ChatGPT Plus / Pro + Codex 技术落地实战指南（2026年8月12日）

1. 引言：从聊天工具到工程基座

2026 年，ChatGPT 早已不是简单的问答机器人。Plus、Pro 和 Codex 的组合正在重塑企业技术栈——从自动化测试、代码审查到智能运维，模型能力正被深度嵌入软件开发生命周期。然而，许多团队仍停留在“把 ChatGPT 当搜索引擎用”的阶段，没有充分发挥其工程化潜力。

本文聚焦实际业务落地，不是泛泛而谈的提示词技巧，而是将 ChatGPT Plus/Pro 的高级推理能力与 Codex 的代码理解能力结合，构建可复用的工程化工作流。你将看到：

• 如何通过 Plus/Pro 的深度思考模式生成高质量架构设计文档；
• 如何利用 Codex 编写自适应的自动化脚本，处理复杂的业务逻辑；
• 如何在企业级项目中集成这些能力，建立从需求到部署的 AI 辅助流水线。

所有示例均基于真实场景，代码可直接运行。让我们开始。

2. 场景一：用 ChatGPT Pro 生成架构设计文档（含 Mermaid 图）

在大型项目中，架构设计文档往往耗时且容易过时。利用 ChatGPT Pro 的深度推理能力，我们可以将需求描述直接转化为结构化的设计文档，并自动生成 Mermaid 架构图。

2.1 需求输入

假设我们需要为一个电商系统设计一个“秒杀”模块，核心要求：高并发、库存扣减幂等、消息队列异步处理。我们可以这样向 ChatGPT Pro 提问：

你是一位资深架构师。请为电商秒杀系统设计技术方案，要求：
– 使用 Redis 预扣库存，Lua 脚本保证原子性；
– 数据库最终一致性通过消息队列保障；
– 给出完整的 Mermaid 架构图，节点用中文标注。

2.2 模型输出

ChatGPT Pro 经过深度推理后，会生成一份包含以下内容的文档（此处节选关键部分）：

架构设计要点：

• 前端层：动静分离，秒杀页面静态化，用户请求通过 CDN 直达，按钮点击后发送异步请求。
• 网关层：Nginx 限流，令牌桶算法控制瞬时流量。
• 业务层：Spring Boot 微服务，使用 Redis 执行 Lua 脚本扣减库存，返回秒杀结果。
• 消息层：RocketMQ 异步处理订单创建，保证最终一致性。
• 数据层：MySQL 持久化订单，Redis 缓存热点库存。

Mermaid 架构图（模型自动生成）：

#mermaid-svg-G1YlhXrAlb9vO1Q7{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-G1YlhXrAlb9vO1Q7 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .error-icon{fill:#552222;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .marker.cross{stroke:#333333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 p{margin:0;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .cluster-label text{fill:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .cluster-label span{color:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .cluster-label span p{background-color:transparent;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .label text,#mermaid-svg-G1YlhXrAlb9vO1Q7 span{fill:#333;color:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .node rect,#mermaid-svg-G1YlhXrAlb9vO1Q7 .node circle,#mermaid-svg-G1YlhXrAlb9vO1Q7 .node ellipse,#mermaid-svg-G1YlhXrAlb9vO1Q7 .node polygon,#mermaid-svg-G1YlhXrAlb9vO1Q7 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .rough-node .label text,#mermaid-svg-G1YlhXrAlb9vO1Q7 .node .label text,#mermaid-svg-G1YlhXrAlb9vO1Q7 .image-shape .label,#mermaid-svg-G1YlhXrAlb9vO1Q7 .icon-shape .label{text-anchor:middle;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .rough-node .label,#mermaid-svg-G1YlhXrAlb9vO1Q7 .node .label,#mermaid-svg-G1YlhXrAlb9vO1Q7 .image-shape .label,#mermaid-svg-G1YlhXrAlb9vO1Q7 .icon-shape .label{text-align:center;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .node.clickable{cursor:pointer;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .arrowheadPath{fill:#333333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-G1YlhXrAlb9vO1Q7 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-G1YlhXrAlb9vO1Q7 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-G1YlhXrAlb9vO1Q7 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .cluster text{fill:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .cluster span{color:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 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-G1YlhXrAlb9vO1Q7 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-G1YlhXrAlb9vO1Q7 rect.text{fill:none;stroke-width:0;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .icon-shape,#mermaid-svg-G1YlhXrAlb9vO1Q7 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .icon-shape p,#mermaid-svg-G1YlhXrAlb9vO1Q7 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .icon-shape .label rect,#mermaid-svg-G1YlhXrAlb9vO1Q7 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-G1YlhXrAlb9vO1Q7 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-G1YlhXrAlb9vO1Q7 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-G1YlhXrAlb9vO1Q7 :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

