GPT-6 Astra ra mắt ngày 3 tháng 9, và bài công bố của OpenAI đọc như bản đặc tả cho đúng loại agent mà mọi đội kỹ thuật đã ao ước từ năm ngoái: 57,9% trên Terminal-Bench 4.0 so với 37,3% của GPT-5.6 Sol, các tác vụ dùng máy tính hoàn thành nhanh hơn khoảng 47%, và trong Codex, ghi chú tồn tại xuyên suốt các context window nên một đợt refactor dài sẽ không còn quên mất lý do nó bắt đầu. Các đội chạy Codex qua Sharkly muốn đưa nó lên bảng công việc ngay hôm nay.
Nhưng có một ranh giới cần nói trước. Sharkly không chọn model. Agent tuân theo model mặc định của Runtime mà nó chạy trên đó, vì vậy Astra đến với Sharkly thông qua Codex, được cấu hình trên một Computer, chứ không phải qua một nút gạt trong Agent. Hướng dẫn này đi theo con đường nhỏ nhất mà vẫn hữu ích: đặt Astra vào Codex trên một Computer, tạo một Agent, giao cho nó một Task thực sự, và đọc kết quả ở nơi cả đội đều thấy.
TL;DR
Đặt model = "gpt-6-astra" trong Codex trên một Computer đã kết nối, xác nhận Runtime hiển thị Available, tạo một Agent với instruction yêu cầu Astra thiên về hành động, đặt timeout mỗi Task dài hơn và dùng thư mục làm việc tạm thời, rồi giao một Task. Sharkly sẽ không hiển thị tên model; nó hiển thị lượt chạy, log, các câu hỏi và kết quả trên Task. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, cấp quyền và nghiệm thu kết quả.
Thiết lập model nằm ở đâu
Tài liệu Sharkly Agents nói rất rõ: “Agent tuân theo model mặc định của Runtime. Nó không cam kết hay hiển thị một tên model cụ thể. Hãy đổi model trong cấu hình Runtime hoặc công cụ của Computer, không phải trên Agent.”
Chỉ một câu đó là đủ cho toàn bộ phần thiết lập. Bốn vai trò, mỗi vai một việc. Agent quy định công việc sẽ được xử lý ra sao. Computer cung cấp host và tài nguyên cục bộ. Runtime thực hiện phiên agent thực tế, và ở đây Codex chính là Runtime. Task vẫn là bản ghi chung cho cả đội. Model là thuộc tính của Runtime, nên bạn đổi nó ở nơi Codex đọc cấu hình.
Agent cũng không có điều khiển độ sâu suy nghĩ. Reasoning effort của Astra, từ low đến max, cũng được đặt trong Codex.
Bước 1: đưa GPT-6 Astra vào Codex trên Computer
Trên Computer sẽ chạy Astra, hãy cập nhật Codex CLI và đăng nhập bằng tài khoản hoặc API key có quyền truy cập Astra. OpenAI đã triển khai model này trước tiên cho “một nhóm tổ chức hạn chế”, rồi mới đến tất cả các gói ChatGPT Plus, Pro, Business, Enterprise và API trong những ngày tiếp theo; các workspace Enterprise mặc định tắt cho đến khi quản trị viên bật lên. Nếu codex -m gpt-6-astra chạy được trong terminal thường thì Sharkly cũng dùng được.
Sau đó đặt giá trị mặc định trong file cấu hình của Codex để mọi lượt chạy trên Computer này đều dùng Astra:
# ~/.codex/config.toml
model = "gpt-6-astra"
model_provider = "openai"
model_reasoning_effort = "high"
Có hai chi tiết đáng lưu ý từ hướng dẫn về model của OpenAI. Astra không có effort none hay minimal, nên mọi mức dưới low đều phải nâng lên. Và nó không nhận temperature hay top_p, nên hãy xóa hai tham số này khỏi bất kỳ profile nào bạn sao chép từ cấu hình Sol. Tên của khóa effort khác nhau giữa các hướng dẫn Codex đang lưu hành, nên hãy đối chiếu với file cấu hình mẫu tương ứng với phiên bản Codex của bạn. [VERIFY]
Quay lại Sharkly, mở chi tiết Computer và chạy rescan hoặc kiểm tra kết nối. Runtime Codex phải hiển thị Available. Computer ở trạng thái online chỉ có nghĩa là service cục bộ đang gửi heartbeat; trạng thái Runtime mới cho biết bạn có thể bắt đầu một lượt chạy hay chưa.
Bước 2: tạo một Agent được thiết kế cho Astra
Mở Agents và chọn New Agent. Chọn Computer rồi chọn Runtime Codex. Sau đó viết instruction phù hợp với cách Astra hành xử, vì OpenAI ghi nhận hai thay đổi so với các model trước.
Nó hỏi lại để làm rõ thường xuyên hơn. Chính OpenAI khuyên nên yêu cầu nó thiên về hành động và hoàn thành tác vụ mà không cần những bước phê duyệt không cần thiết. Nó cũng nhạy hơn với các instruction nằm trong skill và các file khác, nên hãy nói rõ rằng Task cùng các comment của Task có mức ưu tiên cao hơn. Một khối instruction dùng được:
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.
