「像一位 Staff Engineer 的協作者」｜Notion 搶先體驗 GPT-6 Astra

🧑‍🏫 Notion 的工程師分享搶先試用 OpenAI 新模型 GPT-6 Astra 的心得。他最有感的是 Astra 能把自己的發現講清楚，所以他願意把真正棘手的問題交給它。這支影片也讓人看到，用 AI 的方式正在從「派小任務」轉向「給目標」。

• 00:02 受訪者認為目前最好的比喻是「跟一位 staff engineer 協作」：不給小任務，而是給你之前試過卻沒解決的難題
  ↳ staff engineer 是公司裡很資深的工程師。他說用 Astra 最像跟這種人合作：瑣碎小事不必找他，而是把你自己試過、卻卡住解不開的難題交給他。
• 00:02 受訪者近期的工作：思考如何在提供良好使用者體驗的同時，讓人更難取得免費 token 之類的東西
  ↳ token 是 AI 計算用量的單位，用 AI 就是在消耗 token。他最近在想：怎麼讓正常使用者用得順，同時讓想鑽漏洞拿免費額度的人更難得手。
• 00:32 受訪者主要在 Codex 裡使用這個模型，因為身為工程師，他大部分時間都在 Codex
  ↳ Codex 是 OpenAI 給寫程式用的 AI 工具。他是工程師，每天大多泡在 Codex 裡，所以也主要在那裡用 Astra。
• 00:32 第一印象是 Astra 溝通能力好很多：Soul 等先前模型很聰明、會發現有趣的東西，但很難把發現解釋清楚
  ↳ 他最有感的是 Astra 會「講話」了。之前的 Soul 等模型也很聰明，常挖到有意思的東西，但講不清楚，他得自己猜它到底發現了什麼。
• 01:02 他跟模型的主要工作是「解鎖」它們；去年的寫程式方式是給任務讓模型代做，今年則更著重設定目標、幫模型找方向
  ↳ 他覺得自己的角色變了。去年是把任務丟給 AI 代做；今年比較像帶人，負責講清楚要達成什麼，並在它卡住時指方向，讓它能繼續往前。
• 01:02 以前在對話中花最多時間的是弄懂模型在問什麼、該怎麼回答；用 Astra 浪費的時間變少
  ↳ 以前跟 AI 對話，最花時間的是搞懂它在問什麼、自己該怎麼回。Astra 表達得清楚，這種來回猜意思的時間就少了。
• 01:02 跟模型的互動迴圈收斂得更快，因此主動與模型一起工作的時間也跟著減少
  ↳ 你問、它答、你再修正，這樣的來回更快就對到答案。所以他需要守在旁邊、陪 AI 一起處理的時間也變短了。
• 01:32 背景：Notion 在 token 上花很多錢，而影響花費的主要因素之一是 cache 用得好不好、是否接近理論最大值
  ↳ cache 是把處理過的內容暫存起來，下次直接重用、不必重算，所以比較省。Notion 在 token 上花很多錢，cache 用得多接近理論上限，是影響帳單的關鍵之一。
• 01:32 交給 Astra 的第一個任務：提供過去做過的所有事與目前理解，問它上次 audit 漏掉了什麼
  ↳ audit 就是一次全面檢查。他把團隊做過的所有事和目前的理解全交給 Astra，直接問它：上次檢查時我們漏掉了什麼？
• 01:32 結果 Astra 找到了團隊先前遺漏的東西
  ↳ 結果 Astra 真的找出團隊之前沒注意到的地方。團隊已經認真查過一輪，它還是看出了新東西。
• 02:06 比較：Soul 能深入某件事並看出模式；Astra 更快把線索串起來，注意到團隊沒想到、但邏輯上指向另一個問題的地方
  ↳ Soul 擅長鑽深一件事、看出規律。Astra 則更快把零散線索連起來，發現某個細節其實指向另一個問題，而那是團隊沒想到的。
• 02:06 Astra 清楚說明問題並給出具體情境，寫法就像人自己會寫的那樣，受訪者不用重讀就能完全理解
  ↳ Astra 把問題講清楚，還附上具體會發生的情況，讀起來像同事寫的報告。他看一次就懂，不必反覆重讀。
• 02:06 這點讓它有別於過去多次請 coding agent 解釋發現時的經驗
  ↳ coding agent 是能自己寫程式、查問題的 AI 助手。過去他常請這類工具解釋發現，說明多半不夠清楚；Astra 在這點明顯不同。
• 02:36 給 Notion 同事的建議：交付任務時，可以只設定一個主要目標
  ↳ 他建議同事交任務時不必列一長串細節，只要把一個主要目標交代清楚就可以。
• 02:36 例子：在 dashboard 上指出某個數字，說這個數字還少一個 nine——這正是應該交給這類模型的挑戰層級
  ↳ dashboard 是集中顯示重要數字的儀表板。「少一個 nine」通常指例如 99.9% 要再推到 99.99%。指著數字說還差這一步，就是該交給它的難度。

受訪者交給 Astra 的第一個大任務是什麼？