GPT-6 아스트라 코덱스 꿀팁, AGENTS.md 정리와 추론 강도 설정

GPT-6 아스트라 발표 이후 쏟아진 활용 사례와, 코덱스에서 바로 써먹을 꿀팁 2가지를 정리했습니다. 스킬과 AGENTS.md 충돌을 프롬프트 한 줄로 정리하는 법, 추론 강도를 어디에 맞춰야 가성비가 좋은지를 화자가 제시한 점수·비용표와 함께 옮기고, 코덱스를 처음 쓰는 사람을 위한 설치와 설정 위치를 덧붙였습니다.

이 글에서 다루는 것

오픈AI가 9월 8일, 유체의 움직임을 설명하는 나비에-스토크스 방정식을 AI로 풀어냈다고 발표했다는 이야기로 영상이 시작합니다. 인간이 90년 동안 못 풀었다던 문제입니다. 이 소식과 함께 나온 신모델 GPT-6 아스트라의 활용 사례, 그리고 화자가 직접 꼽은 "안 쓰면 손해"인 코덱스 꿀팁 2가지가 이 글의 뼈대입니다.

1. 나비에-스토크스 방정식, 어떻게 풀었다고 하나

화자 설명으로는 AI 1만 개를 88시간 동안 돌려서 풀었고, 여기 든 토큰 비용만 수십억 원입니다. 실제로 어떻게 증명했는지, 수학계 검증을 어디까지 거쳤는지는 영상에 나오지 않습니다. 숫자만 보면 얼마나 큰 계산을 돌렸는지는 짐작이 가지만, 검증 과정 자체는 블랙박스로 남아 있는 셈입니다.

2. GPT-6 아스트라 활용 사례 모음

영상에서 소개한 사례를 그대로 옮기면 이렇습니다. 대부분 X(옛 트위터)에 사용자들이 올린 데모입니다.

• 게임 제작: 메이플스토리 비슷한 게임(주니어 발록 사냥 장면까지), 레이싱 게임 맵 렌더링, 3D 모델링 광원 조절, 축구·RPG 게임까지 제작. 화자는 예전에도 게임은 만들 수 있었지만 오래 걸리고 수준이 형편없었는데, 아스트라에서 수준이 크게 올랐다고 평가합니다.
• 게임형 이력서: 게임기 버튼을 누르면 경력과 능력이 나오는, 이력서 대신 포트폴리오.
• 컴퓨터 사용 능력: 블렌더를 켜면 AI가 화면을 직접 읽고 키보드·마우스를 움직여 조작. 예전엔 코드로 짰을 일을 화면을 보고 하나하나 조작한다는 점이 다릅니다. 왼쪽 아래 사진을 점 찍어 옮기는 정교한 작업까지 시연됐습니다.
• 사진 9장으로 3D 도면 만들기: 스튜디오 사진 9장을 넣자 공간 구조를 파악해 2층 복층 구조를 블렌더로 재현.
• 의료 시각화: 발목 통증을 설명하면 뼈·인대·힘줄을 3D로 구현하고 움직임에 따른 변화까지 보여줍니다. 허리 착용 웨어러블도 3D로 모델링해 근육 상태를 시각화했습니다.
• 물류: CCTV 영상 8개로 작업자 동선을 추적해 병목 구간을 찾고, 도면만 주면 데이터센터를 3D 블렌더 모델로 바꿉니다.
• 로봇 산업: 로봇팔 제어 코드를 만들어 물리 시뮬레이션으로 그림을 그리고, 저글링까지 시연했습니다. 골든게이트 다리를 그려달라는 요청은 반복할수록 결과가 나아졌다고 합니다.

