1. 引言

现在使用 ChatGPT 写资料、做方案已经比较常见，但如果任务进一步涉及本地文件、代码修改、命令运行、截图整理和结果验证，单靠普通对话就不够顺手。新版 Codex 的价值就在这里：ChatGPT 更适合做思路整理和方案判断，Codex 更适合进入真实项目，把文件改出来、命令跑出来、结果检查出来。

这套方法的核心是：先在 ChatGPT 中把问题说清楚，再交给 Codex 在本地项目中执行，最后把结果整理成可复盘的交付记录。 文中使用的模型口径以 GPT-5.6 系列为主，同时对比 GPT-5.5 在用量和 token 花费上的变化。

图1 ChatGPT 与 Codex 协同工作流

2. 网页版界面：从 Chat 切到 Work

ChatGPT 网页端顶部可以看到 Chat 和 Work 两种入口。
Chat 更适合直接提问、讨论方案和整理表达；当账户中出现 Work 时，则可以把文件、项目、已安排任务和工具连接放进同一个工作界面中，适合处理持续时间更长的任务。

左侧栏可以快速进入新聊天、搜索聊天、文件库、项目、已安排任务和插件等区域。实际可见入口会随账户计划、地区和功能分批上线情况变化，以自己的页面为准。

下方输入区的模型菜单是开始任务前最值得检查的位置。处理复杂的本地项目或多步骤任务时可选 GPT-5.6 Sol；日常资料整理、代码修改和脚本编写可优先考虑 Terra；格式固定、重复性强的任务可使用 Luna。

图2 ChatGPT 网页版 Chat / Work 工作界面

3. ChatGPT 和 Codex 的分工

ChatGPT 和 Codex 并不是互相替代的关系，更像是同一套工作流里的两个环节。

ChatGPT 更适合做“想清楚”的部分，例如澄清需求、比较不同方案、梳理约束条件、拆分任务清单、把零散描述改写成可执行的验收标准。开始编码前，可以先让 ChatGPT 把目标、输入输出、边界条件、风险点和测试项整理清楚。

Codex 更适合做“落到文件里”的部分，例如读取项目文件、定位调用关系、修改代码、运行脚本、执行测试、检查输出和整理交付物。它能直接工作在本地目录中，所以适合处理带有文件上下文的任务。

比较推荐的顺序是：

1. 在 ChatGPT 中先讨论目标、约束和验收标准。
2. 把明确后的任务交给 Codex。
3. Codex 读取本地资料、分析代码结构、完成修改并运行验证。
4. 人工检查一遍改动范围、测试结果、隐私信息和交付内容。
5. 根据验证结果补充说明、提交变更或进入下一轮迭代。

4. 新版 GPT-5.6 模型怎么选

新版 Codex 里比较常见的是 GPT-5.6 Sol、GPT-5.6 Terra 和 GPT-5.6 Luna。官方文档对它们的定位比较清楚：Sol 偏复杂任务，Terra 偏日常主力，Luna 偏快速和低成本。GPT-5.5 则属于上一代模型，仍然能处理复杂 coding、知识工作和研究任务，但新任务一般可以先从 5.6 系列开始。

图3 官方模型信息摘录

可以简单理解为：不确定时先用 Sol；任务很清楚时用 Terra；任务只是固定格式整理时用 Luna。

图4 GPT-5.6 与 GPT-5.5 的选择逻辑

5. 5.6 和 5.5 的 token 花费对比

新版 Codex 的用量理解重点已经从“发了多少条消息”逐渐转向“用了多少 token 和 credit”。官方计费口径把 Codex 用量拆成三类：输入 token、缓存输入 token 和输出 token。

图5 Codex token 用量结构

其中，输入 token 包括提示词、文件内容、工具返回结果等；缓存输入 token 指重复上下文命中缓存后的部分；输出 token 则包括回复、代码、总结以及推理过程中产生的输出。一次任务的大致消耗可以按下面这个思路理解：

$$Credits=\frac{T_{in}}{10^6}{C}_{in}+\frac{T_{cache}}{10^6}{C}_{cache}+\frac{T_{out}}{10^6}{C}_{out}$$

其中，$T_{in}$、$T_{cache}$、$T_{out}$ 分别表示输入、缓存输入和输出 token 数，$C_{in}$、$C_{cache}$、$C_{out}$ 表示对应模型每 100 万 token 的 credit 费率。

图6 官方用量与计费信息摘录

模型	输入 credits / 1M tokens	缓存输入 credits / 1M tokens	输出 credits / 1M tokens
GPT-5.6 Sol	125	12.5	750
GPT-5.6 Terra	62.5	6.25	375
GPT-5.6 Luna	25	2.5	150
GPT-5.5	125	12.50	750

从这个表可以看出一个很重要的变化：GPT-5.6 Sol 的 token 费率和 GPT-5.5 基本一致，但 5.6 系列额外提供了 Terra 和 Luna 两个更省的选择。 也就是说，新版并不是简单“更强所以更贵”，而是把任务拆成不同档位，让常规任务可以用更便宜的模型完成。

举一个粗略例子，如果一次 Codex 任务用了 20000 个输入 token、5000 个缓存输入 token、3000 个输出 token，那么：

模型	粗略 credits
GPT-5.6 Sol	约 4.81
GPT-5.6 Terra	约 2.41
GPT-5.6 Luna	约 0.96
GPT-5.5	约 4.81

