CodexでのGPT-6 Astra設定とは、config.tomlでモデルと文脈の扱いを決めることです。
GPT-6 Astraは最大1,050,000トークンの文脈を扱えますが、入力が272,000トークンを超えたリクエストは、入力単価が2倍、出力単価が1.5倍になります。長い開発セッションを放っておくと、気づかないうちに割増料金の領域に入るということです。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル(うるチカラ運営)の現場知見にもとづき、受注CSVの変換スクリプトや在庫連携ツールのような社内ツールをCodexとGPT-6 Astraで作るときに、文脈切れと割増料金の両方を防ぐ設定を5つに絞って解説します。
GPT-6 AstraとCodexの組み合わせで先に知っておく数字
最初に押さえるべき数字は、文脈の上限1,050,000トークンと、割増が始まる272,000トークンの2つです。GPT-6 Astraのモデルページによると、文脈ウィンドウは1,050,000トークン、そのうち入力の上限は922,000トークン、出力の上限は128,000トークンです。知識のカットオフは2026年4月30日とされています。
料金は、入力100万トークンあたり10ドル、キャッシュ済み入力1ドル、出力50ドルが標準です。ただし、プロンプトの入力が272,000トークンを超えると、そのリクエスト全体で入力とキャッシュの単価が2倍、出力が1.5倍になります。CodexのようなAIコーディングエージェントは、作業のたびにこれまでの会話やファイルの中身を文脈に積み上げていくので、長いセッションほどこの境界を越えやすくなります。
Codexの設定は、ユーザー単位なら ~/.codex/config.toml、プロジェクト単位ならリポジトリ内の .codex/config.toml に書きます。Codexの設定リファレンスによると、プロジェクト単位の設定は、そのプロジェクトを信頼済みにしたときだけ読み込まれます。社内ツールのリポジトリごとに設定を分けたい場合は、この仕組みを使います。
「文脈切れ」という言葉が指すものも整理しておきます。Codexは、会話の履歴が一定量を超えると、古いやり取りを要約して圧縮する「コンパクション」を自動で行います。この圧縮のときに、最初に伝えた前提(たとえば「楽天のCSVはShift_JISで出力する」「商品管理番号は小文字に統一する」)が要約から落ちると、後半の作業で前提を無視したコードが出てきます。これが現場で言う文脈切れの正体です。
一部の解説記事では、GPT-6 Astra向けに要約の代わりにメモと検索可能な履歴を使う実験的な文脈管理モードが紹介されています。ただし、2026年11月時点の公式設定リファレンスでは、該当する features.context_management.experimental_mode は「現在利用できない」と書かれています。本記事では、公式に使える設定だけで文脈切れを防ぐ方法を扱います。
文脈切れと割増料金を防ぐ5つの設定
設定は5つで足ります。モデルの指定、推論量、圧縮のしきい値、AGENTS.mdによる前提の固定、承認とサンドボックスの範囲です。順番に見ていきます。
1つ目はモデルの指定です。~/.codex/config.toml に model = "gpt-6-astra" と書くと、すべてのセッションの既定がGPT-6 Astraになります。ただ、GPT-6 Astraは単価が高いので、既定にするより、必要な作業のときだけ使う形が向いています。設定リファレンスには、$CODEX_HOME/プロファイル名.config.toml という別ファイルを作り、--profile プロファイル名 で切り替える方法が載っています。たとえば astra.config.toml にGPT-6 Astra用の設定をまとめ、難しい改修のときだけ --profile astra で起動すれば、普段は中位のモデルで作業できます。第三者の解説では codex -m gpt-6-astra で1回だけ指定する方法も紹介されていますが、自分のアカウントでGPT-6 Astraが選べるかどうかは提供状況によるため、要確認です。
2つ目は推論量です。model_reasoning_effort で、low・medium・high・xhigh・maxなどを選べます(選べる値はモデルによって変わります)。推論量を上げるほど出力トークンが増え、料金も時間もかかります。CSVの列の並べ替えのような単純な作業ならlowかmedium、在庫連携の設計見直しのように影響範囲が広い作業ならhigh以上、と使い分けるのが目安です。
3つ目が、本記事で最も重要な model_auto_compact_token_limit です。これは自動圧縮が始まるトークン数のしきい値で、指定しなければモデルごとの既定値が使われます。GPT-6 Astraの既定値は公式には明記されていません。文脈の上限が1,050,000トークンあるモデルで、既定のしきい値が上限近くに置かれていると、圧縮が走る前に272,000トークンの割増ラインを越えてしまいます。割増を避けたいなら、しきい値を250,000前後に下げておくのが安全です。
