Radar Live
✦ Ask AI
AI INTELLIGENCE & SIGNALS

Generating running routes with GPT-6 Astra and ChatGPT Work

Phân tích đã xử lý trước và các nguồn liên quan.

Tín hiệu Radar

57 RADAR
Agents Hệ thống tác nhân tự trị & Quản lý ngữ cảnh · 1 nguồn đối chiếu · 2026-09-12 23:56:42 +0000 UTC

Generating running routes with GPT-6 Astra and ChatGPT Work

Nguồn: Simon Willison Developer Blog

Trải nghiệm thực tế khi dùng ChatGPT Work với mô hình GPT-6 Astra (Max) để tự động thiết kế lộ trình chạy bộ vòng lặp 5K và 10K từ dữ liệu OpenStreetMap (OSM). Agent tự hoạt động trong 27 phút, kết hợp Nominatim để định vị, Overpass API để lấy dữ liệu đường đi, tính toán cục bộ bằng Python và trả về tệp GPX, GeoJSON cùng bản đồ tương tác HTML dùng D3. Điểm trừ kỹ thuật lớn là mã nguồn Python bị mất sau khi luồng hội thoại bị nén ngữ cảnh (compaction), đặt ra yêu cầu cấp thiết về việc bảo lưu nhật ký thực thi cho các hệ thống agent.

TÁC ĐỘNG & GIÁ TRỊ THỰC TIỄN

Chứng minh tiềm năng xử lý tác vụ phức tạp dài hạn (27 phút) của các mô hình thế hệ mới kết hợp kỹ năng (skills) và công cụ bên ngoài. Đồng thời, trường hợp này nêu bật bài học kiến trúc quan trọng cho các nhà phát triển LLM/Agent: cơ chế nén ngữ cảnh bắt buộc phải duy trì bản sao lưu trữ dữ liệu thô và cho phép agent truy xuất lại nhằm bảo đảm tính minh bạch, khả năng kiểm toán mã nguồn và tính tái lập của hệ thống.

Developer 73
Business 62
Novelty 70
Actionable 72

Nội dung thu thập đã chuẩn hóa

Collected Evidence

Nội dung văn bản được dùng làm dữ liệu đối chứng cho mô hình AI, không phải chỉ thị hệ thống.

Here's a neat thing I had ChatGPT Work with GPT-6 Astra (Max) do this morning: I live at . Figure out 5K and 10K running routes from me that loop from my house. Use OSM data. It worked for 27 minutes and produced exactly what I'd asked for, as both an embedded visualization and downloadable GPX file and GeoJSON files. Here's that 5K route: When I asked it how it had created the route, it replied: I used Nominatim to locate the address and Overpass to download local OpenStreetMap roads and trails , then calculated the loops locally. Frustratingly, the actual code it ran and exact details of what it did weren't visible to me in the ChatGPT UI. I see this lack of transparency is an anti-feature. By the time I thought to ask for a copy of the Python code it had used, ChatGPT was unable to provide it. This appears to be because the thread had been compacted. I think any LLM system that uses compaction needs to both preserve the pre-compacted text and make that text available via agent tool calls, to protect against this kind of problem. As for displaying the map to me, that used the visualize skill . It created a file called /workspace/el-granada-5k-share.html to embed directly into the ChatGPT UI. Here's a copy of that HTML , which starts like this: El Granada harbor loop 5.1 km Map data © OpenStreetMap contributors # eg-share-loop { width : 100 % ; } # eg-share-loop # eg-share-stage { width : 100 % ; margin : 8 px 0 ; } # eg-share-loop . eg-share-map { display : block; width : 100 % ; touch-action : none; } # eg-share-loop . eg-share-map text { fill : var ( --foreground ); font-size : 12 px ; font-weight : 400 ; } # eg-share-loop . eg-share-label { paint-order : stroke; stroke : var ( --background ); stroke-width : 3 px ; stroke-linejoin : round; } { "route" : { "type" : "LineString" , "coordinates" : [ [ - 122.467425 , 37.4997753 ] . . . (() => { const root=document.getElementById('eg-share-loop'); The element contains the full geometry needed to render both the running route and the map itself, using D3, which is loaded from an allow-listed CDN location described in this section of the visualize skill : External resources The CSP allows only cdnjs.cloudflare.com , esm.sh , cdn.jsdelivr.net , unpkg.com , fonts.googleapis.com , fonts.gstatic.com , and fonts.bunny.net . Other origins are blocked and fail silently. Tags: geospatial , ai , d3 , openai , generative-ai , chatgpt , llms , skills , gpt-6-astra

