ChatGPT Plus / Pro + Codex 实战指南（2026-08-12）

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 CLI

Codex 提供命令行工具，安装方式如下：

npm install -g @openai/codex

安装完成后，验证版本：

codex –version

3.2 配置 API Key

在终端中设置环境变量：

export OPENAI_API_KEY="sk-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：

mkdir codex-demo
cd codex-demo
git init

4. 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：

tree

4.2 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 API

ChatGPT 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：

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
model="gpt-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：

from openai import OpenAI

client = OpenAI()

stream = client.chat.completions.create(
model="gpt-4.1",
messages=[{"role": "user", "content": "写一段关于 FastAPI 的简介，200 字左右。"}],
stream=True
)

for chunk in stream:
if chunk.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：

from openai import OpenAI
import json

client = OpenAI()

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"]
}
}
}
]

response = client.chat.completions.create(
model="gpt-4.1",
messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
tools=tools
)

print(json.dumps(response.choices[0].message.tool_calls, ensure_ascii=False, indent=2))

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：

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
model="gpt-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\\n```python\\ndef process(data):\\n result = []\\n for item in data:\\n result.append(item * 2)\\n return result\\n```"}
]

response = client.chat.completions.create(
model="gpt-4.1",
messages=messages
)

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：

from openai import OpenAI

client = OpenAI()

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"}
]

response = client.chat.completions.create(
model="gpt-4.1",
messages=messages
)

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

#mermaid-svg-IjaRCqnEndW3UYgR{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-IjaRCqnEndW3UYgR .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-IjaRCqnEndW3UYgR .error-icon{fill:#552222;}#mermaid-svg-IjaRCqnEndW3UYgR .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-IjaRCqnEndW3UYgR .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-IjaRCqnEndW3UYgR .marker{fill:#333333;stroke:#333333;}#mermaid-svg-IjaRCqnEndW3UYgR .marker.cross{stroke:#333333;}#mermaid-svg-IjaRCqnEndW3UYgR svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-IjaRCqnEndW3UYgR p{margin:0;}#mermaid-svg-IjaRCqnEndW3UYgR .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-IjaRCqnEndW3UYgR .cluster-label text{fill:#333;}#mermaid-svg-IjaRCqnEndW3UYgR .cluster-label span{color:#333;}#mermaid-svg-IjaRCqnEndW3UYgR .cluster-label span p{background-color:transparent;}#mermaid-svg-IjaRCqnEndW3UYgR .label text,#mermaid-svg-IjaRCqnEndW3UYgR span{fill:#333;color:#333;}#mermaid-svg-IjaRCqnEndW3UYgR .node rect,#mermaid-svg-IjaRCqnEndW3UYgR .node circle,#mermaid-svg-IjaRCqnEndW3UYgR .node ellipse,#mermaid-svg-IjaRCqnEndW3UYgR .node polygon,#mermaid-svg-IjaRCqnEndW3UYgR .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-IjaRCqnEndW3UYgR .rough-node .label text,#mermaid-svg-IjaRCqnEndW3UYgR .node .label text,#mermaid-svg-IjaRCqnEndW3UYgR .image-shape .label,#mermaid-svg-IjaRCqnEndW3UYgR .icon-shape .label{text-anchor:middle;}#mermaid-svg-IjaRCqnEndW3UYgR .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-IjaRCqnEndW3UYgR .rough-node .label,#mermaid-svg-IjaRCqnEndW3UYgR .node .label,#mermaid-svg-IjaRCqnEndW3UYgR .image-shape .label,#mermaid-svg-IjaRCqnEndW3UYgR .icon-shape .label{text-align:center;}#mermaid-svg-IjaRCqnEndW3UYgR .node.clickable{cursor:pointer;}#mermaid-svg-IjaRCqnEndW3UYgR .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-IjaRCqnEndW3UYgR .arrowheadPath{fill:#333333;}#mermaid-svg-IjaRCqnEndW3UYgR .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-IjaRCqnEndW3UYgR .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-IjaRCqnEndW3UYgR .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-IjaRCqnEndW3UYgR .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-IjaRCqnEndW3UYgR .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-IjaRCqnEndW3UYgR .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-IjaRCqnEndW3UYgR .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-IjaRCqnEndW3UYgR .cluster text{fill:#333;}#mermaid-svg-IjaRCqnEndW3UYgR .cluster span{color:#333;}#mermaid-svg-IjaRCqnEndW3UYgR div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-IjaRCqnEndW3UYgR .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-IjaRCqnEndW3UYgR rect.text{fill:none;stroke-width:0;}#mermaid-svg-IjaRCqnEndW3UYgR .icon-shape,#mermaid-svg-IjaRCqnEndW3UYgR .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-IjaRCqnEndW3UYgR .icon-shape p,#mermaid-svg-IjaRCqnEndW3UYgR .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-IjaRCqnEndW3UYgR .icon-shape .label rect,#mermaid-svg-IjaRCqnEndW3UYgR .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-IjaRCqnEndW3UYgR .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-IjaRCqnEndW3UYgR .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-IjaRCqnEndW3UYgR :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

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

from openai import OpenAI
import json

client = OpenAI()

response = client.chat.completions.create(
model="gpt-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。"}
]
)

data = json.loads(response.choices[0].message.content)
print(json.dumps(data, ensure_ascii=False, indent=2))

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-commit
codex "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。