这个例子说明，任务如果不需要 Sol 的深度推理和细节打磨，换成 Terra 或 Luna 会明显省用量。尤其是整理表格、生成固定格式摘要、批量改写这类任务，用 Luna 往往更合适。

6. 使用用量的变化

从使用限制上看，官方文档给出的 Codex 本地消息窗口也体现了 5.6 系列的差异。以五小时窗口为例，Plus 档位下 GPT-5.6 Sol 约为 15 到 90 条本地消息，GPT-5.5 约为 15 到 80 条；GPT-5.6 Terra 约为 20 到 110 条，GPT-5.6 Luna 约为 50 到 280 条。Pro 档位整体约为 20 倍量级。

计划与模型	本地消息 / 5h
Plus：GPT-5.6 Sol	15-90
Plus：GPT-5.6 Terra	20-110
Plus：GPT-5.6 Luna	50-280
Plus：GPT-5.5	15-80
Pro：GPT-5.6 Sol	300-1800
Pro：GPT-5.6 Terra	400-2200
Pro：GPT-5.6 Luna	1000-5600
Pro：GPT-5.5	300-1600

这里不能只看最高条数，因为实际消耗会受模型、上下文长度、推理档位、工具调用、检索和缓存命中影响。官方也说明，类似任务的消耗可能不同，单靠提示词长度不能准确估算。

实际使用时可以按下面的规则控制用量：

1. 任务不明确时，先让 ChatGPT 帮忙收窄问题，不要直接把一大堆文件全丢给 Codex。
2. 小修改优先用 Terra 或 Luna，复杂重构再切 Sol。
3. 能分阶段验证的任务不要一次性做完，先让 Codex 读结构、列计划，再执行关键修改。
4. 截图、联网搜索、生成图片这类操作会额外增加消耗，任务执行前要有选择地使用。
5. 同一项目连续工作时，尽量保留同一个任务上下文，让缓存更容易发挥作用。

7. 一套比较顺手的项目流程

处理一个真实项目时，可以把 ChatGPT 和 Codex 分成四步使用。

第一步，先用 ChatGPT 定义问题。比如要优化一个控制算法、补齐一段数据处理脚本，或排查一次测试失败，可以先明确目标、输入输出、限制条件和验收方式。这个阶段不需要急着让工具操作本地文件。

第二步，让 Codex 读取项目约定和已有代码。可以先让它查看目录结构、构建命令、测试入口和相关模块，再提出一个小范围的实施计划。这样能减少盲目修改，也方便人工确认影响范围。

第三步，让 Codex 分阶段实现并验证。先完成一个可检查的小改动，再运行单元测试、脚本或构建命令；遇到错误时，把报错、相关文件和预期行为一起交给它分析。需要截图时，只保留功能区域，避免露出真实项目名、账号邮箱、聊天记录、文件路径、API Key、学校姓名学号等内容。

第四步，交付前做一次检查。重点看改动是否符合需求、测试是否通过、是否引入回归、配置和文档是否同步、是否暴露隐私信息。

8. 推荐的模型使用习惯

日常使用中，不建议所有任务都开最高档。比较稳的习惯是：

场景	推荐选择
需求拆解、整理资料、总结网页	ChatGPT + GPT-5.6 Terra
生成固定格式表格、摘要、清单	GPT-5.6 Luna
本地项目小改动、跑脚本、补齐技术说明	Codex + GPT-5.6 Terra
多文件重构、复杂调试、长文档打磨	Codex + GPT-5.6 Sol
大任务并行拆分	Sol + High / Extra High，必要时再用 Ultra
只是问概念或改一句话	不需要高推理档位

这样做的好处是：简单任务不会浪费 Sol 的额度，复杂任务又能保留足够的推理能力。尤其是日常开发、数据处理和脚本维护这类任务，大部分工作都可以先用 Terra 或 Luna 完成。

9. 总结

新版 Codex 和 ChatGPT 结合使用时，核心不是“哪个更强”，而是把工作拆清楚：ChatGPT 负责思路、结构和表达，Codex 负责本地文件、代码、运行和验证。

GPT-5.6 相比 GPT-5.5 的变化也比较明显。Sol 保持高能力，token 费率与 5.5 接近；Terra 更适合日常工作，在成本上更友好；Luna 则适合清晰、重复、固定格式的任务。实际使用时，先根据任务难度选择模型，再根据结果逐步提高推理档位，会比一开始就开最高配置更省。

一句话总结：复杂任务用 Sol，日常任务用 Terra，固定格式任务用 Luna；先用 ChatGPT 想清楚，再用 Codex 做出来。

参考资料

1. OpenAI / ChatGPT Learn：Codex Models
   https://learn.chatgpt.com/docs/models

2. OpenAI / ChatGPT Learn：Codex Pricing
   https://learn.chatgpt.com/docs/pricing

3. OpenAI / ChatGPT Learn：ChatGPT Desktop App
   https://learn.chatgpt.com/docs/app

4. OpenAI / ChatGPT Learn：Codex CLI
   https://learn.chatgpt.com/docs/codex/cli

5. OpenAI / ChatGPT Learn：Codex IDE Extension
   https://learn.chatgpt.com/docs/codex/ide