Hai thiết lập khi chạy quan trọng với Astra hơn so với các model trước.
Timeout. Astra hoàn thành công việc dài thay vì tóm tắt cho xong. Con số OSWorld của OpenAI là khoảng 40 phút mỗi tác vụ, và Codex giờ có thể giữ ghi chú xuyên các context window thay vì nén chúng lại. Hãy đặt timeout mỗi Task trong Task Run Settings với điều đó trong đầu, nếu không điểm mạnh nhất của Agent sẽ trở thành lỗi phổ biến nhất của nó.
Thư mục làm việc. Dùng chế độ Temporary. Mỗi Task nhận một thư mục riêng biệt và một worktree mới, nên hai lượt chạy Astra trên cùng một repository không thể ghi đè lên nhau. Giữ số Task chạy song song tối đa ở mức một hoặc hai cho đến khi Computer đã xử lý vài lượt chạy; concurrency cao hơn sẽ ngốn cả năng lực của nhà cung cấp lẫn CPU.
Gắn các repository và Skill mà Agent cần. Local Runtime Skills trên Computer đó tự động khả dụng; còn Space Skills dùng chung thì phải được gán.
Bước 3: giao một Task thực sự
Chọn một Task ít rủi ro với tiêu chí nghiệm thu rõ ràng. Chọn Agent làm Assignee và chuyển Task ra khỏi Backlog sang một trạng thái thuộc nhóm sẵn sàng làm việc; Task được giao khi vẫn còn ở Backlog sẽ nằm chờ. Lượt chạy sẽ đi qua các trạng thái queued, dispatched rồi running, và tab Executions hiển thị log theo thời gian thực.
Hãy dùng một Agent duy nhất cho Task đầu tiên này. Crew chỉ phát huy tác dụng khi cần một leader diễn giải mục tiêu và huy động các thành viên khác — đó là nội dung của hướng dẫn chạy Astra như một Crew leader. Với một bug fix có phạm vi rõ ràng, một Agent là lựa chọn đúng.
Nếu Astra cần một quyết định, câu hỏi sẽ quay về Task dưới dạng comment và Task hiển thị Waiting for human reply, rồi được chuyển vào Inbox của bạn. Hãy trả lời ngay trong thread đó. Khi lượt chạy kết thúc, kết quả, các bước kiểm tra nó đã chạy và mọi giới hạn nó báo cáo đều quay về đúng Task đó, và con người sẽ chuyển Task sang accepted hoặc gửi trả lại.
Có Astra trên bảng công việc thì thay đổi điều gì
Thực tế là ba điều.
Các Task dài sẽ chạy đến cùng. Context 1.050.000 token cùng ghi chú xuyên context window của Codex khiến một đợt refactor trải khắp hàng chục file chạy trọn vẹn thay vì lệch hướng ngay sau lần nén đầu tiên. Kết hợp với thư mục tách biệt và bản ghi Task, một lượt chạy qua đêm vẫn có thể review vào buổi sáng.
Nó hỏi ít hơn, và hỏi khôn hơn. OpenAI huấn luyện Astra dùng context để tự xử lý những khoảng trống thường gặp và chỉ hỏi khi câu trả lời có thể làm thay đổi kết quả. Trong Codex, nó có thể hỏi theo kiểu bất đồng bộ trong khi vẫn tiếp tục làm những phần không phụ thuộc vào câu trả lời. Trong Sharkly, câu hỏi đó là một comment trên Task, nên người nắm quyền quyết định sẽ thấy mà không cần ngồi nhìn terminal.
Nó tốn nhiều tiền hơn trên mỗi token. Việc dùng model vẫn diễn ra qua subscription hoặc API key đã cấu hình trong các công cụ đó, và giá API của Astra là 10 USD mỗi triệu token đầu vào và 50 USD mỗi triệu token đầu ra, so với 4 USD và 20 USD của GPT-5.6 Sol theo chương trình khuyến mãi hiện tại. Thêm một Runtime thứ hai với model mặc định rẻ hơn trên cùng Computer sẽ giữ các Task nhỏ tránh xa con đường đắt đỏ.
Khi một lượt chạy dừng sớm
OpenAI chạy một trình giám sát hành vi lệch chuẩn (misalignment monitor) trên Astra và nói rõ điều này trong báo cáo an toàn: các kiểm tra này “đôi khi có thể làm chậm, tạm dừng hoặc dừng công việc hợp lệ”, bao gồm cả “những tác vụ mà agent chạy trong thời gian dài”. Trong Codex, bạn có thể được yêu cầu xem xét hành động trước khi tiếp tục.
Trong Sharkly, một lượt chạy kết thúc sớm không hề bị mất. Hãy mở execution log và đọc tiêu đề cùng phần chi tiết kỹ thuật; phần chi tiết chứa nguyên văn phản hồi từ model service. Một lượt chạy bị chặn hoặc thất bại sẽ hiện lên như một mục cần chú ý, thư mục và bản ghi Task vẫn còn nguyên, và bạn có thể chạy lại từ chính Task đó với phạm vi hẹp hơn. Hãy giữ các Task đủ nhỏ để một lần dừng chỉ tốn vài phút, chứ không phải cả một đêm.