# ~/.codex/astra.config.toml の例
model = "gpt-6-astra"
model_reasoning_effort = "medium"
model_auto_compact_token_limit = 250000
approval_policy = "on-request"
sandbox_mode = "workspace-write"
4つ目は、圧縮で前提が落ちないように、前提をAGENTS.mdに書いておくことです。CodexはリポジトリのAGENTS.mdを毎回プロジェクトの指示として読み込みます。会話の中で伝えた前提は圧縮で消えることがありますが、AGENTS.mdに書いた前提は消えません。読み込む上限は project_doc_max_bytes で決まるので、AGENTS.mdは長くしすぎず、要点だけに絞ります。
5つ目は承認とサンドボックスの範囲です。approval_policy はコマンド実行の前に止まって承認を求めるかどうか、sandbox_mode はファイルやネットワークにどこまで触れるかを決めます。値は、承認が on-request か never、サンドボックスが read-only・workspace-write・danger-full-access です。受注データや顧客情報を扱うリポジトリでは、workspace-write と on-request の組み合わせを基本にし、danger-full-access は使わない方針をおすすめします。過去にはCodexの不具合で実ファイルが消えた事例もあり、その経緯と権限設計の考え方は別記事にまとめています。
EC社内ツール開発で使うプロンプト5本
ここからは、上の設定と組み合わせて使うプロンプトを5本紹介します。Codexへの指示として使うものが中心ですが、AGENTS.mdの下書きや引き継ぎメモの作成は、ChatGPT・Claude・Geminiのどれでも同じように使えます。
最初に、AGENTS.mdの下書きを作ります。社内ツールの前提を箇条書きで渡し、Codexが毎回読む形に整えてもらいます。
プロンプト1:EC社内ツール用のAGENTS.mdを作る
あなたはECの社内ツール開発に詳しいエンジニアです。
次の前提をもとに、Codexが毎回読み込むAGENTS.mdを作ってください。
前提:
- このリポジトリは{ツールの目的(例:楽天とAmazonの受注CSVを統合する)}
- 入力ファイルの文字コード:{例:楽天はShift_JIS、AmazonはUTF-8}
- 商品管理番号のルール:{例:半角英数小文字、ハイフン区切り}
- 触ってはいけないフォルダ:{例:data/raw は読み取りのみ}
- テストの実行方法:{コマンド}
条件:
1. 全体を2,000文字以内に収める
2. 「必ず守るルール」と「迷ったときの判断基準」を分けて書く
3. 顧客の氏名・住所・電話番号をログやテスト用データに書き出さないルールを入れる
次に、長い作業の区切りで「引き継ぎメモ」を作らせます。圧縮が走る前に、決まったことを自分で書き残させておけば、圧縮後も前提を取り戻せます。
プロンプト2:作業の区切りで引き継ぎメモを残す
ここまでの作業内容を、docs/handoff.md に追記してください。
書く内容:
1. 今回決めた仕様(変更前と変更後)
2. 変更したファイルと、その理由
3. まだ終わっていない作業と、次にやること
4. 作業中に分かった注意点(文字コード、列の順番、例外的なデータなど)
条件:200〜400文字で簡潔に。推測は「未確認」と書く。
3本目は、新しいセッションを始めるときの指示です。前回の引き継ぎメモとAGENTS.mdを最初に読ませることで、ゼロから説明し直す手間と、前提の食い違いを減らします。
プロンプト3:新しいセッションの最初に前提を読み込ませる
作業を始める前に、次の2つを読んで、理解した前提を5行で要約してください。
- AGENTS.md
- docs/handoff.md の最新の項目
要約のあと、今日の作業「{作業内容}」に取りかかる前に、確認が必要な点があれば質問してください。
確認が不要なら、作業計画を3ステップで示してから始めてください。
4本目は、作業範囲を絞る指示です。リポジトリ全体を読ませると文脈が一気に膨らむので、触るファイルを先に限定します。
プロンプト4:読むファイルを絞って作業させる
今回の作業は「{作業内容(例:Yahoo!ショッピングの注文CSVに新しい列を追加する)}」です。
次のルールで進めてください。
1. 最初に、作業に必要なファイルの一覧と、それぞれを読む理由を示す
2. 一覧にないファイルは、必要になった時点で理由を説明してから読む
3. テストデータは tests/fixtures の中のものだけを使う
4. 作業が終わったら、変更したファイルの一覧と差分の要約を出す
