GPT-6 Astraのトークン消費を抑える方法｜Skills・AGENTS.mdを見直す2つのプロンプト

「Astraは頼りになる。でも、このペースで使ったら、仕事が終わる前に上限へ届いてしまう……」。CodexでGPT-6 Astraを使い始めて、そんな悩みを感じていませんか。

モデルや推論の設定を下げる前に、見直したい場所があります。毎回読み込ませる長い指示、必要以上に大きい検索結果、以前のAIに合わせて増やしてきた作業ルールです。こうした情報の渡し方を、Astra自身に監査・改善してもらいます。

今回、私の環境では、GPT-6 Astraと推論設定の「xhigh」を維持したまま、指示文やSkillsを整理しました。この記事では、画面収録で紹介した2つのプロンプトを原文のまま掲載し、何を直したのか、数字をどう読めばよいのかを解説します。

先に結果の範囲をお伝えすると、確認できたのは指示や検索結果などの「テキスト量」の削減です。日常業務全体の利用枠が何％長持ちしたか、回答品質が完全に同じかは、今回の測定では確認していません。すぐ試せる依頼文と、その結果を正しく確かめる方法をセットで持ち帰ってください。

この記事は2026年9月21日時点の公式資料と、当社の画面収録・保存済みの監査結果に基づきます。主な対象は、CodexでAstraを使っている方です。

1. トークン節約は「何を読ませ、何をさせているか」から考える

まず、利用量に関わる3つの言葉を押さえると、改善結果を読み違えにくくなります。

トークンは、AIが文章などを処理する際の単位です。自分が入力した依頼文だけでなく、参照資料、会話の履歴、検索結果なども処理の対象になります。日本語の文字数と、トークン数は同じではありません。

Skillsは、記事作成やデータ整理など、特定の仕事で使う手順や資料をまとめたものです。AGENTS.mdは、Codexに継続して守ってほしい仕事のルールを書くファイルです。慣れていない方は、Skillsを「仕事別のマニュアル」、AGENTS.mdを「共通の業務ルール」と捉えてください。Skillsの公式ガイド、AGENTS.mdの公式ガイド

どちらも便利ですが、運用が長くなるほど指示が増えがちです。たとえば、一文の修正を頼んだだけなのに、以前作ったルールによって市場調査や画像制作まで始めたら、依頼に必要な範囲を超えてしまいます。

今回の見直しでは、次のように「減らすもの」と「残すもの」を具体化しました。

情報を減らした結果、仕事に必要な根拠や条件まで失っていないか。そこまで確かめることが、今回の節約の考え方です。

2. プロンプト①：Astraに監査・改善・効果測定を依頼する

最初は、自分の環境のどこに無駄があるかを調べ、改善と測定まで続けて依頼します。

動画で使ったプロンプトは、次のとおりです。そのままコピーできるよう、原文を掲載します。

Astraのトークン消費が激しすぎます。Astra自身のパワーは削減せずにトークンを節約しましょう。  改善に必要なナレッジを収集して、システムを監査して、必要な改善を行って下さい。 改善を行った上で効果測定を行い、その結果を提示して下さい。 効果測定をした上で、新たな改善点が見つかった場合、そちらも改善して下さい。

この依頼文のポイントは、「パワーは削減せず」「監査」「効果測定」「測定後の追加改善」まで含めていることです。「節約して」だけでは、モデルや推論設定を下げる、必要な確認を省くなど、意図と違う方向へ進む余地があります。

使うときは、対象のプロジェクトをCodexで開き、見直してよい範囲を伝えてください。会社全体の共通設定を編集できない場合は、まず監査と改善案までに範囲を絞れます。

原文のあとに補足するなら、「モデルと推論設定は維持する」「変更前後の内容を残す」「機密情報は報告へ表示しない」「速度設定を変える場合は、その影響も説明する」といった条件が考えられます。自分の利用環境に合う範囲を、別の文章として添えましょう。

また、返ってきた「改善しました」という報告だけで判断せず、どの設定・ファイルを変え、何を測ったかを確認します。今回も、最初の改善で見つかった問題を直す工程に意味がありました。