数据层

消息队列

业务服务层

网关层

客户端层

1. 请求秒杀页面（静态）

2. 转发秒杀请求

3. 执行 Lua 脚本扣库存

4. 返回扣减结果

5. 发送订单消息

6. 消费消息创建订单

定时同步库存

用户浏览器/CDN

Nginx 限流/静态资源

秒杀微服务

Redis 集群

Lua 脚本执行器

RocketMQ Broker

MySQL 订单库

Redis 库存缓存

这种高质量输出得益于 Pro 的超长上下文窗口和深度推理链，能一次性处理复杂要求，无需反复追问。

3. 场景二：Codex 驱动的自动化数据处理流水线

Codex 的真正威力在于理解工程上下文。我们可以在项目根目录配置 AGENTS.md，让 Codex 按照团队规范生成代码。下面是一个使用 Python 处理数据清洗任务的示例，展示如何通过 AGENTS.md 约束 Codex 行为。

3.1 AGENTS.md 配置

在项目根目录创建 AGENTS.md：

# AGENTS.md

## 项目背景
一个电商数据分析工具，从 CSV 文件读取订单数据，进行清洗、聚合，并输出报表。

## 技术栈
– Python 3.12
– pandas 2.2.0
– 使用 Poetry 管理依赖

## 编码规范
– 所有函数必须包含 docstring（Google 风格）
– 变量命名：snake_case
– 错误处理：必须使用 try-except 并记录日志
– 禁止使用全局变量，所有配置通过环境变量读取

## 任务约束
– 修改代码前必须先运行现有测试
– 新增功能必须附带单元测试
– 输出文件路径由环境变量 OUTPUT_DIR 指定

3.2 向 Codex 发送任务

在 ChatGPT 对话中上传 AGENTS.md，然后输入：

请根据 AGENTS.md 规范，编写一个数据清洗脚本：
1. 读取 orders.csv，包含字段：order_id, customer_id, amount, status, created_at
2. 过滤掉 status 为 'cancelled' 的行
3. 将 amount 小于 0 的异常值替换为 None
4. 按 customer_id 分组，计算总金额和订单数
5. 输出清洗后的 CSV 到 OUTPUT_DIR/cleaned_orders.csv

3.3 Codex 生成的代码

"""数据清洗脚本：处理订单数据并输出聚合报表."""

import os
import logging
import pandas as pd

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

def load_orders(file_path: str) –> pd.DataFrame:
"""加载订单 CSV 文件.

Args:
file_path: CSV 文件路径.

Returns:
包含订单数据的 DataFrame.

Raises:
FileNotFoundError: 如果文件不存在.
"""
try:
df = pd.read_csv(file_path)
logger.info(f"成功加载 {len(df)} 条记录")
return df
except FileNotFoundError as e:
logger.error(f"文件未找到: {file_path}")
raise

def clean_orders(df: pd.DataFrame) –> pd.DataFrame:
"""清洗订单数据: 过滤取消状态、修正异常金额.

Args:
df: 原始订单 DataFrame.

Returns:
清洗后的 DataFrame.
"""
# 过滤 cancelled 状态
df = df[df["status"] != "cancelled"].copy()
logger.info(f"过滤后剩余 {len(df)} 条记录")

# 修正异常金额
df.loc[df["amount"] < 0, "amount"] = None
logger.info(f"金额异常记录数: {df['amount'].isna().sum()}")

return df

def aggregate_orders(df: pd.DataFrame) –> pd.DataFrame:
"""按客户聚合订单数据.

Args:
df: 清洗后的订单 DataFrame.