最後の5本目は、完成したツールの点検です。GPT-6 Astraは推論が深いぶん、レビュー役に向いています。推論量をhighに上げたプロファイルで使うのがおすすめです。
プロンプト5:完成した社内ツールを点検する
このリポジトリの {ファイル名} を、EC運営の実務の観点で点検してください。
観点:
1. 文字コード(Shift_JISとUTF-8)の扱いで文字化けが起きる箇所
2. 商品管理番号やSKUの表記ゆれで、別商品として扱われてしまう箇所
3. 顧客情報(氏名・住所・電話番号)がログやエラーメッセージに出る箇所
4. 楽天市場・Amazon・Yahoo!ショッピングの仕様変更で壊れやすい箇所
各指摘に、重要度(高・中・低)と修正案を付けてください。
5本のうち、プロンプト2とプロンプト3はセットで使うと効果が大きくなります。直近の支援案件で観測したのは、引き継ぎメモを残す運用に変えただけで、午後のセッションで午前の仕様を無視したコードが出てくる回数が目に見えて減ったケースでした。
よくある失敗例と回避策
失敗例の1つ目は、GPT-6 Astraを既定モデルにしたまま、軽い作業まで任せてしまうことです。CSVの列名を1つ変えるような作業でも、単価の高いモデルと深い推論で処理すれば、そのぶん料金がかかります。回避策は、前述のプロファイルを使い、普段は中位のモデル、難しい作業だけGPT-6 Astraという切り分けを最初に決めておくことです。GPT-6 Astraがどの業務に見合うかは、GPT-6 AstraのEC活用とコスト運用の記事で整理しています。
2つ目は、ひとつのセッションを何日も続けることです。文脈が長くなるほど、圧縮の回数が増えて前提が落ちやすくなり、272,000トークンを超えれば割増料金もかかります。現場で繰り返し見るのは、「前回の続きから」と同じセッションを使い続けた結果、2日目に初日の仕様と矛盾するコードが出てくるパターンです。作業の区切りごとにプロンプト2で引き継ぎメモを残し、翌日は新しいセッションをプロンプト3で始めるほうが、品質も料金も安定します。
3つ目は、本番の受注データをそのまま開発に使うことです。氏名や住所が入ったCSVをリポジトリに置くと、AIへの入力として送られるだけでなく、コミット履歴に残る危険もあります。テスト用には、個人情報を架空の値に置き換えたサンプルを用意し、AGENTS.mdに「本番データを読まない」と明記しておきます。楽天市場の店舗では、受注データの取り扱いについて店舗側の管理責任が問われるため、社内ツールでも同じ水準で扱うのが前提です。
4つ目は、サンドボックスを danger-full-access にして承認を never にする組み合わせです。手間は減りますが、AIが誤ってデータフォルダを消したり、外部に通信したりしても止められません。社内ツールの開発で、この組み合わせが必要になる場面はほとんどありません。
5つ目は、モデルの知識の古さを見落とすことです。GPT-6 Astraの知識のカットオフは2026年4月30日なので、それ以降に変わったモールのAPI仕様やCSVの列定義は知りません。楽天RMSのAPIやAmazonのSP-APIのように仕様が更新されるものを扱うときは、最新の仕様書をリポジトリの docs フォルダに置き、AGENTS.mdに「APIの仕様は docs の資料を優先する」と書いておくのが確実です。モデルの記憶に頼って書かれたコードは、古い列名や廃止されたエンドポイントを使っていることがあり、テストが通っても本番で失敗する原因になります。
なお、設定リファレンスには features.fast_mode という項目もあります。応答を速める代わりに料金が上がる処理区分に関わる設定で、急ぎの修正には便利ですが、社内ツールの開発で常時オンにする必要はありません。料金の上乗せが積み重なりやすいので、使う場合は作業単位で判断するのがよいでしょう。
費用と工数の目安、追うべき指標
費用の目安は、1回のリクエストを272,000トークン未満に抑えられるかどうかで大きく変わります。たとえば入力200,000トークン、出力20,000トークンのリクエストなら、標準料金で入力2ドル、出力1ドルの合計3ドルです。同じ作業が入力300,000トークンに膨らむと、入力は単価2倍で6ドル、出力は1.5倍で1.5ドル、合計7.5ドルになります。入力が1.5倍になっただけで、料金は2.5倍です(キャッシュ割引を考えない単純計算)。
追うべき指標は3つです。1つ目は1セッションあたりの料金、2つ目は272,000トークンを超えたリクエストの件数、3つ目は「前提違反による手戻り」の回数です。3つ目は数えにくいので、レビューで「AGENTS.mdのルールに反していた」と指摘した回数を記録するだけで十分です。この回数が減っていれば、AGENTS.mdと引き継ぎメモの運用が効いていると判断できます。
工数の目安は、AGENTS.mdの作成に半日、プロファイルの設定に1時間、引き継ぎメモの運用定着に2週間ほどです。ChatGPTの有料プランでCodexを使うか、APIキーで従量課金にするかによって料金の見え方が変わるため、どちらで契約しているかを先に確認しておいてください(プランごとの利用枠は要確認)。