3. 実際に何が減った？検索結果は「必要な箇所を返す」形へ

最初の監査では、共通の指示と、検索結果などの返し方を整理しました。

以下は、保存した変更前後の文章を同じ方法で数えた結果です。測定にはtiktoken 0.14.0のo200k_baseを使用していますが、Astraの実請求トークンを直接測った値ではありません。入力へ渡すテキスト量を比較するための代理測定としてご覧ください。

出典：当社の2026年9月21日の監査・測定記録。表の単位は、同じ方式で数えた代理トークン数です（文字数ではありません）。検索の数値は、保存した同一結果1件を比較したもので、全検索の平均ではありません。

当社の画面収録、00:30の画面から結果部分を掲載。画面内の数値はテキスト量の代理測定で、利用枠全体の削減率ではありません。

検索結果を短くするだけでは、必要な情報も落ちる

検索結果の改善では、情報を残しながら返却量を減らすことに取り組みました。

最初は、長い検索結果の先頭部分を抜粋する方法にしました。ところが、検索した言葉が後半に出てくる資料では、肝心の箇所が抜粋から落ちる問題が見つかりました。短い返答でも、必要な根拠がなければ仕事を進められません。

そこで、検索語に一致する箇所の抜粋を優先し、URL、件数、次のページを取得する情報、エラーの有無などを残す形へ直しました。元データも参照できる状態を保っています。

この追加改善で、返却テキストの代理値は601から271へ減りました。最初から一度で正解したのではなく、「減らす→抜けを確かめる→直す」という流れで改善しています。

重複した処理は整理し、機能は残す

同じメモリー連携の処理を呼び出す登録が重複していたため、旧登録を整理し、対象の登録数を12件から6件へ減らしました。使っているメモリー機能や現在の連携は維持しています。

ただし、この変更単独で何トークン減ったかは測っていません。処理の登録数が半分になったことを、消費も半分になったという説明には使えません。

4. プロンプト②：公式資料を読み、SkillsとAGENTS.mdを最適化する

次に、OpenAIの公式記事を読み込ませ、以前から使っていたSkillsとAGENTS.mdを見直しました。

こちらも、動画で紹介した原文をそのまま掲載します。リンクも含めてコピーしてください。

ありがとう！ 追加で、以下の公式ドキュメントを読み込んで、skillとAGENTS.mdを最適化して！
[https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra](https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra)

参照先は、OpenAIのRethinking skills and prompts for GPT-6 Astraです。記事は、以前のモデル向けに積み重ねた細かい指示が、Astraでは余分な読み込みや工程につながる場合があることを説明しています。

特に読み取りたいのは、どの仕事で使う指示なのか、何ができれば完了なのかを、明確にするという方向性です。長いファイルを機械的に短くするだけで終わらせず、自分の仕事の頼み方と合わせて点検します。

今回の第2段階では、自作Skillsの説明文54件と、本文を見直した14件の入口部分を整理しました。

出典：当社の2026年9月21日の監査・測定記録。第1段階と同じ代理測定です。各スキルの本文が毎回すべて読み込まれるわけではなく、表の減少率を、そのまま毎回の入力全体へ当てはめることはできません。

当社の画面収録、06:30の画面から結果部分を掲載。スキルの説明文や入口部分の代理測定値と、読み込み確認の結果です。

ここで注目したいのは、AGENTS.mdを一部増やしたことです。最初の整理で2,387から1,832へ減らしたあと、必要な判断条件を加えて1,872にしました。必要な情報を戻す判断も、最適化に含まれます。

5. Skillsは「短い説明」と「必要な手順」に分ける

Skillsの見直しでは、最初に読む説明と、仕事に必要になってから読む詳細を分けると整理しやすくなります。

Codexは、まずSkillsの名前や説明などを見て、使うスキルを選びます。選ばれたスキルではじめて、SKILL.mdの本文を読み込みます。したがって、スキルを多く入れたからといって、その全本文が毎回一括で読み込まれるわけではありません。Skillsの公式仕様

OpenAIは、説明文について次のように述べています。

“First, skill descriptions should be as short as possible while making it clear when the model should use them:”