Returns:
聚合后的 DataFrame，包含客户总金额和订单数.
"""
agg_df = df.groupby("customer_id", as_index=False).agg(
total_amount=("amount", "sum"),
order_count=("order_id", "count")
)
logger.info(f"聚合后客户数: {len(agg_df)}")
return agg_df

def save_results(df: pd.DataFrame, output_dir: str) –> None:
"""保存结果到指定目录.

Args:
df: 要保存的 DataFrame.
output_dir: 输出目录，由环境变量指定.
"""
os.makedirs(output_dir, exist_ok=True)
output_path = os.path.join(output_dir, "cleaned_orders.csv")
df.to_csv(output_path, index=False)
logger.info(f"结果已保存至 {output_path}")

def main():
output_dir = os.environ.get("OUTPUT_DIR", "./output")
file_path = "orders.csv"

try:
df = load_orders(file_path)
df = clean_orders(df)
agg_df = aggregate_orders(df)
save_results(agg_df, output_dir)
except Exception as e:
logger.exception(f"处理失败: {e}")
raise

if __name__ == "__main__":
main()

这份代码完全遵循了 AGENTS.md 的约束：Google 风格 docstring、错误处理、环境变量配置、禁止全局变量。Codex 通过理解整个项目上下文，生成的代码几乎可以直接合并到主分支，大幅减少了人工调整的工作量。

4. 场景三：ChatGPT Plus 在智能运维中的实时根因分析

ChatGPT Plus 的 GPT-4o 模型具备强大的多模态理解能力，不仅能处理文字，还能分析日志图表。结合 Prometheus 告警，可以构建一个自动化的根因分析助手。

4.1 工作流概述

#mermaid-svg-0zZs0ydsvhSsAbe9{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-0zZs0ydsvhSsAbe9 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-0zZs0ydsvhSsAbe9 .error-icon{fill:#552222;}#mermaid-svg-0zZs0ydsvhSsAbe9 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-0zZs0ydsvhSsAbe9 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .marker.cross{stroke:#333333;}#mermaid-svg-0zZs0ydsvhSsAbe9 svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-0zZs0ydsvhSsAbe9 p{margin:0;}#mermaid-svg-0zZs0ydsvhSsAbe9 .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .cluster-label text{fill:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .cluster-label span{color:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .cluster-label span p{background-color:transparent;}#mermaid-svg-0zZs0ydsvhSsAbe9 .label text,#mermaid-svg-0zZs0ydsvhSsAbe9 span{fill:#333;color:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .node rect,#mermaid-svg-0zZs0ydsvhSsAbe9 .node circle,#mermaid-svg-0zZs0ydsvhSsAbe9 .node ellipse,#mermaid-svg-0zZs0ydsvhSsAbe9 .node polygon,#mermaid-svg-0zZs0ydsvhSsAbe9 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .rough-node .label text,#mermaid-svg-0zZs0ydsvhSsAbe9 .node .label text,#mermaid-svg-0zZs0ydsvhSsAbe9 .image-shape .label,#mermaid-svg-0zZs0ydsvhSsAbe9 .icon-shape .label{text-anchor:middle;}#mermaid-svg-0zZs0ydsvhSsAbe9 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .rough-node .label,#mermaid-svg-0zZs0ydsvhSsAbe9 .node .label,#mermaid-svg-0zZs0ydsvhSsAbe9 .image-shape .label,#mermaid-svg-0zZs0ydsvhSsAbe9 .icon-shape .label{text-align:center;}#mermaid-svg-0zZs0ydsvhSsAbe9 .node.clickable{cursor:pointer;}#mermaid-svg-0zZs0ydsvhSsAbe9 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .arrowheadPath{fill:#333333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-0zZs0ydsvhSsAbe9 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-0zZs0ydsvhSsAbe9 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-0zZs0ydsvhSsAbe9 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-0zZs0ydsvhSsAbe9 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .cluster text{fill:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 .cluster span{color:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 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-0zZs0ydsvhSsAbe9 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-0zZs0ydsvhSsAbe9 rect.text{fill:none;stroke-width:0;}#mermaid-svg-0zZs0ydsvhSsAbe9 .icon-shape,#mermaid-svg-0zZs0ydsvhSsAbe9 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-0zZs0ydsvhSsAbe9 .icon-shape p,#mermaid-svg-0zZs0ydsvhSsAbe9 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-0zZs0ydsvhSsAbe9 .icon-shape .label rect,#mermaid-svg-0zZs0ydsvhSsAbe9 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-0zZs0ydsvhSsAbe9 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-0zZs0ydsvhSsAbe9 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-0zZs0ydsvhSsAbe9 :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Prometheus 告警触发

