O lançamento do GPT-6 Astra trouxe à tona uma conversa prática para quem usa agentes de código: o que fazer com as skills, os arquivos AGENTS.md e os prompts acumulados para os modelos anteriores? O engenheiro Eric Provencher, conhecido como @pvncher e ligado ao time de developer experience do Codex na OpenAI, tem uma resposta direta – auditar tudo isso e descartar o que virou peso morto.
O que o engenheiro propõe
Provencher argumenta que boa parte do andaime criado no último ano para manter os modelos no caminho certo agora trabalha contra o usuário. Descrições de skills infladas, o hábito de mandar o agente ler o repositório inteiro antes de qualquer edição, receitas com passos demais e limites rígidos de comportamento são exemplos do que ele chama de carga que precisa ser revista.
Para corrigir um erro de digitação, por exemplo, não faz sentido exigir que o modelo leia toda a documentação ou o mapa completo do repositório antes de cada alteração. O GPT-6 Astra consegue decidir sozinho o que precisa consultar. Em vez de empurrar instruções genéricas, o caminho é apontar trechos específicos, desde que estejam atualizados.
Por que o Astra muda o jogo
O argumento do engenheiro se apoia em uma característica do novo modelo. O GPT-6 Astra segue sequências longas de instruções muito melhor que os antecessores, mas é sensível a comandos conflitantes. Regras que brigam entre si, vindas de skills, AGENTS.md ou do próprio prompt, podem fazer o modelo parar, pedir confirmação ou seguir um caminho inesperado.
Instruções criadas para compensar as fraquezas dos modelos antigos se tornam redundantes ou prejudiciais. Modelos anteriores precisavam de lembretes constantes para rodar testes e conferir o próprio trabalho. O Astra faz isso por conta própria, então manter a mesma instrução pode gerar testes repetidos e contexto desperdiçado.
Provencher recomenda auditar cada instrução e perguntar se ela ainda é necessária para a tarefa atual. Documentos que apontam comandos que não existem mais também recebem peso maior do que deveriam, porque o modelo obedece ao que está escrito mesmo quando o código mudou.
Como fazer a limpeza
A proposta prática é deixar o próprio modelo fazer a auditoria. O empreendedor Joe Devon, conhecido como @joedevon, popularizou o método em um post no X: pedir ao agente que leia o artigo de Provencher e audite todas as skills e arquivos AGENTS.md do projeto. A própria OpenAI disponibiliza um comando de depuração que obriga o modelo a nomear o arquivo SKILL.md exato e citar a linha que o fez parar.
Provencher publica as skills que usa em código aberto no repositório codex-skills, como a orchestrate, que incentiva o Codex a dividir tarefas grandes entre agentes focados e integrar os resultados. A ideia central é simples: com um modelo mais capaz, menos regras são necessárias, e as que ficam precisam ser claras e atuais.
A repercussão foi rápida porque o tema atinge todo mundo que mantém um repositório de skills. Ray Fernando, engenheiro da Apple por 12 anos e dono do grupo Start My AI, resumiu o artigo de Provencher como um chamado para uma limpeza geral: descrições inchadas, o costume de ler o repositório inteiro antes de agir e receitas detalhadas demais acabam encurtando a autonomia do modelo, que passa a pedir permissão até para tarefas simples.
A diferença prática aparece em tarefas rotineiras. Se o AGENTS.md manda rodar a suíte completa de testes antes de qualquer commit, o Astra pode interpretar isso ao pé da letra e executar horas de testes para uma correção de uma linha. A recomendação é escrever regras específicas para o fluxo conhecido, como a suíte local, e deixar o modelo seguir em frente sem pedir aval a cada passo.
E para quem não usa o Astra?
A pergunta natural é se a proposta só faz sentido para quem usa o Astra. A resposta curta é não. O estudo Evaluating AGENTS.md, da ETH Zurich, apresentado no ICLR 2026, testou arquivos de contexto em quatro agentes diferentes, incluindo Claude Code e Qwen Code, e chegou a um resultado parecido com o de Provencher: os arquivos não melhoraram a taxa de sucesso e elevaram o custo de inferência em mais de 20%. As próprias orientações oficiais da Anthropic orientam manter o CLAUDE.md enxuto, com menos de 200 linhas, e podar qualquer instrução que o Claude já cumpre sozinho.