使う場面が伝わる範囲で、説明文を短くするという方針です。OpenAI公式記事

説明文には「どの依頼で使うか」を書く

たとえば、記事作成スキルの説明を、次のように見比べてみてください。以下は考え方を示すための独自例です。

説明文は、マニュアルの全文を詰め込む場所ではありません。「この仕事なら、このスキル」と判断できる案内にすると、対象外の工程を始める余地を減らせます。

詳細資料は、仕事に必要なタイミングで読む

本文も、用途ごとに参照先を分けて整理できます。

たとえば、マニュアル制作には「原稿を作る」「図解を付ける」「外部サービスへ登録する」という仕事があります。本文を一文修正するだけなら、図解のデザイン指定や、登録先の細かな設定まで読む必要はありません。

今回も、こうした用途の違いを入口で分け、必要な資料を必要な工程で読む形へ直しました。単に別ファイルへ移して、毎回すべて読み直す形では、読み込み量を減らす目的を果たせません。

整理後は、スキルの名前や利用設定が保たれているか、参照先が存在するかも確認しました。読み込まれていなかった既存の入口1件を修復し、今回確認したローカル環境の読み込みエラーは1件から0件になっています。既存スキルを削除して数を減らした結果ではありません。

6. AGENTS.mdは「いつ使うルールか」と「どこまで進めるか」を明確にする

AGENTS.mdでは、あらゆる依頼へ一律に適用していた工程を、依頼の目的に合わせて整理します。

Codexの共通設定、プロジェクト、作業場所にある指示は、位置に応じて読み込まれます。全体へ効く指示ほど、日常の小さな依頼にも影響するため、内容を点検する意味があります。AGENTS.mdの公式ガイド

今回、見直したのは固定の作業人数、調査件数、章数、毎回の承認待ちなどでした。「構成を相談したい」という依頼と、「記事を完成させてほしい」という依頼で、終了地点を変えられるようにしています。

考え方を文章にすると、次のようになります。これは、読者が自分のルールを見直すための例です。

一方、本番データの削除、権限の変更、課金、外部への送信などは、許可範囲を具体的に残します。「記事を書いて」という依頼が、自動的に公開まで含むとは限らないためです。

今回も短縮後に、動画制作の尺や納品先の既定が抜けた部分を見つけ、必要な条件を戻しました。短いルールでも、仕事の完成形が曖昧になっていたら直す。この確認が欠かせません。

7. Fastの見直しは、トークン数と別に考える

速度設定を見直す場合は、処理する量と、その量にかかるクレジットの違いを分けて理解しましょう。

2026年9月21日時点の公式資料では、ChatGPTのアカウントでCodexを使う場合、AstraのFastはStandardの2.5倍のクレジット消費レートです。これは、同じ依頼で生成するトークンの数が2.5倍になるという意味ではありません。Speedの公式説明、料金・利用量の公式説明

動画では「トークンの消費」という言葉で説明した箇所がありますが、正確には、このクレジット消費レートの違いです。

同じ量・同じ内訳のトークンを処理すると仮定すれば、Standardのクレジット消費はFastの40％に相当します。差は計算上60％ですが、仕事全体の利用枠を60％節約できたという実測ではありません。

今回の監査では、新規タスクの既定をFastからStandardへ変更しました。Astraとxhighは維持しましたが、速度の条件は変わっています。既存タスクの個別設定まで一括で変更したわけではありません。

急いで結果を待ちたい仕事と、待ち時間を許容できる仕事で使い分けを考えてください。なお、APIキーでCodexを利用する場合はAPI料金が適用されるため、このChatGPT側のクレジット倍率をそのまま当てはめないようにしましょう。Speedの公式説明

8. 改善効果は「量・利用枠・完成品」を分けて確かめる

最後の効果測定では、文章が短くなったことと、仕事がより少ない利用量で完成したことを分けて記録します。

今回の画面収録時点では、改善後の日常利用を十分に重ねておらず、「上限まで使える時間が延びた」という体感や比較データはまだありませんでした。また、モデルと推論設定を維持した確認はできても、独立した回答品質の比較試験は実施していません。

