ChatGPT Plus / Pro + Codex 实战指南（2026年9月1日）

1. 引言

2026 年，OpenAI 的 ChatGPT Plus 与 Pro 订阅方案，配合 Codex 编程助手，已经成为开发者日常工作中不可或缺的工具组合。ChatGPT 负责对话式理解与方案设计，Codex 则专注于代码生成、审查与自动化重构。两者结合，可以显著提升从需求分析到代码落地的全流程效率。

本文不涉及任何充值或账号购买相关内容，纯粹从技术角度出发，围绕 ChatGPT Plus / Pro 与 Codex 的 API 调用、本地集成、自动化工作流、代码审查、测试生成等场景，给出可运行的代码示例与工程实践建议。全文约 3000 字，所有示例均基于 Python 与 OpenAI 官方 SDK 编写，读者可复制后直接运行。

2. 环境准备与依赖安装

在开始之前，需要准备 Python 3.10 或更高版本，并安装 OpenAI 官方 SDK。建议使用虚拟环境隔离依赖。

python -m venv venv
source venv/bin/activate # Windows 下使用 venv\\Scripts\\activate
pip install –upgrade openai python-dotenv

安装完成后，在项目根目录创建 .env 文件，用于存放 API 密钥。注意：本文假设读者已经拥有合法的 API 访问权限，且不会讨论任何获取密钥的非常规途径。

OPENAI_API_KEY=sk-your-key-here

加载环境变量并初始化客户端：

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

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

3. 使用 ChatGPT 模型进行对话与代码生成

ChatGPT Plus 与 Pro 订阅的核心价值之一，是可以通过 API 调用 GPT 系列模型，完成自然语言理解、代码生成、文档撰写等任务。下面是一个基础的对话补全示例。

response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是一名资深 Python 工程师，擅长编写高质量、可维护的代码。"},
{"role": "user", "content": "请编写一个函数，用于计算斐波那契数列的第 n 项，要求使用迭代方式实现。"},
],
temperature=0.3,
)

print(response.choices[0].message.content)

运行上述代码，模型会返回一段完整的 Python 实现。通过调整 temperature 参数，可以控制输出的随机性：数值越低，输出越确定；数值越高，输出越多样。

4. 使用 Codex 模型进行代码补全与审查

Codex 是 OpenAI 推出的编程专用模型，擅长代码补全、代码审查、Bug 修复等任务。与 ChatGPT 的对话式接口不同，Codex 更侧重于代码上下文的理解与生成。

4.1 代码补全

response = client.completions.create(
model="codex-1",
prompt="def quick_sort(arr):\\n if len(arr) <= 1:\\n return arr\\n pivot = arr[len(arr) // 2]\\n left = [x for x in arr if x < pivot]\\n middle = [x for x in arr if x == pivot]\\n right = [x for x in arr if x > pivot]\\n return quick_sort(left) + middle + quick_sort(right)\\n\\n# 测试用例\\nprint(quick_sort([3, 6, 8, 10, 1, 2, 1]))",
max_tokens=200,
temperature=0.2,
)

print(response.choices[0].text)

4.2 代码审查

Codex 也可以用于代码审查。将待审查的代码片段作为输入，让模型指出潜在问题并给出改进建议。

code_snippet = """
def fetch_data(url):
import requests
response = requests.get(url)
return response.json()
"""

response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是一名严格的代码审查专家，请指出代码中的问题并给出改进建议。"},
{"role": "user", "content": f"请审查以下代码：\\n{code_snippet}"},
],
)

print(response.choices[0].message.content)

5. 构建自动化代码生成工作流

将 ChatGPT 与 Codex 结合，可以构建一个自动化的代码生成流水线：先由 ChatGPT 理解需求并生成设计文档，再由 Codex 根据设计文档生成具体实现。

def generate_code_from_requirement(requirement: str) –> str:
# 第一步：使用 ChatGPT 生成设计文档
design_response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是一名系统架构师，请根据需求输出详细的设计文档。"},
{"role": "user", "content": requirement},
],
)
design_doc = design_response.choices[0].message.content

# 第二步：使用 Codex 根据设计文档生成代码
code_response = client.completions.create(
model="codex-1",
prompt=f"根据以下设计文档生成 Python 代码：\\n{design_doc}\\n\\n代码：",
max_tokens=1500,
temperature=0.2,
)
return code_response.choices[0].text

requirement = "实现一个简单的任务队列，支持添加任务、执行任务、查询任务状态。"
generated_code = generate_code_from_requirement(requirement)
print(generated_code)