3. 꿀팁 1: 스킬과 AGENTS.md 충돌을 프롬프트 한 줄로 정리하기

화자는 스킬(작업 절차 파일)과 AGENTS.md(프로젝트 규칙 파일)가 서로 부딪히면 AI가 엉뚱한 결과를 낼 때가 많다고 지적합니다. "분명히 이렇게 지시했는데 왜 안 따르지" 싶은 순간의 원인이라는 것. 예전에는 두 파일에 규칙을 구구절절 적어 넣었는데, 아스트라가 알아서 센스 있게 해 주기 때문에 이제 그럴 필요가 없어졌다며 다음 문장을 코덱스에 그대로 입력하라고 권합니다.

에이전트 MD 스킬스를 읽고 서로 충돌하는 지침을 찾아 달라. 그리고 불필요한 지침이나 관 지침 삭제하고 가볍게 만들어라. 내가 AI를 사용한 습관에 맞춰서 다시 에이전트닷 md디랑 스킬스 등을 재작성해 줘.

"관 지침"은 자막 인식 결과를 그대로 옮긴 것이라 정확한 단어는 확인할 수 없습니다. 이 프롬프트 하나만 실행해도 "건강검진 받은 것처럼" 규칙이 깔끔해진다고 화자는 말합니다.

4. 꿀팁 2: 추론 강도는 미디움~하이면 충분하다

추론 강도(답하기 전에 얼마나 오래 생각할지 정하는 설정)는 모델 선택 창에서 고릅니다. GPT-6 아스트라를 고른 뒤 슬라이더로 로우/미디움/하이/맥스를 조정하는 방식입니다. 화자의 기준은 명확합니다. 연구자급 고난도 작업이 아니면 대부분 미디움~하이에서 끝난다는 겁니다. 근거로 든 가성비 그래프(파레토 라인) 수치는 이렇습니다.

x축은 한 가지 동작을 완수하는 데 드는 비용, y축은 지능 점수입니다. 같은 비용($0.82)에서 로우가 Qwen보다 12점 높고, 미디움으로 한 단계만 올려도 점수가 4점 더 오릅니다. 반면 맥스는 점수를 3점 올리려고 비용을 두 배 씁니다. 화자가 미디움을 "가성비가 제일 괜찮은 지점"이라 부르는 이유입니다. 로우는 가장 싸지만 화자는 조금 답답하게 느꼈다고 합니다.

화자는 다른 사람의 비교 사례도 전합니다. 맥스는 시간이 두 배 이상, 토큰이 네 배 이상 들었는데 결과물은 크게 다르지 않았다는 것. 오픈AI도 예전엔 높은 강도에서 내려오라고 했지만, 이제는 낮은 것부터 먼저 쓰고 안 되면 올리라고 공식 가이드를 둘 정도로 낮은 추론 효율이 좋아졌다는 설명입니다.

5. 화자의 전망: 컴퓨팅 파워가 격차를 만든다

오픈AI와 앤스로픽이 컴퓨팅 파워를 압도적으로 쥐고 있어서 중국 모델을 크게 걱정할 필요는 없다는 게 화자의 기존 견해입니다. 아스트라 위에는 더 큰 "부모 모델"이 있고, 아스트라는 그 부모 모델이 증류해 만든 결과물이며, 아스트라 역시 또 다른 저비용 모델을 낳을 거라는 예측도 내놓습니다. 증류(큰 모델의 답을 교재 삼아 작은 모델을 훈련시키는 방법)가 계속 이어지면, AI가 스스로를 개선하는 단계에 들어서는 순간 격차는 걷잡을 수 없이 벌어질 수 있다는 전망으로 영상은 끝납니다.

npm install -g @openai/codex
codex

cp AGENTS.md AGENTS.md.bak

AGENTS.md와 내가 설치한 스킬 파일을 모두 읽고, 서로 충돌하는 지침, 중복된 지침, 지금은 필요 없어 보이는 지침을 표로 정리해 줘.
표에는 파일 이름, 해당 문장, 문제 유형, 제안(삭제/수정/유지)을 넣어.
아직 파일은 고치지 마. 내가 표를 확인하고 승인하면 그때 고쳐.

model_reasoning_effort = "medium"

출처: youtu.be/…