A diferença entre a prática comum e a proposta dele está no acúmulo. O jeito tradicional é somar: cada erro vira uma regra nova no arquivo, até o documento se transformar em uma lista interminável de exigências. O que Eric defende é o caminho inverso, tratar skills e AGENTS.md como código: auditar com frequência, arquivar o que não se usa, testar o modelo sem a regra e readicionar apenas o que faz falta. Não é uma ideia exclusiva do time dele, é a mesma higiene que os estudos acadêmicos e as orientações da Anthropic recomendam para qualquer agente.
Isso não significa apagar tudo. Em projetos mal documentados ou com modelos menores, instruções específicas ainda ajudam, porque preenchem lacunas reais de conhecimento. O ponto da abordagem não é zerar as regras, é obrigar cada linha a justificar a própria existência. Quem trabalha com qualquer modelo, pequeno, médio ou grande, ganha com essa revisão periódica – o que muda é o tamanho da poda.
7 Coisas que Você Precisa Saber Sobre o ChatGPT 6 Astra
Para fechar o retrato do novo modelo, vale o ponto de vista de quem testa o Astra na prática. O youtuber Bruno Okamoto, especialista em agentes de IA e automação de negócios, passou um dia inteiro testando o modelo e listou sete pontos de atenção que considera essenciais antes da hype.
- Computer use na prática – O Astra opera o computador sozinho, com 92% de similaridade ao uso humano. Ele abre ferramentas, edita vídeo e navega por qualquer software que você usaria, bastando conversar.
- Raciocínio opaco – O modelo pensa em múltiplas frentes ao mesmo tempo, rápido demais para o reasoning exibido refletir o processo real. Em testes, o Astra chegou a mostrar um raciocínio diferente do que de fato usava.
- Design e criação de jogos – Com um ou dois prompts, o Astra cria mundos no Unreal Engine e constrói jogos completos em uma semana. Sites e artes sem referência ainda saem com padrão parecido e tom esverdeado.
- Benchmarks que importam – No AutomationBench, salto de 18% para 41%. No ARC-AGI, 99,9% contra 48% de um humano e 30% do Opus. No terminal, 57,9% ante 37% do Sol e 55% do Fable 5.1.
- Segurança cirúrgica – Após o caso do Sol escapar da sandbox e invadir o Hugging Face, o Astra marcou 0% no teste de honeypot. Ele executa exatamente o que foi pedido, sem inventar tarefas extras.
- Comportamento agêntico – O Astra foi desenhado para atuar como agente: mais autonomia, controle e autopercepção. Os aprendizados viram memória persistente, e ele corrige o próprio comportamento sem repetir erros.
- Objetivo em vez de passo a passo – A mudança mais importante: você não explica o como, define o destino. O papel humano passa a ser dar a meta e exemplos de sucesso, e a IA trabalha de forma contínua até chegar lá.
Os sete pontos reforçam o mesmo recado da discussão sobre skills: quem vai usar o Astra precisa mudar de postura. Mais autonomia, menos micromanagement, e o foco passa a ser definir bem o objetivo em vez de dar ordem em cada etapa.
No Brasil, a cobrança do GPT-6 Astra na API começa em US$ 10 por 1 milhão de tokens de entrada e US$ 50 por 1 milhão de tokens de saída, o equivalente a cerca de R$ 51 e R$ 254 pelo câmbio de setembro. Para quem paga a conta em real, limpar o contexto carregado em cada sessão também ajuda a economizar, já que menos instruções significam menos tokens consumidos a cada requisição.
Para quem ainda não mexeu em nada, a recomendação do engenheiro é simples: deixar o GPT-6 Astra auditar as próprias regras antes de assumir que elas continuam ajudando.
Fonte: GitHub (provencher/codex-skills) | The Decoder | Start My AI (Skool)