获取相关指标截图

ChatGPT Plus 多模态分析

生成根因分析报告

通知运维人员/自动执行修复

具体步骤：

4.2 示例交互

输入（多模态，包含截图和文字）：

[上传 CPU 突增截图]
告警信息：生产环境 payment-service 在 14:32 出现 CPU 飙升，持续 5 分钟。
当前 Pod 数量：3。请分析可能的根因。

模型输出（节选）：

根据 CPU 使用率曲线，14:32 出现尖峰，同时内存使用率平稳，说明不是内存泄漏。结合 payment-service 最近一次部署记录，怀疑是 14:30 上线的代码变更引入了高 CPU 操作。建议：

这种分析能力让初级运维也能快速定位问题，减少平均修复时间（MTTR）。

5. 工程化集成：通过 API 编排 ChatGPT 与 Codex 的能力

对于企业级应用，我们需要将 ChatGPT 和 Codex 的能力通过 API 嵌入自动化流水线。以下是一个 Python 示例，展示如何调用 OpenAI API 实现代码审查（Code Review）自动化。

5.1 流程设计

OpenAI APICI RunnerGitLabDeveloperOpenAI APICI RunnerGitLabDeveloper#mermaid-svg-U7hiSbpDtC7kmpqZ{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-U7hiSbpDtC7kmpqZ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-U7hiSbpDtC7kmpqZ .error-icon{fill:#552222;}#mermaid-svg-U7hiSbpDtC7kmpqZ .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-U7hiSbpDtC7kmpqZ .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-U7hiSbpDtC7kmpqZ .marker{fill:#333333;stroke:#333333;}#mermaid-svg-U7hiSbpDtC7kmpqZ .marker.cross{stroke:#333333;}#mermaid-svg-U7hiSbpDtC7kmpqZ svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-U7hiSbpDtC7kmpqZ p{margin:0;}#mermaid-svg-U7hiSbpDtC7kmpqZ .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-U7hiSbpDtC7kmpqZ text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-U7hiSbpDtC7kmpqZ .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-U7hiSbpDtC7kmpqZ .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-U7hiSbpDtC7kmpqZ #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-U7hiSbpDtC7kmpqZ .sequenceNumber{fill:white;}#mermaid-svg-U7hiSbpDtC7kmpqZ #sequencenumber{fill:#333;}#mermaid-svg-U7hiSbpDtC7kmpqZ #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-U7hiSbpDtC7kmpqZ .messageText{fill:#333;stroke:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-U7hiSbpDtC7kmpqZ .labelText,#mermaid-svg-U7hiSbpDtC7kmpqZ .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .loopText,#mermaid-svg-U7hiSbpDtC7kmpqZ .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-U7hiSbpDtC7kmpqZ .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-U7hiSbpDtC7kmpqZ .noteText,#mermaid-svg-U7hiSbpDtC7kmpqZ .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-U7hiSbpDtC7kmpqZ .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-U7hiSbpDtC7kmpqZ .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-U7hiSbpDtC7kmpqZ .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-U7hiSbpDtC7kmpqZ .actorPopupMenu{position:absolute;}#mermaid-svg-U7hiSbpDtC7kmpqZ .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-U7hiSbpDtC7kmpqZ .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-U7hiSbpDtC7kmpqZ .actor-man circle,#mermaid-svg-U7hiSbpDtC7kmpqZ line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-U7hiSbpDtC7kmpqZ :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}提交 Merge Request触发 CI 流水线发送 Diff + 审查指令返回审查意见自动添加评论到 MR显示 AI 审查结果

5.2 代码实现

"""基于 OpenAI API 的自动化代码审查脚本."""