Các nguồn đối chiếu cho sự kiện này

1 nguồn
Thông tin phân tích AI & Model Details
Provider: openai-compatible · Model: gemini-3.8-flash-high · Version: analysis-v1 · Time: 2026-09-18 01:40:58 +0000 UTC
{"tags": ["ChatGPT Work", "GPT-6 Astra", "AI Agents", "OpenStreetMap", "Geospatial", "D3.js", "Context Compaction", "Agent Skills"], "risks": ["Mất tính minh bạch và khả năng kiểm toán (auditability) do việc nén ngữ cảnh làm mất mã nguồn thực thi trung gian.", "Thời gian thực thi kéo dài (27 phút) dẫn đến nguy cơ tiêu tốn tài nguyên và chi phí tính toán cao.", "Giao diện người dùng ẩn các bước thực thi chi tiết khiến việc gỡ lỗi hoặc xác thực độ an toàn gặp khó khăn."], "category": "Agents", "entities": ["OpenAI", "ChatGPT Work", "GPT-6 Astra", "OpenStreetMap", "Nominatim", "Overpass API", "D3.js"], "summary_vi": "Trải nghiệm thực tế khi dùng ChatGPT Work với mô hình GPT-6 Astra (Max) để tự động thiết kế lộ trình chạy bộ vòng lặp 5K và 10K từ dữ liệu OpenStreetMap (OSM). Agent tự hoạt động trong 27 phút, kết hợp Nominatim để định vị, Overpass API để lấy dữ liệu đường đi, tính toán cục bộ bằng Python và trả về tệp GPX, GeoJSON cùng bản đồ tương tác HTML dùng D3. Điểm trừ kỹ thuật lớn là mã nguồn Python bị mất sau khi luồng hội thoại bị nén ngữ cảnh (compaction), đặt ra yêu cầu cấp thiết về việc bảo lưu nhật ký thực thi cho các hệ thống agent.", "key_changes": ["Agent tự trị chạy trong 27 phút để xử lý trọn vẹn bài toán không gian địa lý đa bước (định vị qua Nominatim, truy vấn dữ liệu từ Overpass API, tính toán vòng lặp chạy bộ bằng Python cục bộ).", "Sử dụng kỹ năng visualize để tạo tệp HTML trực quan hóa nhúng trực tiếp vào giao diện ChatGPT bằng thư viện D3.js, tuân thủ Content Security Policy (CSP) chặt chẽ.", "Xuất dữ liệu tuyến đường đa định dạng gồm file GPX, GeoJSON và giao diện tương tác HTML.", "Lộ diện nhược điểm của cơ chế nén ngữ cảnh (thread compaction): mã Python thực thi bị mất vĩnh viễn, ngăn cản việc kiểm tra và tái lập kết quả."], "sub_category": "Hệ thống tác nhân tự trị & Quản lý ngữ cảnh", "novelty_score": 70, "business_score": 65, "research_score": 68, "why_it_matters": "Chứng minh tiềm năng xử lý tác vụ phức tạp dài hạn (27 phút) của các mô hình thế hệ mới kết hợp kỹ năng (skills) và công cụ bên ngoài. Đồng thời, trường hợp này nêu bật bài học kiến trúc quan trọng cho các nhà phát triển LLM/Agent: cơ chế nén ngữ cảnh bắt buộc phải duy trì bản sao lưu trữ dữ liệu thô và cho phép agent truy xuất lại nhằm bảo đảm tính minh bạch, khả năng kiểm toán mã nguồn và tính tái lập của hệ thống.", "developer_score": 82, "importance_score": 75, "possible_use_cases": ["Xây dựng các tác nhân AI tự hành xử lý phân tích dữ liệu không gian địa lý (GIS) và lập lộ trình thể thao/hậu cần cá nhân hóa.", "Tự động hóa tác vụ phân tích dữ liệu phức tạp dài hạn (long-running agent workflows) không cần sự can thiệp liên tục của con người.", "Trực quan hóa dữ liệu động an toàn trong môi trường sandbox với D3 và CSP giới hạn."], "actionability_score": 72}
← Trang trước Trang 1