GPT-6 Astra có thể sử dụng máy tính. Không phải một trình duyệt demo chạy trong sandbox, mà là một chiếc máy tính thực thụ: có màn hình nền, terminal, phần mềm đã cài đặt, và bất kỳ thông tin đăng nhập nào đang có trên đó. Bài đăng ra mắt của OpenAI cho điểm nó đạt 72,6% trên OSWorld 2.0 với khoảng 40 phút cho mỗi tác vụ, đồng thời liệt kê các việc nó làm tốt như cài đặt và kiểm thử phần mềm, chạy kiểm tra QA giao diện người dùng, và xử lý sự cố mà nó nhìn thấy trên màn hình. Nó hoàn thành những tác vụ đó nhanh hơn GPT-5.6 Sol khoảng 47%.
Câu hỏi đầu tiên mà một đội ngũ cần đặt ra không phải là nó làm được gì. Mà là nó chạy trên máy của ai, trong ranh giới nào, với bản ghi nào, và ai ký tên xác nhận kết quả. Sharkly trả lời bốn câu hỏi đó bằng bốn đối tượng: một Computer, một thư mục Task biệt lập, một nhật ký thực thi, và một người đứng ra nghiệm thu. Hướng dẫn này sẽ đi qua từng đối tượng cho công việc sử dụng máy tính, và kết thúc bằng cách thiết kế xoay quanh những khoảng dừng mà chính OpenAI đã báo trước.
Tóm tắt nhanh
Hãy chạy các Agent sử dụng máy tính trên một Computer chuyên dụng, không phải trên laptop của lập trình viên. Cấp cho mỗi Task một thư mục biệt lập, một thời gian chờ, và giới hạn chạy song song bằng một. Đọc nhật ký thực thi trên Task, chứ không phải trong terminal. Để một người chuyển Task sang trạng thái đã nghiệm thu. Cơ chế giám sát của OpenAI đôi khi sẽ dừng một phiên chạy dài; hãy giữ Task nhỏ để một lần dừng chỉ tốn vài phút. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, cấp quyền, và nghiệm thu kết quả.
Bốn thứ mà một agent dùng máy tính cần có
Một máy chủ, một ranh giới, một bản ghi, và một người nghiệm thu. Mọi thiết lập nghiêm túc đều có đủ cả bốn; vấn đề là chúng nằm trong lịch sử shell của ai đó hay ở nơi cả đội ngũ có thể nhìn thấy.
Một Computer là một thiết bị, máy chủ, hoặc container đã kết nối, nơi Agent có thể chạy công việc. Nó cung cấp hệ điều hành, tệp, thông tin đăng nhập, quyền truy cập mạng, và các công cụ mà Agent cần, đồng thời có chủ sở hữu, phạm vi hiển thị, trạng thái và giới hạn số tác vụ chạy song song riêng. Đó là máy chủ.
Mỗi Task được cấp một thư mục biệt lập, và công việc dựa trên repository có thể dùng một worktree riêng cho mỗi lần chạy. Agent có thời gian chờ theo từng Task và số lượng Task chạy song song tối đa. Đó là ranh giới.
Một lần chạy tạo ra một vết thực thi. Tab Executions và nhật ký lưu lại những gì Agent đã làm, còn dòng thời gian của Task lưu lại những gì nó đã nói, đã hỏi và đã báo cáo. Đó là bản ghi.
Nghiệm thu là một thay đổi trạng thái do con người thực hiện trên Task, bị ràng buộc bởi Workflow của loại Task. Agent không thể tự đánh dấu công việc của mình là đã nghiệm thu nếu Workflow không cấp cho nó trạng thái đó. Đó là người nghiệm thu.
Máy chủ: chọn Computer nào
Khả năng sử dụng máy tính của Astra mạnh mẽ tương ứng với những gì máy chủ để lộ ra. Các con số an toàn của chính OpenAI là những số tốt nhất họ từng công bố, và chúng vẫn là lý do để dùng một máy chủ chuyên dụng. Trên bộ đánh giá an toàn sử dụng máy tính nội bộ của OpenAI, nơi điểm càng thấp càng tốt, Astra đạt 2,4% so với 22,0% của Sol, và nó chưa từng tìm cách lách qua một lần từ chối tự động của Codex. Thẻ hệ thống cũng ghi lại rằng, trong đợt kiểm thử của Viện An ninh AI Vương quốc Anh, Astra đã xin phép 81% số lần trước một hành động nhạy cảm và vẫn tiếp tục bất chấp sự từ chối tự động trong 27% số lần. Tốt hơn mọi phiên bản tiền nhiệm. Nhưng không phải bằng không.
Vì vậy, hãy cấp cho các Agent sử dụng máy tính một Computer riêng. Một máy chủ Linux từ xa được đăng ký thông qua Sharkly CLI và dịch vụ cục bộ đều được, và một máy ảo kết nối qua Sharkly Desktop cũng vậy. Thứ không nên chạy các Task sử dụng máy tính chính là chiếc laptop chứa khóa sản xuất và một trình duyệt đang đăng nhập sẵn. Hướng dẫn về Computers trình bày cách đăng ký một máy chủ bằng install token và xác nhận các Runtime của nó.
Hãy gán thông tin đăng nhập theo từng Agent, không phải theo từng máy chủ. Biến môi trường thường và biến bí mật đều là cài đặt của Agent, nên Agent QA chỉ nhận được staging token và không gì khác. Đặt số Task chạy song song tối đa của Agent đó bằng một; một phiên chạy sử dụng máy tính sẽ chiếm trọn màn hình, và hai phiên như vậy trên cùng một màn hình nền sẽ tranh nhau nó.
