Poproś ChatGPT Work o zaplanowanie trasy biegowej 5K/10K: Poradnik od GPT-6 Astra

GPT-6 Astra i ChatGPT WorkGPT-6 Astra i ChatGPT Work potrafią teraz przyjąć adres i zwrócić ci porządną, okrężną pętlę biegową 5K lub 10K — prawdziwe ulice, prawdziwy dystans, do pobrania jako GPX i GeoJSON, z interaktywną mapą osadzoną w czacie. Sztuka polega na tym, by wiedzieć, że to dwie różne warstwy wykonujące dwa różne zadania. ChatGPT Work to agentowa warstwa produktowa Open​AI — ogłoszona 9 lipca 2026 r. dla subskrybentów płacących 20 dolarów miesięcznie lub więcej — w której model może pracować przez pół godziny, korzystając z plików, powłoki i internetu. GPT-6 Astra to flagowy model rozumujący, który zadebiutował 3 września 2026 r., wszedł do ogólnej dostępności 5 września we wszystkich płatnych planach ChatGPT, w ChatGPT Work, Codex i API, i to on zamienia jednolinijkową prośbę w wieloetapową, 27-minutową sesję planowania trasy. Ten playbook omawia działający prompt, narzędzia, po które agent faktycznie sięga (OpenStreetMap, Nominatim, Overpass), oczekiwane wyniki oraz szczere zastrzeżenia — bo ten workflow jest naprawdę przydatny i bo ta część, której nikt ci nie pokazuje, potrafi dać w kość.

Przepis w jednym akapicie

Żądanie, które działa, jak zademonstrował Simon Willison 12 września, jest niemal żenująco krótkie:

• Polecenie: "Mieszkam pod adresem <my address>. Ustal 5-kilometrowe i 10-kilometrowe trasy biegowe ode mnie, które tworzą pętlę z mojego domu. Użyj danych OSM."

• Co wydarzyło się dalej: ChatGPT Work działał z GPT-6 Astra (maksymalny wysiłek rozumowania) przez 27 minut i zwrócił pętlę 5K oraz pętlę 10K, każdą jako osadzoną interaktywną mapę oraz pliki GPX i GeoJSON do pobrania.

• Trasa była prawdziwa: wynik 5K („El Granada harbor loop 5.1 km”) biegł od portu na północ wzdłuż Avenue Granada i Paloma Avenue, na wschód wzdłuż San Carlos Avenue, na południe w dół Francisco Street i z powrotem na zachód wzdłuż Coastal Trail.

Ten ostatni szczegół to sedno playbooka. To nie jest halucynowana lista nazw ulic — to trasa tworząca pętlę, ma wiarygodny dystans i odpowiada rzeczywistej sieci drogowej tego obszaru. Kiedy model zapytano, jak ją zbudował, odpowiedział wprost: „Użyłem Nominatim, aby zlokalizować adres, i Overpass, aby pobrać lokalne drogi i szlaki OpenStreetMap, a następnie obliczyłem pętle lokalnie”.

Innymi słowy, ten workflow to prawdziwe uruchomienie agenta: geokoduj adres, pobierz prawdziwe dane mapowe, oblicz zamknięte pętle o odpowiedniej długości, wyrenderuj wizualizację i wyeksportuj standardowe formaty wymiany. Jeśli kiedykolwiek chciałeś, żeby prompt „zaplanuj mi trasę” faktycznie działał, to właśnie tak to wygląda.

Czym właściwie jest ChatGPT Work i dlaczego ma to tutaj znaczenie

ChatGPT Work nie jest modelem. To powierzchnia produktu, w której model może działać jak agent: może wykonywać kod, łączyć się z internetem, korzystać z przeglądarki bez interfejsu graficznego, utrzymywać trwałą przestrzeń roboczą między sesjami i działać przez długi czas. Co może mylić, dzieli się na dwie formy: Work Cloud (przez chatgpt.com lub aplikacje mobilne) i Work Local (aplikacja desktopowa dawniej nazywana Codex, która może sięgać do plików i programów na Twoim własnym komputerze). Jest dostępny dla subskrybentów planów od 20 USD miesięcznie wzwyż — użytkownicy bezpłatni i użytkownicy planu Go za 8 USD nie mają do niego dostępu — a sesje Work są rozliczane z Twojego limitu Codex, a nie z limitu czatu.

Właśnie dlatego generowanie trasy zadziałało tam, gdzie zwykła tura czatu by zawiodła: to zadanie wymaga uruchamiania kodu, dostępu do internetu w celu geokodowania i korzystania z usług danych mapowych oraz wystarczającej wytrwałości w uwadze, by iterować. Zwykły czat ChatGPT odpowiada w kilka sekund i przechodzi dalej. ChatGPT Work pracuje dalej. Wybór modelu w Work też ma znaczenie — Open​AI zaleca GPT-6 Astra właśnie do tego rodzaju wieloetapowego zadania end-to-end, z poziomem wysiłku rozumowania konfigurowalnym aż do Max.

