Generating running routes with GPT-6 Astra and ChatGPT Work
https://simonwillison.net/2026/Sep/12/astra-running-routes/📌 GPT-6 Astra 花 27 分鐘規劃跑步路線，卻交不出自己寫的程式碼
TL;DR：Simon Willison 實測 ChatGPT Work 用 GPT-6 Astra 產生路跑路線，卻因對話壓縮而拿不回原始程式碼。
叫一個 AI agent 幫你規劃 5K、10K 跑步路線，聽起來是個討喜的小任務。結果它確實做到了，還附上互動地圖與可下載的 GPX、GeoJSON 檔案。但當 Simon Willison 事後想看看它到底是怎麼算出這條路線時，卻撞上了一個看似技術細節、實則牽動所有 agent 系統設計的問題。
🤔 一個看似完美的任務
Willison 給 ChatGPT Work（搭載 GPT-6 Astra Max）的指令很簡單：告訴它自己家的地址，要求規劃從家裡出發再繞回來的 5K 與 10K 跑步路線，並且要用 OSM（OpenStreetMap）資料。Agent 花了 27 分鐘運作，產出的結果完全符合要求：一份嵌入式的視覺化地圖，加上可下載的 GPX 與 GeoJSON 檔案。
🧩 它是怎麼做到的
當被問到具體作法，ChatGPT 回答：用 Nominatim 定位地址，用 Overpass 下載當地 OpenStreetMap 的道路與步道資料,然後在本地端計算出迴圈路線。地圖的呈現則是透過內建的 visualize skill，產生一個名為 /workspace/el-granada-5k-share.html 的檔案直接嵌入 ChatGPT 介面，其中包含渲染路線與地圖所需的完整幾何資料，並使用從白名單 CDN 載入的 D3.js 來畫圖。
⚠️ 壓縮吃掉了原始程式碼
問題出在後續：當 Willison 想要那段實際執行的 Python 程式碼副本時，ChatGPT 卻給不出來了。原因似乎是對話串已經被「壓縮」（compacted）過，原始的程式碼內容因此遺失。Willison 直接把這一點定性為「反功能」（anti-feature）：使用者原本以為 agent 執行過程是可回溯、可稽核的，結果因為系統內部的上下文管理機制，事後連自己要求它做的事到底怎麼做的都拿不回來。
💡 給所有做 agent 系統的工程師的提醒
Willison 提出一個明確的設計建議：任何採用壓縮（compaction）機制的 LLM 系統，都應該同時保留壓縮前的原始文字，並讓這份文字能透過 agent 的工具呼叫（tool calls）被取用。換句話說，壓縮可以拿來節省上下文視窗的空間，但不該變成一道單向門，把使用者原本能看到的執行細節就此鎖死。這對正在自建 agent 框架、尤其是會做長任務、多輪工具呼叫並帶壓縮機制的團隊來說,是一個值得提前設計進去的稽核需求。
🎯 實務啟示
如果你的 agent 系統會執行程式碼、呼叫外部工具，並且有上下文壓縮或摘要機制，這個案例提醒你：務必把「原始執行紀錄」與「呈現給使用者的摘要」分開儲存,並且保留可事後查詢的介面，而不是只靠模型當下的記憶去回答「你剛剛做了什麼」。對於需要可稽核性（例如金融、醫療場景的 agent 應用）,這不是錦上添花的功能，而是基本要求。
🔗 來源
- 標題：Generating running routes with GPT-6 Astra and ChatGPT Work
- 作者／機構：Simon Willison
- 連結：https://simonwillison.net/2026/Sep/12/astra-running-routes/
#GPT6 #ChatGPT #AIAgents #LLM #Astra #AgentTransparency #OpenStreetMap #PromptEngineering #AIProductivity #ContextCompaction
原始資料 Simon Willison · 收集於 2026-09-21
摘要原文
Here’s a neat thing I had ChatGPT Work with GPT-6 Astra (Max) do this morning: I live at <my address>. 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: 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 : This is Generating running routes with GPT-6 Astra and ChatGPT Work by Simon Willison, posted on 12th September 2026 . Previous: OpenAI agents attacked RubyGems back in May Sponsor me for $10/month and get a curated email digest of the month's most important LLM developments.
由 claude-code/sonnet 自動生成