自分の環境で続けて測るなら、次の項目をそろえると振り返りやすくなります。

一度だけの比較では、検索結果やキャッシュの状態などによる差も含まれます。記録した条件を添えて、普段行う複数の仕事で傾向を確かめていくのが現実的です。

利用枠の％表示も、トークンそのものではありません。公式資料でも、消費はモデル、推論、文脈、ツール、キャッシュなどで変わると説明されています。利用量の公式説明

キャッシュは、共通する入力部分を再利用する仕組みです。APIの公式資料では、その部分の入力コストを抑えられると説明されていますが、無料になることや、同じ会話なら必ず使われることを意味しません。比較時は、キャッシュされた入力も分けて扱いましょう。Prompt cachingの公式説明

9. よくある疑問

始める前に迷いやすい点を、今回の実践に沿って整理します。

2つのプロンプトを送れば、誰でも同じ割合で減りますか？

環境によって、元の指示量やSkills、接続しているツールが異なります。今回の削減率は当社の特定の対象を測った結果です。自分の環境で何を変更し、何を測ったかを確認してください。

Skillsを全部削除すると節約できますか？

必要な作業手順や品質条件も失われます。まず説明文の呼び出し条件や、不要な資料まで読んでいないかを見直すほうが、仕事への影響を確かめやすいでしょう。今回も既存スキルは削除していません。

AGENTS.mdを直せば、開いているタスクにもすぐ反映されますか？

既存タスクに古い文脈が残る場合があります。公式ガイドは、編集後も以前の指示が見える場合、対象ディレクトリでCodexを再起動して確認する方法を案内しています。変更したファイルが実際に読み込まれているかも確かめましょう。AGENTS.mdの公式ガイド

プログラムに詳しくなくても取り組めますか？

監査や改善案の説明をAstraへ任せることはできます。「今ある仕事の手順を壊していないか」「完成品に必要な内容が残っているか」は、業務を知る人が確認しましょう。設定変更を任せられる範囲も、事前に決めておくと進めやすくなります。

10. まとめ：Astraに任せる前に、自分の仕事の完成形を言葉にしよう

まずは1つ目のプロンプトで現在の環境を監査し、2つ目で公式資料を踏まえたSkills・AGENTS.mdの見直しへ進む。変更後は、削減量と、必要な仕事ができることを両方確認してください。

今回の実践で伝えたいのは、AIへの細かい指示を増やし続ける前に、「何を任せたいか」「何を守るか」「どこまでできたら完成か」を整理する価値です。現場で必要な判断を言葉にできると、残すべきルールも、減らせる工程も見えやすくなります。

営業なら、提案に必要な顧客情報と確認事項。マーケティングなら、届けたい相手と伝えてはいけない表現。経営者なら、判断に必要な数字と未確認事項。自分の仕事を理解していることが、AIへ適切に任せるための土台になります。

あなたのAI顧問株式会社の「あなたのAI顧問」は、AI・DX領域のBPO × AI教育を通じて、業務改善の実装と現場の自走を支援します。業務棚卸しから優先順位付け、契約範囲内の実装、現場教育・移管までをつなぎ、自社で改善を続けられる状態を目指します。

自社の仕事をAIへどう任せるか整理したい方は、自社業務の棚卸しについてご相談ください。

主な公式出典

機能・料金・利用条件の確認日は2026年9月21日です。

• OpenAI：Rethinking skills and prompts for GPT-6 Astra
• OpenAI：Build skills
• OpenAI：Custom instructions with AGENTS.md
• OpenAI：Speed
• OpenAI：Pricing
• OpenAI：Prompt caching

WRITERライター紹介

黒山結音

あなたのAI顧問株式会社　代表取締役

「AIは現場で使えなきゃ意味がない」を掲げ、30社以上にAI顧問として導入から定着までサポート。OpenClaw・Claude・ChatGPTなどAIツールを実務でフル活用し、AI駆動経営を実践。本メディアでは、実際の現場で効果が出た事例や、AI初心者がつまずく「最初の一歩」を、専門用語を極力使わずに解説します。

OpenClaw / Claude Code / Codex / Cursor / Manus