1. 引言ChatGPT Plus 与 ChatGPT Pro 是 OpenAI 面向不同需求用户推出的订阅方案而 Codex 则是 OpenAI 推出的 AI 编程助手。很多开发者关心的是这三者到底有什么区别在日常开发中如何组合使用本文不讨论充值渠道与价格策略而是从技术角度出发围绕模型能力、API 调用、Codex 编程实战、提示词工程、自动化工作流等方向给出可落地的使用指南。本文默认读者已经拥有 ChatGPT Plus 或 Pro 账号并具备基础的 Python 与命令行操作能力。文中所有代码示例均基于 2026 年 8 月可用的公开接口与工具链编写读者可根据自身环境微调。2. 模型能力对比2.1 ChatGPT Plus 与 Pro 的差异从技术角度看Plus 与 Pro 的核心差异主要体现在以下几个方面上下文窗口长度Pro 通常支持更长的上下文窗口适合处理超长文档与大型代码库。推理次数与深度Pro 在复杂推理任务上会分配更多计算资源输出质量更稳定。高级语音与多模态Pro 解锁更完整的语音对话与图像理解能力。速率限制Pro 的 API 速率限制更高适合自动化脚本高频调用。2.2 Codex 的定位Codex 是 OpenAI 的编程智能体它不仅能补全代码还能理解仓库结构、执行命令、运行测试并迭代修复。Codex 与 ChatGPT 的聊天界面不同它更贴近「本地开发环境中的协作者」这一角色。三者关系可以这样理解ChatGPT Plus / Pro 是「对话与创作入口」。Codex 是「代码执行与工程落地入口」。两者共享底层模型能力但使用场景不同。3. 环境准备3.1 安装 Codex CLICodex 提供命令行工具安装方式如下npminstall-gopenai/codex安装完成后验证版本codex--version3.2 配置 API Key在终端中设置环境变量exportOPENAI_API_KEYsk-你的密钥建议将密钥写入~/.zshrc或~/.bashrc避免每次手动导出。3.3 初始化项目创建一个示例项目mkdircodex-democdcodex-demogitinit4. Codex 实战从需求到代码4.1 用自然语言生成项目骨架在项目目录下运行codex创建一个 Python 命令行工具用于统计指定目录下各文件类型的数量并输出 Markdown 表格Codex 会自动生成项目文件包括主脚本、依赖文件与 README。生成后我们可以查看目录结构tree4.2 代码审查与修复Codex 可以读取仓库内容并执行测试。假设我们有一个存在 bug 的 Python 文件可以这样让 Codex 修复codex检查 main.py 中的逻辑错误并运行测试验证修复结果Codex 会定位问题、修改代码、执行测试并汇报结果。这种「计划-执行-验证」的闭环是 Codex 的核心价值。4.3 与 Git 工作流集成Codex 支持读取 Git 状态我们可以让它基于未提交的改动生成提交信息codex根据当前 git diff 生成规范的 commit message也可以让它自动完成阶段性提交codex将当前改动提交到 git提交信息要符合 Conventional Commits 规范5. 用 ChatGPT 构建自动化工作流5.1 调用 OpenAI APIChatGPT Plus / Pro 账号可以在 platform.openai.com 创建 API Key。下面是一个最小化的 Python 调用示例fromopenaiimportOpenAI clientOpenAI()responseclient.chat.completions.create(modelgpt-4.1,messages[{role:system,content:你是一名资深 Python 工程师。},{role:user,content:请解释 Python 装饰器的执行顺序。}])print(response.choices[0].message.content)5.2 流式输出对于长文本生成流式输出能显著改善体验fromopenaiimportOpenAI clientOpenAI()streamclient.chat.completions.create(modelgpt-4.1,messages[{role:user,content:写一段关于 FastAPI 的简介200 字左右。}],streamTrue)forchunkinstream:ifchunk.choices[0].delta.content:print(chunk.choices[0].delta.content,end)5.3 函数调用Function Calling函数调用让模型可以触发本地工具适合构建自动化 Agent。下面是一个查询天气的示例fromopenaiimportOpenAIimportjson clientOpenAI()tools[{type:function,function:{name:get_weather,description:获取指定城市的天气,parameters:{type:object,properties:{city:{type:string,description:城市名称}},required:[city]}}}]responseclient.chat.completions.create(modelgpt-4.1,messages[{role:user,content:北京今天天气怎么样}],toolstools)print(json.dumps(response.choices[0].message.tool_calls,ensure_asciiFalse,indent2))6. 