OpenAI 在 GPT-6 Astra 發布後，專文提醒使用者重新檢查 Skill、`AGENTS.md` 與任務提示。過去這些指令累積了團隊的工作要求，也可能留下先前為了避免模型出錯而加上的詳細步驟與限制。
是否遇過這些情況：明明只想修正一句話，AI 卻先讀完整套專案文件；成果已經通過檢查，仍照著指令再跑一輪；工作做到一半，又停下來等待下一步？除了檢查模型表現外，也值得回頭看看：是不是既有規則仍要求 AI 這樣工作？
本篇 Aiworks 將整理模型升級後 Skill 的檢視方向，說明主指令、參考文件與腳本如何分工，以及哪些規則適合保留、調整或重新驗證。
模型升級後，沿用舊規則可能付出什麼代價？
讀入無關資料，會占用模型處理當前任務的空間。每次修改都強制讀完整套文件，會消耗上下文並拖慢工作。觸發範圍寫得太廣，也可能讓模型選到不適用的 Skill，把其他工作的要求一起帶進來。
給予 AI 額外步驟會增加成本，卻未必能改善交付結果。如果模型已經會自行檢查，舊指令仍強調反覆測試，就可能產生不必要的操作。一項 2026 年更新的 AGENTS.md 研究在 SWE-bench Lite 與 CTXbench 的程式任務中發現，加入背景文件沒有普遍提高任務成功率，平均推論成本卻增加超過 20%。
原本用來防止越界的提醒，可能讓新模型過度保守。OpenAI 在文中的「Decision boundaries」指出，過去為了防止模型擅自行動，使用者可能寫下語氣強烈的「先詢問」要求；Astra 卻可能把這些限制解讀得過於嚴格，在原本可以繼續進行的地方停下。
更新 Skill，可以先從 Skill Creator 開始
先交代用途與目前遇到的問題
OpenAI 的 Build skills 指南說明，ChatGPT 與 Codex 都能使用 Skill。OpenAI 也提供內建的 Skill Creator，在 ChatGPT Work 中可用 `@skill-creator` 呼叫；Codex 則使用 `$skill-creator`。它會先了解 Skill 要做什麼、什麼情況下啟動，以及是否需要搭配腳本。
檢視既有 Skill 時，可以提供目前文件、出問題的任務，以及預期交付結果，請它協助找出需要調整的規則。像是修改標題卻啟動整套文章製作流程，就應先檢查觸發範圍與工作分支。團隊也要交代須保留的審稿節點與成果要求，作為調整依據。
Skill 裡可以放什麼？主指令、參考文件與腳本
一個 Skill 可以是一個資料夾，裡面以 `SKILL.md` 作為主文件，再依需要加入參考文件、腳本或範本。依照 OpenAI 的結構說明，除了必要的主文件，其他資源都可以按需求增設：
- `SKILL.md` 主指令：說明何時啟動、工作流程與完成標準，也指定什麼情況要讀哪份文件、執行哪個腳本。
- `references/` 參考文件：放詳細規格、背景知識與範例，供模型在相關任務中讀取。
- `scripts/` 腳本：放可執行的程式，處理明確且可重複的操作，例如事先寫好的連結檢查程式。
以文章製作為例，調整標題時，AI 可以依主指令讀取正文與 `references/title-guide.md`；檢查連結時，則執行已準備好的 `scripts/check-links.py`。交稿檢查也可以同時搭配兩者：先讀交稿要求，再執行格式檢查程式。
（圖片來源：使用 OpenAI ImageGen 生成，Aiworks 製作）
圖中的共用資料也是參考文件，可以用 `brand.md` 這類 Markdown 文字檔保存公司名稱、服務介紹與品牌定位，再由多個 Skill 指向同一份檔案。例如，在主指令寫明文件路徑，以及「涉及品牌介紹時先讀取」；執行任務的 AI 就依這項指示取得資料。
Anthropic 的 Skill 撰寫指南將逐步載入所需資訊的做法稱為漸進式揭露（progressive disclosure）。主指令交代各項資源的用途與使用時機，就能讓 AI 按任務取得資料，並在需要時才去執行已備妥的腳本。
修改 Skill 前，先辨認內容的用途
文件位置整理好之後，還要看裡面的每條內容為什麼存在。一份參考文件可能同時寫著公司資訊、交付標準，以及過去為了避免模型出錯而增加的操作要求。以下依用途分成三類，幫助團隊判斷哪些應持續更新、哪些適合重新測試。
（圖片來源：使用 OpenAI ImageGen 生成，Aiworks 製作）
公司內部的命名方式、品牌定位與特殊慣例，仍要由團隊主動提供；模型能力提升後，仍不會自動知道這些資訊。交付標準則決定成果能不能使用，例如文章視角是否符合品牌定位、排版格式是否符合要求。這兩類內容都應維持清楚且最新的版本。
需要優先重測的是為了讓舊模型達到要求而指定的操作方式。
規則要不要保留？回到原本的任務測一次
檢視 Skill 時，可以先挑一條規則，測試新模型是否仍需要它：
- 挑一條規則：先記下它原本要避免什麼錯誤，並保存舊版。
- 只改這一條：用同一個模型，讓新舊兩版各做一次相同任務，比較成果與操作步驟。
- 檢查是否值得保留：原本的錯誤重現，就恢復或調整規則；成果符合要求且步驟減少，再換幾個相近任務確認。
即使重測後決定保留原規則，也能更清楚了解它防止了什麼錯誤。
Aiworks 觀點：別讓過時規則變成團隊的固定流程
過去，Skill 常是熟悉 AI 的人整理給自己用的工作指令。當團隊也開始共用同一套 Skill，裡面的知識、限制與操作習慣，會同時影響到許多人的工作方式。
一條過時規則影響一個人時，問題還容易被發現。但當它被放進團隊共用的 Skill 中，重複閱讀、多餘確認與不必要的測試，就會一起進入每個人的工作流程。因此，Skill 的品質維護也會變成一項避不開的團隊任務。
企業可以把主要模型升級視為 Skill 的固定檢查點。每一套共用 Skill 至少要知道由誰維護、曾針對哪個模型測試，以及上次檢查是什麼時候。這樣才不會讓每一代模型留下的應急做法，悄悄變成下一批使用者的固定流程。
📩 想為你的組織打造 AI 協作能力？
Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。
▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼
（若表單未正常顯示，請點擊此連結進入表單填寫頁面）
推薦延伸閱讀
▶ 什麼是 Agent Skills？為 AI 打造一本企業級任務攻略
▶ ChatGPT Record & Replay 企業應用指南：從流程示範建立 Skill，掌握 RPA 差異與治理重點
▶ 什麼是 Harness？從 Anthropic 事後檢討報告看 AI Agent 背後的企業駕馭責任