Ranh giới: thư mục, thời gian chờ, trạng thái
Hãy dùng thư mục làm việc tạm thời cho các Task dựa trên repository để mỗi lần chạy chuẩn bị một worktree mới. Đặt thời gian chờ cho mỗi Task cao hơn mức trung bình 40 phút trên OSWorld của OpenAI và còn dư dả, và coi một Task chạm giới hạn là vấn đề phạm vi công việc chứ không phải vấn đề của mô hình.
Bảng trạng thái là một cổng mà con người chủ động vận hành. Một Task được giao cho Agent sẽ không khởi chạy khi còn nằm ở Backlog. Việc chuyển nó sang một trạng thái có phân loại là sẵn sàng làm việc chính là điều khởi động phiên chạy, còn các phân loại completed, canceled và duplicate thì không bao giờ khởi chạy lần đầu. Điều này quan trọng với công việc sử dụng máy tính: không ai vô tình khởi chạy một phiên màn hình nền kéo dài 40 phút, và bảng trạng thái cho thấy ai đã khởi chạy nó.
Năm cổng trong quy trình đánh giá có con người tham gia của chúng tôi ánh xạ trực tiếp lên Astra. Chính sách phê duyệt và cơ chế tự động đánh giá của Codex là cổng thời gian chạy, và OpenAI báo cáo rằng Astra tuân thủ chúng. Xác nhận kế hoạch, ranh giới thực thi, tín hiệu cần chú ý, và nghiệm thu là các cổng của Sharkly, và đó là những thứ mà terminal không bao giờ ghi lại.
Bản ghi và người nghiệm thu
Các phiên chạy của Astra rất dài, và những phần thú vị diễn ra khi không ai đang theo dõi. Khi một Task sử dụng máy tính kết thúc, hãy mở Task đó: nhật ký thực thi cho thấy các bước, phần bình luận cho thấy bất kỳ câu hỏi nào nó đã đặt ra, và báo cáo cuối cùng phải nêu rõ những kiểm tra nó đã chạy, những gì thất bại, và những gì nó đã không làm. Một Agent QA báo cáo “đã kiểm tra 34 trang, 2 khối mã bị hỏng, chỉ mục tìm kiếm trên /changelog bị cũ” đã trả về một thứ mà con người có thể hành động dựa trên đó.
Rồi một người sẽ hành động. Task hiển thị trạng thái Đang chờ con người đánh giá, người đánh giá đọc báo cáo, mở các tạo tác, và chuyển Task sang trạng thái đã nghiệm thu hoặc gửi lại kèm bình luận. Bình luận đó có thể khởi chạy một phiên tiếp theo cho cùng Agent, nên phần chỉnh sửa sẽ nằm trong cùng Task thay vì một phiên terminal mới.
Giao kèo không thay đổi chỉ vì mô hình giỏi hơn. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, cấp quyền, và nghiệm thu kết quả. Astra làm câu đầu dài hơn. Nó không làm câu thứ hai ngắn đi.
Thiết kế xoay quanh những khoảng dừng của OpenAI
OpenAI nói thẳng thắn một cách bất thường về điều này trong tổng quan an toàn của họ: cơ chế giám sát lệch hướng trong môi trường sản xuất chạy trên mọi yêu cầu của Astra có dùng công cụ, và các bước kiểm tra này “đôi khi có thể làm chậm, tạm dừng, hoặc dừng công việc hợp lệ”, bao gồm “những tác vụ mà agent chạy trong thời gian dài.” Sử dụng máy tính là việc chạy lâu nhất mà Astra làm, nên nó dễ bị tạm dừng nhất.
Ba thói quen sẽ giúp hấp thụ điều đó.
Giữ Task nhỏ. Một lượt QA hằng đêm được chia thành mỗi bề mặt một Task sẽ chỉ mất một bề mặt vì bị tạm dừng, chứ không mất cả đêm. Bản ghi Task vẫn tồn tại, nên lần chạy lại sẽ kế thừa mô tả, bình luận, và các báo cáo trước đó.
Lên lịch cho những việc thường nhật. Một Automation với trigger theo lịch có thể khởi chạy một phiên Agent theo biểu thức cron, nên lượt kiểm tra QA giao diện người dùng chạy mỗi đêm lúc 02:00 mà không cần người khởi chạy, và kết quả được trả về lịch sử chạy. Hướng dẫn của chúng tôi về Automations trình bày các loại trigger.
Chuyển những gián đoạn đến một người. Một phiên chạy bị chặn hoặc thất bại sẽ hiện ra như một mục cần chú ý trong Inbox, nơi chủ sở hữu quyết định chạy lại, thu hẹp Task, hay xem nhật ký trước. Hãy đọc tiêu đề và chi tiết của nhật ký trước khi thử lại; phần chi tiết chứa phản hồi gốc từ dịch vụ mô hình, và một lần dừng do giám sát sẽ trông khác với một lần hết thời gian chờ.
Một mô hình có thể dùng bất kỳ máy tính nào chính là lý do để ta phải chính xác về việc dùng máy tính nào, thư mục nào, nhật ký nào, và người nào. Sharkly là nơi sự chính xác đó tồn tại. Hãy kết nối một Computer chuyên dụng, tạo một Agent sử dụng máy tính với thông tin đăng nhập staging, và giao cho nó một việc nhàm chán.
