. O nome da chave de esforço varia entre os guias do Codex que circulam por aí, então confira com a configuração de exemplo da sua versão do Codex. [VERIFY]
De volta ao Sharkly, abra os detalhes do Computer e execute o rescan ou o teste de conexão. O Runtime do Codex deve aparecer como Available. Um Computer estar online significa apenas que o serviço local está enviando heartbeats; o status do Runtime é o que indica que uma execução pode começar.
Passo 2: crie um Agent feito para o Astra
Abra Agents e selecione New Agent. Escolha o Computer e o Runtime do Codex. Depois, escreva instruções que combinem com o comportamento do Astra, porque a OpenAI documenta duas mudanças em relação aos modelos anteriores.
Ele pede esclarecimentos com mais facilidade. O próprio conselho da OpenAI é dizer a ele para priorizar a ação e concluir tarefas sem checkpoints de aprovação desnecessários. Ele também é mais sensível a instruções encontradas em skills e outros arquivos, então deixe claro que a Task e seus comentários têm precedência. Um bloco de instruções que funciona:
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.
Duas configurações de execução importam mais para o Astra do que para modelos anteriores.
Timeout. O Astra conclui trabalhos longos em vez de resumi-los e deixá-los de lado. O número do OSWorld citado pela OpenAI é de aproximadamente 40 minutos por tarefa, e o Codex agora consegue manter anotações entre janelas de contexto em vez de compactá-las. Defina o timeout por Task em Task Run Settings pensando nisso, ou a melhor qualidade do Agent se tornará sua falha mais comum.
Diretório de trabalho. Use o modo Temporary. Cada Task recebe um diretório isolado e um worktree novo, então duas execuções do Astra no mesmo repositório não podem se sobrescrever. Mantenha o máximo de Tasks paralelas em uma ou duas até que o Computer tenha processado algumas execuções; concorrência mais alta consome capacidade do provedor além da CPU.
Anexe os repositórios e as Skills de que o Agent precisa. As Skills de Runtime locais naquele Computer ficam disponíveis automaticamente; as Skills compartilhadas do Space precisam ser atribuídas.
Passo 3: atribua uma Task real
Escolha uma Task de baixo risco com um critério de aceite claro. Selecione o Agent como Assignee e mova a Task de Backlog para um status cuja categoria esteja pronta para trabalho; uma Task atribuída em Backlog fica esperando. A execução passa por queued, dispatched e running, e a aba Executions mostra o log conforme ele é transmitido.
Use um único Agent nesta primeira Task. Um Crew se justifica quando um líder precisa interpretar o objetivo e envolver outros membros, que é o tema do nosso guia sobre rodar o Astra como líder de Crew. Para uma correção de bug bem delimitada, um Agent é a escolha certa.
Se o Astra precisar de uma decisão, a pergunta volta para a Task como comentário e a Task exibe Waiting for human reply, o que encaminha para sua Inbox. Responda na conversa. Quando a execução termina, o resultado, as verificações que ele rodou e quaisquer limites que ele reporte voltam para a mesma Task, e uma pessoa a move para accepted ou a devolve.
O que muda com o Astra no quadro
Três coisas, na prática.
Tarefas longas terminam. O contexto de 1.050.000 tokens e as anotações entre janelas do Codex fazem com que uma refatoração em dezenas de arquivos vá até o fim em vez de se perder após a primeira compactação. Combine isso com o diretório isolado e o registro da Task, e uma execução durante a noite pode ser revisada pela manhã.
Ele pergunta menos, e melhor. A OpenAI treinou o Astra para usar o contexto em lacunas rotineiras e perguntar apenas quando a resposta puder mudar o resultado. No Codex, ele pode perguntar de forma assíncrona enquanto continua nas partes que não dependem da resposta. No Sharkly, essa pergunta é um comentário na Task, então a pessoa responsável pela decisão a vê sem precisar ficar olhando um terminal.
Custa mais por token. O uso do modelo continua pelas assinaturas ou chaves de API configuradas nessas ferramentas, e a tarifa de API do Astra é de US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de saída, contra US$ 4 e US$ 20 do GPT-5.6 Sol na promoção atual. Um segundo Runtime com um modelo padrão mais barato no mesmo Computer mantém as tarefas pequenas fora do caminho caro.
Quando uma execução para cedo
A OpenAI roda um monitor de desalinhamento no Astra e diz isso em sua visão geral de segurança: as verificações “às vezes podem tornar mais lento, pausar ou interromper trabalho legítimo”, incluindo “tarefas em que um agente está rodando por um período prolongado”. No Codex, você pode ser solicitado a revisar a ação antes de continuar.
Dentro do Sharkly, uma execução que termina cedo não se perde. Abra o log de execução e leia o título mais os detalhes técnicos; os detalhes trazem a resposta original do serviço de modelo. Uma execução bloqueada ou com falha aparece como um item de atenção, o diretório e o registro da Task persistem, e você a executa novamente a partir da Task com um escopo mais estreito. Mantenha as Tasks pequenas o suficiente para que uma parada custe minutos, não uma noite inteira.