提示词工程实战6.1 结构化输出让模型输出 JSON 是常见需求可以通过response_format强制约束fromopenaiimportOpenAI clientOpenAI()responseclient.chat.completions.create(modelgpt-4.1,response_format{type:json_object},messages[{role:system,content:你只输出 JSON 格式。},{role:user,content:列出 3 个 Python Web 框架包含名称与适用场景。}])print(response.choices[0].message.content)6.2 角色扮演与上下文管理在复杂任务中维护清晰的上下文至关重要。推荐使用消息数组管理多轮对话messages[{role:system,content:你是代码评审专家只关注性能问题。},{role:user,content:请评审以下代码\n\npython\ndef process(data):\n result []\n for item in data:\n result.append(item * 2)\n return result\n}]responseclient.chat.completions.create(modelgpt-4.1,messagesmessages)print(response.choices[0].message.content)6.3 少样本提示给模型提供少量示例可以显著提升输出质量fromopenaiimportOpenAI clientOpenAI()messages[{role:system,content:将用户输入转换为 SQL 查询。},{role:user,content:查询所有年龄大于 30 的用户},{role:assistant,content:SELECT * FROM users WHERE age 30;},{role:user,content:查询订单金额大于 100 的订单}]responseclient.chat.completions.create(modelgpt-4.1,messagesmessages)print(response.choices[0].message.content)7. Codex 与 ChatGPT 的组合工作流7.1 需求分析阶段使用 ChatGPT 进行需求拆解与方案设计生成技术选型文档。例如请帮我设计一个日志分析系统要求 1. 支持多格式日志解析 2. 支持实时告警 3. 输出可视化报表 请给出架构图与模块划分。7.2 编码实现阶段将 ChatGPT 生成的架构文档交给 Codex 落地codex根据 docs/architecture.md 中的设计实现日志解析模块并编写单元测试7.3 测试与重构阶段Codex 执行测试后将结果反馈给 ChatGPT 进行代码评审codex运行 pytest并将失败用例输出到 test-report.md随后将test-report.md内容粘贴给 ChatGPT要求其分析失败原因并给出修复建议。7.4 整体流程示意否是ChatGPT 需求分析生成架构文档Codex 编码实现运行测试测试通过?ChatGPT 分析失败原因Codex 提交代码8. 进阶技巧8.1 使用 Codex 批量重构Codex 支持跨文件修改适合批量重构。例如codex将项目中所有 print 语句替换为 logging 模块调用并保持输出格式不变8.2 利用 ChatGPT 生成测试数据fromopenaiimportOpenAIimportjson clientOpenAI()responseclient.chat.completions.create(modelgpt-4.1,response_format{type:json_object},messages[{role:system,content:生成 JSON 测试数据。},{role:user,content:生成 5 条用户数据字段包括 id、name、email、age。}])datajson.loads(response.choices[0].message.content)print(json.dumps(data,ensure_asciiFalse,indent2))8.3 自动化代码评审流水线结合 Git Hooks 与 Codex可以在提交前自动执行代码评审#!/bin/bash# .git/hooks/pre-commitcodex审查暂存区的代码改动输出潜在问题与改进建议9. 常见问题9.1 Codex 与 GitHub Copilot 的区别Codex 更强调「理解整个仓库并执行多步任务」而 Copilot 更侧重「行级补全」。Codex 适合自动化重构与测试驱动开发Copilot 适合日常编码时的即时补全。9.2 如何选择 Plus 还是 Pro如果只是日常对话与轻量编程辅助Plus 足够如果需要处理超长上下文、高频 API 调用或复杂推理任务Pro 更合适。9.3 API 与网页版的差异网页版适合交互式探索API 适合构建自动化流程。两者共享底层模型但 API 提供更精细的参数控制。10. 总结ChatGPT Plus / Pro 与 Codex 的组合构成了一个完整的 AI 辅助开发闭环ChatGPT 负责需求分析、方案设计与代码评审Codex 负责编码实现、测试执行与仓库级重构。通过 API 与提示词工程我们可以将这两者深度集成到自己的开发工作流中显著提升效率。本文从环境准备、Codex 实战、API 调用、提示词工程、组合工作流等角度给出了可落地的技术方案。读者可以根据自身项目需求灵活组合这些能力构建属于自己的 AI 驱动开发流水线。