Warum alte Prompts GPT-6 Astra ausbremsen – und was Entwickler tun sollten

Wer KI-Coding-Agenten wie OpenAIs Codex im Arbeitsalltag einsetzt, kennt das Problem: Über Monate wachsen die Anweisungsdateien, mit denen man dem Modell erklärt, wie es sich verhalten soll. Mit dem neuen Spitzenmodell GPT-6 Astra kehrt sich dieser gut gemeinte Aufwand nun teilweise gegen die eigenen Nutzer. OpenAI-Entwickler Eric Provencher warnt in einem am 11. September veröffentlichten Leitfaden: Genau jene aufgeblähten Anweisungen, mit denen Teams schwächere Modelle bislang an die Kandare nahmen, bremsen das leistungsfähigere Astra jetzt spürbar aus.

Das Wichtigste in Kürze

• OpenAI empfiehlt Entwicklern, Skill-Beschreibungen, AGENTS.md-Dateien und Aufgabenprompts für GPT-6 Astra grundlegend zu überarbeiten statt einfach weiterzuverwenden.
• Zu viele oder zu lange Skill-Beschreibungen werden von Codex automatisch gekürzt, wenn mehrere davon gleichzeitig geladen sind – das Modell trifft dann schlechtere Auswahlentscheidungen.
• Astra führt Tests und Prüfungen von sich aus durch; alte Anweisungen, die das explizit einfordern, kosten nur noch unnötig Kontextplatz.
• Widersprüchliche Regeln in verschiedenen Dateien verunsichern Astra stärker als frühere Modelle – das System kann mitten in der Aufgabe stoppen oder falsch priorisieren.
• OpenAI rät zu klar begrenzten Skill-Beschreibungen, bedingten statt pauschalen Lesepflichten und einer expliziten Definition, wann eine Aufgabe als „fertig“ gilt.

Das Problem: Regeln für das alte Modell bremsen das neue

Der Kern des Problems liegt laut Provencher darin, dass viele Teams ihre Steuerungsdateien nie grundlegend aufgeräumt, sondern nur immer weiter ergänzt haben – ein Jahr lang, Modellgeneration für Modellgeneration. Bei schwächeren Vorgängermodellen war das nötig: Sie brauchten explizite Erinnerungen, Tests auszuführen, ihre Arbeit zu prüfen oder bestimmte Dokumente vor jeder Änderung zu lesen. GPT-6 Astra tut vieles davon inzwischen von sich aus. Wer die alten Anweisungen unverändert lässt, verschenkt nicht nur Kontextplatz – das Modell kann durch überflüssige, teils widersprüchliche Vorgaben sogar schlechter arbeiten als ohne sie.

Besonders anschaulich macht das ein Beispiel aus dem OpenAI-Leitfaden: Eine Skill-Beschreibung wie „Erstellt und prüft Postgres-Schema-Migrationen. Nutzen bei Arbeiten mit Datenbanken, Abfragen, Modellen oder Persistenz“ ist so breit formuliert, dass sie bei fast jeder Aufgabe geladen wird – auch wenn diese gar nichts mit einer echten Migration zu tun hat. Die empfohlene Alternative grenzt den Anwendungsfall konkret ein: nur beim Hinzufügen, Ändern oder Überprüfen einer Migration. Das mag nach Detailarbeit klingen, hat aber direkte Folgen: Codex kürzt Beschreibungen automatisch, sobald mehrere Skills gleichzeitig geladen sind – und je unschärfer die Beschreibung, desto wahrscheinlicher wählt das Modell den falschen Skill oder lädt unnötigen Ballast.

AGENTS.md: Pflichtlektüre wird zur Kontextfalle

Ein zweites verbreitetes Muster betrifft die AGENTS.md-Datei, in der Teams grundlegende Projektregeln für den Agenten hinterlegen. Viele solcher Dateien verlangen pauschal, vor jeder Änderung mehrere Dokumente zu lesen – etwa Architektur-, Datenbank- und Deployment-Unterlagen. Für eine komplexe Funktionsänderung mag das sinnvoll sein, für die Korrektur eines einzelnen Tippfehlers verschwendet es Kontextfenster, das dem Modell an anderer Stelle fehlt. OpenAI empfiehlt stattdessen ein gestuftes Vorgehen: ein schlankes Leitdokument, das nur bei tatsächlichem Bedarf auf ausführlichere Unterdokumente verweist, statt alles vorab pauschal vorzuschreiben.

Heikler ist ein drittes Problem, das Provencher besonders betont: Astra reagiert empfindlicher auf Widersprüche zwischen verschiedenen Anweisungsquellen als seine Vorgänger. Wenn Skill-Datei und AGENTS.md sich in Nuancen widersprechen, kann das Modell mitten in der Bearbeitung innehalten, die Richtung wechseln oder eine Regel befolgen, die der Nutzer so gar nicht gemeint hatte. Der Rat lautet deshalb, veraltete oder sich überschneidende Vorgaben nicht durch noch mehr Anweisungen zu übertünchen, sondern konsequent zu entfernen und klare Zuständigkeiten festzulegen, welche Datei im Zweifel gilt.

Warum das mehr als ein Nischenproblem ist

Für Einzelentwickler mag das nach Feinschliff klingen, für Teams mit gemeinsam genutzten Skill-Bibliotheken hat es reale Konsequenzen. Solche Skills werden oft von mehreren Modellen parallel verwendet – neben Astra etwa auch von älteren, weiterhin im Einsatz befindlichen Modellversionen. Eine Anweisung radikal auf Astras Fähigkeiten zuzuschneiden, kann andere Modelle in der gleichen Umgebung dagegen ausbremsen. OpenAI rät deshalb, Guardrails nicht ersatzlos zu streichen, sondern gezielt zu überarbeiten: Erlaubnisse enger, aber eindeutiger zu fassen, etwa mit expliziter Freigabe für sichere lokale Testläufe, statt sie pauschal zu verbieten oder pauschal zu erlauben.

Der Zeitpunkt der Empfehlung passt zu einem Muster, das kabel-salat.info zuletzt mehrfach beobachtet hat: Seit dem Start von GPT-6 Astra Anfang September häufen sich Berichte über ungewöhnlich hohe Nachfrage und Kapazitätsprobleme bei OpenAI, wie sich etwa zeigte, als OpenAI wegen des Andrangs auf Astra vorübergehend keine neuen ChatGPT-Pro-Kunden mehr annahm. Ein Modell, das durch aufgeräumtere Anweisungen spürbar effizienter arbeitet, spart nicht nur Entwicklerzeit, sondern auch Rechenkapazität – ein Aspekt, der in der aktuellen Nachfragesituation kaum zufällig sein dürfte.

Fazit

Die Empfehlung liest sich unspektakulär, trifft aber einen wunden Punkt der Agenten-Praxis: Viele Teams optimieren ihre Modelle stärker für die Vergangenheit als für die Gegenwart, weil einmal geschriebene Anweisungen selten grundlegend hinterfragt werden. OpenAIs Kernbotschaft ist im Grunde einfach – ein leistungsfähigeres Modell braucht weniger, nicht mehr Anleitung, und die Aufgabe von Entwicklern verschiebt sich von der Detailsteuerung hin zur klaren Definition, wann eine Aufgabe tatsächlich abgeschlossen ist. Wer Skills, AGENTS.md und Prompts bei jedem Modellwechsel routinemäßig überprüft, dürfte davon spürbar profitieren – wer es nicht tut, riskiert, dass ein eigentlich stärkeres Modell schlechter wirkt als sein Vorgänger.