6. 使用 Codex 自动生成单元测试

单元测试是保证代码质量的重要手段。Codex 可以根据已有代码自动生成测试用例，减少手动编写测试的工作量。

def generate_unit_tests(source_code: str) –> str:
response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是一名测试工程师，请为给定的代码生成 pytest 单元测试。"},
{"role": "user", "content": f"请为以下代码生成单元测试：\\n{source_code}"},
],
temperature=0.2,
)
return response.choices[0].message.content

source = """
def add(a, b):
return a + b

def subtract(a, b):
return a – b
"""

tests = generate_unit_tests(source)
print(tests)

7. 将 ChatGPT 与 Codex 集成到 CI/CD 流水线

在实际工程中，可以将 ChatGPT 与 Codex 集成到 CI/CD 流水线中，实现自动化的代码审查与文档生成。以下是一个基于 GitHub Actions 的示例。

name: AI Code Review

on:
pull_request:
types: [opened, synchronize]

jobs:
ai-review:
runs-on: ubuntu–latest
steps:
– name: Checkout code
uses: actions/checkout@v4

– name: Set up Python
uses: actions/setup–python@v5
with:
python-version: "3.10"

– name: Install dependencies
run: pip install openai python–dotenv

– name: Run AI code review
env:
OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
run: |
python scripts/ai_review.py

对应的 scripts/ai_review.py 脚本：

import os
import subprocess
from openai import OpenAI

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

def get_changed_files():
result = subprocess.run(
["git", "diff", "–name-only", "origin/main…HEAD"],
capture_output=True,
text=True,
)
return result.stdout.strip().split("\\n")

def review_file(file_path: str) –> str:
with open(file_path, "r", encoding="utf-8") as f:
content = f.read()
response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是一名资深代码审查专家，请输出审查意见。"},
{"role": "user", "content": f"请审查以下文件：\\n{file_path}\\n\\n{content}"},
],
)
return response.choices[0].message.content

if __name__ == "__main__":
files = get_changed_files()
for file in files:
if file.endswith(".py"):
print(f"审查文件：{file}")
print(review_file(file))

8. 使用 Codex 进行代码重构

代码重构是日常开发中常见的需求。Codex 可以识别代码中的坏味道，并给出重构建议或直接生成重构后的代码。

def refactor_code(source_code: str) –> str:
response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是一名代码重构专家，请优化代码结构，提升可读性与可维护性。"},
{"role": "user", "content": f"请重构以下代码：\\n{source_code}"},
],
temperature=0.1,
)
return response.choices[0].message.content

messy_code = """
def process(data):
result = []
for item in data:
if item['type'] == 'a':
result.append(item['value'] * 2)
elif item['type'] == 'b':
result.append(item['value'] * 3)
return result
"""

refactored = refactor_code(messy_code)
print(refactored)

9. 结合向量数据库构建代码知识库

对于大型项目，可以将代码库向量化，构建一个语义检索系统。当开发者提问时，先检索相关代码片段，再交给 ChatGPT 生成回答。这样可以显著提升回答的准确性。

from openai import OpenAI
import numpy as np

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

def embed_text(text: str) –> list:
response = client.embeddings.create(
model="text-embedding-3-small",
input=text,
)
return response.data[0].embedding

def cosine_similarity(a: list, b: list) –> float:
a = np.array(a)
b = np.array(b)
return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# 示例：将代码片段向量化并检索
code_snippets = [
"def add(a, b): return a + b",
"def quick_sort(arr): …",
"class DatabaseConnection: …",
]

embeddings = [embed_text(snippet) for snippet in code_snippets]

query = "如何实现两个数相加？"
query_embedding = embed_text(query)

similarities = [cosine_similarity(query_embedding, emb) for emb in embeddings]
best_match_index = np.argmax(similarities)
print(f"最相关的代码片段：{code_snippets[best_match_index]}")

10. 总结与最佳实践

ChatGPT Plus / Pro 与 Codex 的组合，为开发者提供了一套完整的 AI 辅助开发解决方案。从需求分析、代码生成、测试编写到代码审查与重构，每一个环节都可以借助 AI 提升效率。

在实际使用中，建议遵循以下最佳实践：

• 明确任务边界：ChatGPT 擅长理解与设计，Codex 擅长代码生成与补全，合理分工可以发挥各自优势。
• 控制输出质量：通过调整 temperature 参数与 max_tokens 限制，避免输出过长或过于随意的内容。
• 建立反馈闭环：将 AI 生成的代码纳入人工审查流程，确保代码质量与安全性。
• 保护敏感信息：不要在提示词中传入密钥、密码等敏感信息，避免泄露风险。

希望本文的示例能够帮助读者更好地利用 ChatGPT Plus / Pro 与 Codex 提升开发效率。未来，随着模型能力的持续进化，AI 辅助编程的边界还将不断拓展。