import os
import requests
from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def get_mr_diff(project_id, mr_id, gitlab_token):
"""获取 GitLab Merge Request 的 diff."""
url = f"https://gitlab.example.com/api/v4/projects/{project_id}/merge_requests/{mr_id}/diffs"
headers = {"PRIVATE-TOKEN": gitlab_token}
response = requests.get(url, headers=headers)
response.raise_for_status()
return response.json()

def review_code(diff_text):
"""调用 GPT-4o 进行代码审查."""
prompt = f"""你是一位资深代码审查员。请审查以下代码变更，重点关注：
1. 潜在的安全漏洞（SQL 注入、XSS 等）
2. 性能问题（不必要的循环、N+1 查询）
3. 代码可读性
请用中文给出具体建议，格式为 Markdown 列表。

```diff
{diff_text}
```
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是一位严格的代码审查员，只输出问题列表。"},
{"role": "user", "content": prompt}
],
temperature=0.2,
max_tokens=2000
)
return response.choices[0].message.content

def post_comment(project_id, mr_id, gitlab_token, comment):
"""将审查意见发布到 GitLab MR."""
url = f"https://gitlab.example.com/api/v4/projects/{project_id}/merge_requests/{mr_id}/notes"
headers = {"PRIVATE-TOKEN": gitlab_token}
data = {"body": comment}
response = requests.post(url, headers=headers, json=data)
response.raise_for_status()
return response.json()

def main():
project_id = os.getenv("CI_PROJECT_ID")
mr_id = os.getenv("CI_MERGE_REQUEST_IID")
gitlab_token = os.getenv("GITLAB_TOKEN")

diffs = get_mr_diff(project_id, mr_id, gitlab_token)
diff_text = "\\n".join([d["diff"] for d in diffs])

if len(diff_text) > 10000:
# 超过限制时分段审查
# 这里简化处理，实际可分段发送
pass

review = review_code(diff_text)
post_comment(project_id, mr_id, gitlab_token, review)
print("Code review completed.")

if __name__ == "__main__":
main()

此脚本可集成到 GitLab CI 中，每次 MR 创建时自动触发审查，将 AI 的意见直接添加到 MR 评论区，帮助开发者在代码合并前发现问题。

6. 最佳实践与避坑指南

6.1 模型选择策略

• 日常开发辅助：ChatGPT Plus 足够，GPT-4o 的代码生成和解释能力已满足大部分需求。
• 复杂架构设计：使用 ChatGPT Pro，其深度推理模式能处理多步骤、多约束的决策问题。
• 代码生成与自动化：优先使用 Codex 或支持 AGENTS.md 的 GPT-4o，确保输出符合团队规范。

6.2 提示词工程核心

针对技术任务，提示词应包含以下要素：

• 角色设定：“你是一位资深 Python 后端工程师”
• 输出格式：“请用 JSON 格式返回，包含字段 code 和 explanation”
• 约束条件：“遵循 PEP 8 规范，使用类型注解”
• 示例：提供一两个期望的输入输出示例

6.3 安全与合规

• 敏感信息脱敏：在调用 API 前，务必移除代码中的硬编码密钥、数据库密码等。
• 数据隐私：非必要不上传生产数据，使用脱敏后的测试数据。
• 权限控制：API key 使用最小权限原则，限制 IP 白名单。

7. 总结与展望

ChatGPT Plus、Pro 和 Codex 正在从“玩具”进化为“基础设施”。通过本文的实战案例，我们看到了它们在架构设计、数据处理、智能运维和自动化审查中的落地价值。对于技术团队而言，关键不在于购买最贵的套餐，而在于如何将模型能力嵌入现有工程体系，建立标准化、可复用的 AI 工作流。

未来，随着模型理解能力的进一步增强，我们可以期待更多“零代码”集成方式——例如，直接通过自然语言配置 CI/CD 流水线，或者让 AI 自主修复简单的线上故障。但无论如何，一个清晰的 AGENTS.md、一套规范的 API 调用模式，以及一套安全准则，将是任何团队拥抱 AI 时代的基石。

现在，是时候在你的项目里引入这些能力了。从一两个小场景开始，逐步扩大应用范围，你会发现，AI 辅助开发的真正价值远不止生成代码那么简单。