Zatem pierwsza zasada playbooka: to zadanie w trybie Work, a nie w trybie Chat. Otwórz ChatGPT Work, wybierz GPT-6 Astra i pozwól sesji działać, zamiast oczekiwać natychmiastowej odpowiedzi.

Narzędzia pod maską: OSM, Nominatim, Overpass

Żadna część prawdziwej maszynerii nie jest własnością OpenAI. Agent złożył trasę z publicznej infrastruktury geograficznej, a warto wiedzieć, co robi każdy element — zarówno po to, byś mógł zweryfikować wynik, jak i po to, byś mógł samodzielnie odtworzyć potok, gdybyś kiedykolwiek chciał uruchomić go poza ChatGPT.

• OpenStreetMap (OSM) to darmowa, społecznościowa mapa świata — źródło danych o drogach i szlakach, z których korzysta trasa.

• Nominatim to usługa geokodowania OSM: zamienia adres podany przez człowieka („Mieszkam pod <my address>") na współrzędne na mapie.

• Overpass to interfejs API zapytań dla danych OSM: agent użył go do pobrania lokalnych dróg i szlaków wokół tych współrzędnych.

• Samo obliczanie pętli („obliczało pętle lokalnie”) przebiegało w przestrzeni roboczej samego agenta — brało surowy graf dróg i znajdowało zamknięte obwody o w przybliżeniu właściwej długości.

Ta dekompozycja to odtwarzalny rdzeń. Jeśli chciałbyś zbudować to samo samodzielnie, proces jest następujący: geokodowanie za pomocą Nominatim, pobranie sieci drogowej za pomocą Overpass, obliczenie pętli, eksport do GPX/GeoJSON, renderowanie za pomocą biblioteki mapowej. ChatGPT Work właśnie wykonał to wszystko za ciebie, bez kluczy API, bez szukania bibliotek do routingu i bez kodu, który musiałbyś napisać.

Co otrzymujesz w zamian: umiejętność wizualizacji i pliki

Wyniki to element, który sprawia, że całość wydaje się ukończona, a nie demonstracyjna. Po stronie wyświetlania agent użył wbudowanej w ChatGPT umiejętności wizualizacji, aby utworzyć samowystarczalny plik HTML — w zaobserwowanym uruchomieniu, /workspace/el-granada-5k-share.html — który osadził mapę bezpośrednio w interfejsie ChatGPT. HTML przechowuje całą geometrię trasy w elemencie <script type="application/json"> i renderuje mapę za pomocą D3.js ładowanego z CDN. Polityka bezpieczeństwa treści (content-security policy) tej umiejętności pozwala tylko na określoną listę zewnętrznych źródeł — cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com i fonts.bunny.net — a „inne źródła są blokowane i zawodzą po cichu”. Ten szczegół ma znaczenie, jeśli kiedykolwiek sprawdzisz wygenerowany plik: mapa będzie działać z tymi bibliotekami, a bez nich po cichu ulegnie degradacji.

Po stronie plików masz do dyspozycji dwa formaty wymiany, które są już obsługiwane przez każdą aplikację GPS i każde narzędzie mapowe:

• GPX — standardowy format wymiany danych GPS. Zaimportuj go do Stravy, Garmin Connect lub dowolnej aplikacji do tras, a wyświetli się jako trasa, którą można podążać.

• GeoJSON — format JSON dla danych geoprzestrzennych. Użyj go w QGIS, Leaflet, Mapbox lub w dowolnym narzędziu geoprzestrzennym; to także format, w którym osadzona wizualizacja przechowuje swoją geometrię.

Jeśli zależy ci na trasie, którą naprawdę możesz pokonać, tym, co dostarczasz, jest plik GPX — osadzona mapa jest dowodem, że trasa ma sens, a GeoJSON to kopia dla wszelkich zastosowań programistycznych.

Czego nie mówi ci demo: dwa prawdziwe zastrzeżenia

Generowanie tras jest prawdziwe, ale uczciwy obraz ChatGPT Work pochodzi z jego trybów awarii, a osoba, która go testowała, ujawniła dwa z nich tego samego ranka.

1. Wykonanie jest nieprzejrzyste. Kod agenta i jego dokładne kroki nie były widoczne w interfejsie ChatGPT — tylko skrótowe wyjaśnienie („Użyłem Nominatim…, a następnie obliczyłem pętle lokalnie”). W przypadku trasy jest to w porządku; w przypadku czegokolwiek o poważnych konsekwencjach jest to luka w przejrzystości, której obecność należy założyć. Willison nazywa to „antyfunkcją”: widzisz wynik i własny opis wyniku podany przez model, a nie kod, który go wytworzył.

2. Kompaktyzacja może wymazać pracę. Zanim poprosił o kopię kodu w Pythonie, agent nie był w stanie go wygenerować — wątek został poddany kompaktyzacji, a kontekst sprzed kompaktyzacji przepadł. Każda długa sesja agenta, na której polegasz, wiąże się z tym ryzykiem: wątek zostaje podsumowany, a artefakty lub kod, które nigdy nie zostały zapisane do pliku, nie są już możliwe do odzyskania. Jeśli potrzebujesz kodu, poproś o niego jako plik w trakcie działania, a nie po jego zakończeniu.

