实测发现：astra 极度吃上下文，极简 prompt 反而大幅拉低表现
brandon_galang · x · 2026-09-12
开发者 brandongalang 分享对 astra 模型的使用心得：它对 in-context learning 的适应能力极强，会根据上下文窗口里的内容剧烈调整行为。两个关键影响：
- 对 agents.md 和 skill 文件的响应差异远超其他模型；
- 反直觉结论：刻意精简喂给它的上下文反而有害——模型会「过度聚焦」于进入上下文的那点信息。其他模型普遍随上下文填充而退化，astra 却是显著受益于更多上下文，它甚至被专门训练成在上下文压缩窗口前主动给自己写笔记以持久化信息。
结论：习惯极简 prompt 的用户用 astra 会大失所望；正确做法是在执行（或委派执行）前主动组装和策划好所需上下文。
「编程与Agent」频道最新
- LangChain 90 秒讲透 Agent Harness:不做模型,就在做 harness — LangChain · 2026-09-12
- Fable 5.1 演示自主入职:agent 从反馈中沉淀可复用技能 — ysu_nlp · 2026-09-12
- 开源桌面应用 Vyact：围绕本地 LLM 打造可审查的工作流 — vyact · 2026-09-12
- Runway 推出 MCP 服务，可直接在 ChatGPT 和 Claude 里生成图像视频 — runwayml · 2026-09-12
- 新版模型下 token 压缩工具还有用吗？RTK 成本实测揭晓 — Bartaseth · 2026-09-12
- Warp 终端 remote-control 搭配 Grok 实测:终端画面直接流式上网页 — Daniel_Farinax · 2026-09-12