今後の見通しと、Claude Codeとの比べ方
文脈管理は、AIコーディングエージェント各社が最も力を入れている領域の1つです。Codexの設定リファレンスに「現在は利用できない」実験的な文脈管理の項目がすでに載っていることから、要約による圧縮に頼らない仕組みが今後提供される可能性は高いと見ています。提供が始まれば、本記事で紹介した引き継ぎメモの運用は、ツール側の機能に置き換わっていくはずです。
ただ、ツール側の機能が変わっても、「何を前提としてAIに守らせるか」を決めるのは店舗側の仕事です。文字コード、商品管理番号のルール、個人情報の扱いといった前提は、AGENTS.mdのような形で文書にしておけば、Codexに限らず他のエージェントでも使い回せます。
Claude Codeと比べたい場合は、CodexとClaude CodeのEC向け比較記事が参考になります。どちらもリポジトリの指示ファイルを読む仕組みを持っているので、前提を文書化しておく価値は同じです。モデルや料金は数か月単位で入れ替わるため、特定のツールに依存しない形で前提を残しておくことが、社内ツール開発を長く続けるうえでの保険になります。
よくある質問
CodexでGPT-6 Astraを使うにはどう設定しますか
Codexの設定ファイル ~/.codex/config.toml に model = "gpt-6-astra" と書くのが基本です。普段は別のモデルを使いたい場合は、GPT-6 Astra用のプロファイルファイルを作り、--profile で切り替えます。アカウントでGPT-6 Astraが選べるかは提供状況によるため要確認です。
文脈切れとは何ですか
文脈切れとは、長い作業の途中で、最初に伝えた前提をAIが守らなくなる現象のことです。Codexは履歴が長くなると要約して圧縮するため、その過程で前提が落ちることがあります。前提をAGENTS.mdに書いておけば、圧縮の影響を受けません。
model_auto_compact_token_limitはいくつに設定すべきですか
割増料金を避けたいなら、272,000トークンより少し下の250,000前後が目安です。GPT-6 Astraは入力が272,000トークンを超えると、入力単価が2倍、出力単価が1.5倍になるためです。既定値は公式に明記されていないので、自分で設定しておくと安心です。
実験的な文脈管理モードは使えますか
いいえ、2026年11月時点の公式設定リファレンスでは「現在利用できない」と書かれています。一部の解説記事で紹介されている設定を書いても、公式には提供されていない状態です。提供が始まるまでは、AGENTS.mdと引き継ぎメモで前提を守る運用が確実です。
プログラミング経験が浅い店舗担当者でも使えますか
はい、CSVの変換や集計のような小さなツールなら、AGENTS.mdで前提を決めておけば十分に作れます。ただし、受注データや顧客情報に触れるツールは、承認とサンドボックスの設定を必ず確認してください。最初は読み取り専用の分析ツールから始めるのが安全です。
GPT-6 Astraと中位モデルはどう使い分ければよいですか
在庫連携の設計見直しや、複数モールのデータをまたぐ改修のように影響範囲が広い作業はGPT-6 Astra、列の追加や表記の統一のような小さな作業は中位モデル、という分け方が目安です。プロファイルを2つ用意しておけば、起動時のオプションだけで切り替えられます。
本番の受注データを使って開発してもよいですか
いいえ、個人情報を架空の値に置き換えたテスト用データを使うべきです。本番データをリポジトリに置くと、AIへの入力として送られるうえ、コミット履歴にも残ります。AGENTS.mdに「本番データを読まない」と明記しておくと、事故を防ぎやすくなります。
まとめ
CodexでGPT-6 Astraを使うときは、モデルの指定、推論量、圧縮のしきい値、AGENTS.md、承認とサンドボックスの5つを最初に決めておくと、文脈切れと割増料金の両方を防げます。特に、入力が272,000トークンを超えると料金が大きく上がるため、model_auto_compact_token_limit を250,000前後に設定し、作業の区切りで引き継ぎメモを残す運用が効きます。
GPT-6 Astraは難しい改修や点検で力を発揮するモデルです。普段の小さな作業は中位のモデルに任せ、プロファイルで切り替える形にしておけば、EC社内ツールの開発を無理のない料金で続けられます。
参考文献
著者:齋藤竹紘(株式会社オルセル 編集長/5,000社以上のEC支援実績/書籍3冊)
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談(30分)も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
【監修】齋藤竹紘(株式会社オルセル代表 / 19年・5,000社のEC支援実績)

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。