Ani jedno z tych zastrzeżeń nie podważa playbooka — trasa plus eksporty GPX/GeoJSON to dokładnie ten typ rezultatu, który przetrwa kompaktowanie, bo został zapisany na dysku. Ale ustalają one oczekiwania: ChatGPT Work jest potężny, ale nie jest przejrzysty i nie jest trwałym zapisem wszystkiego, co zrobił.

Dlaczego to jest ważniejsze niż ładne demo

Pod trasami biegowymi kryje się naprawdę nowa możliwość, którą warto wycenić: model czołowy, który na podstawie jednowierszowego żądania wykona 27 minut prawdziwej wieloetapowej pracy obejmującej geokodowanie, zapytania sieciowe i obliczenia lokalne, a następnie zwróci gotowe do użycia pliki. To właśnie w praktyce oznacza „pracę agentową” i zmienia to, czego należy oczekiwać od żądania do modelu. Zmienia też arytmetykę kosztów — i właśnie tutaj podejście oparte na routingu zaczyna na siebie zarabiać.

W ChatGPT Work ta 27-minutowa sesja obciąża limit Codex w Twojej subskrypcji, a w przypadku GPT-6 Astra tokeny zużywają się szybko. Ten sam model jest dostępny w rozliczeniu za token przez API: GPT-6 Astra ma cennik na poziomie 10 USD za milion tokenów wejściowych i 50 USD za milion tokenów wyjściowych, z oknem kontekstowym wynoszącym ok. 1,05 mln tokenów oraz wyższym progiem długiego kontekstu powyżej 272 000 tokenów wejściowych po wyższych stawkach — ceny katalogowe producenta. W przypadku pętli agenta, która utrzymuje całą sesję w kontekście, to właśnie w tym progu długiego kontekstu skupiają się koszty.

Dokładnie takim kosztem ma za zadanie zarządzać warstwa routingu. Jedno API dla ponad 200 modeli z cenami katalogowymi dostawców przekazywanymi przy 0% marży oznacza, że model czołowy w cenie 10 i 50 USD, taki jak GPT-6 Astra, znajduje się obok GPT-5.6 Sol w cenie 4 i 20 USD na tym samym kluczu, a między nimi można przełączać się za pomocą ciągu znaków modelu — bez drugiej umowy, bez zmian w kodzie, bez integracji z poszczególnymi dostawcami. Jeśli chcesz prototypować agenta do planowania tras lub innego agenta o długim horyzoncie na najnowszym modelu, nie opierając na nim produkcyjnej ścieżki, automatyczny failover pozwala przepuścić przez niego część ruchu, podczas gdy sprawdzony model pozostaje pod spodem. A gdy dostawca obniży cenę, mechanizm przekazywania oznacza, że nowa cena obowiązuje u nas tego samego dnia — ta sama cena katalogowa, bez warstwy marży pomiędzy.

Ten sam argument dotyczy wzorca narzędzi, nie tylko modelu. Pipeline OSM/Nominatim/Overpass, którego użył agent, jest dokładnie tym, co deweloper może chcieć wywoływać deterministycznie — a jeśli sam go zbudujesz, skierujesz warstwę modelu przez jeden endpoint, zamiast zakodować na sztywno jednego dostawcę, dzięki czemu model planujący trasę można podmienić lub przełączyć awaryjnie bez przepisywania pipeline'u.

Playbook w skrócie

Jeśli chcesz odtworzyć to samodzielnie, kształt jest następujący:

• Korzystaj z ChatGPT Work (a nie ze zwykłego czatu), z wybranym GPT-6 Astra i wysokim poziomem wysiłku rozumowania.

• Polecenie z prawdziwym adresem i docelowymi dystansami: „Mieszkam pod adresem <address>. Wyznacz 5K i 10K trasy biegowe ode mnie, które tworzą pętlę od mojego domu. Użyj danych OSM.”

• Spodziewaj się, że zajmie to dziesiątki minut, a nie sekundy — i że będzie działać samodzielnie.

• Proś o wyniki w formie plików na bieżąco: GPX dla zegarka lub aplikacji, GeoJSON do wszystkiego, co programistyczne, oraz wizualizację, którą wyświetla na czacie.

• Jeśli potrzebujesz kodu, który napisał, poproś o zapisanie go jako pliku podczas działania — kompaktowanie może go później wymazać.

Ten ostatni krok jest tym, który wszyscy pomijają, i tym, który naprawdę daje w kość. Model z chęcią będzie planować twoje pętle przez cały dzień; może po prostu nie pamiętać kodu, który to zrobił, zanim zapytasz.

Ten sam klucz daje dostęp do reszty katalogu, a Ty możesz przejrzeć pełny katalog modeli, aby zobaczyć, co jeszcze kryje się za jednym punktem końcowym zgodnym z OpenAI.