1. 引言

2026 年，AI 编程与写作工具的边界正在快速消融。ChatGPT Plus 与 Pro 订阅带来的模型能力差异，加上 Codex 这一编程智能体的加持，让「一个人 + AI = 一支团队」从口号变成了现实。

今天这篇文章，我们不谈充值、不谈价格，只谈实战。我会带你从零开始，用 ChatGPT Plus / Pro 搭配 Codex，搭建一条真正能跑起来的自动化写作流水线——从选题、资料收集、初稿生成，到代码示例校验、排版优化，再到一键发布。全程 3000 字以上，步骤清晰，代码可复制，配置可直接套用。

无论你是技术博主、独立开发者，还是内容团队的运营，这篇文章都会给你一套立即可用的方法论。

2. 核心概念：ChatGPT Plus / Pro 与 Codex 的分工

在动手之前，先厘清三个关键角色。

2.1 ChatGPT Plus 与 Pro 的定位差异

ChatGPT Plus 和 Pro 是 OpenAI 面向不同需求的两档订阅。Plus 适合日常高频使用，Pro 则面向重度用户，提供更强的推理算力和更长的上下文窗口。在实际写作场景中，Pro 的优势主要体现在：

• 更长的上下文记忆，适合处理整本书级别的资料；
• 更强的多步推理能力，适合复杂的技术方案设计；
• 更高的调用额度，适合批量生成和反复迭代。

2.2 Codex：从「聊天」到「执行」

Codex 是 OpenAI 推出的编程智能体，它不只是聊天，而是能真正操作代码仓库、运行命令、读写文件。它和 ChatGPT 的关系可以这样理解：

• ChatGPT 负责「想」：拆解问题、设计方案、生成内容；
• Codex 负责「做」：把方案落地成代码、跑测试、改文件。

在写作流水线中，Codex 的价值在于：它能帮你自动验证文章里的代码示例是否真的能跑通，能批量处理 Markdown 文件的格式，甚至能帮你把文章推送到 Git 仓库触发发布。

2.3 三者协作的完整链路

这条链路的核心思想是：让语言模型做语言的事，让编程智能体做代码的事。两者各司其职，效率最高。

3. 环境准备：搭建本地工作区

在开始之前，我们需要一个干净的工作目录。这里我以 macOS / Linux 为例，Windows 用户请使用 WSL 或 Git Bash。

# 创建项目目录
mkdir -p ~/ai-writing-pipeline/{drafts,assets,scripts,output}
cd ~/ai-writing-pipeline

# 初始化 Git 仓库
git init

# 创建 Python 虚拟环境（用于后续脚本）
python3 -m venv .venv
source .venv/bin/activate

目录结构说明：

• drafts/：存放 ChatGPT 生成的原始 Markdown 草稿；
• assets/：存放图片、截图等素材；
• scripts/：存放 Codex 要执行的自动化脚本；
• output/：存放最终排版完成的文章。

4. 实战第一步：用 ChatGPT 生成结构化大纲

打开 ChatGPT（Plus 或 Pro 均可），输入以下提示词模板。这里的关键是让模型先给大纲，而不是直接给全文，这样便于你控制文章走向。

你是一位资深技术博主。请为以下主题生成一篇技术实战文章的大纲：

主题：用 ChatGPT Plus / Pro + Codex 搭建自动化写作流水线
目标读者：有编程基础的内容创作者
字数要求：3000 字以上
风格：实战、步骤清晰、有代码示例

要求：
1. 输出 Markdown 格式的二级标题大纲；
2. 每个章节下用一句话说明该章要写什么；
3. 至少包含一个 Mermaid 流程图和一个代码示例；
4. 大纲控制在 8-12 个章节。

ChatGPT 会返回一份结构化大纲。你可以直接复制到 drafts/outline.md 中保存：

cat > drafts/outline.md << 'EOF'
# 文章大纲

## 1. 引言
说明文章背景与目标。

## 2. 核心概念
解释 ChatGPT Plus/Pro 与 Codex 的分工。

## 3. 环境准备
搭建本地工作区。

## 4. 生成大纲
用 ChatGPT 生成结构化大纲。

## 5. 生成初稿
用 ChatGPT 分章节生成正文。

## 6. Codex 校验代码
用 Codex 自动验证代码示例。

## 7. 润色与排版
用 ChatGPT 优化表达与格式。

## 8. 自动化发布
用 Codex 推送文章到发布平台。

## 9. 常见问题
解答实践中的高频问题。

## 10. 总结
回顾全文要点。
EOF

5. 实战第二步：分章节生成初稿

大纲确认后，不要一次性让 ChatGPT 生成全文——那样容易跑偏。正确做法是逐章节生成，每生成一节就粘贴到 drafts/article.md 中。

请根据以下大纲，撰写「第 5 章：生成初稿」的正文内容。

要求：
1. 500-800 字；
2. 包含至少一个可运行的代码示例；
3. 语言平实，避免空话套话；
4. 直接输出 Markdown 格式，不要额外解释。

大纲内容：
## 5. 生成初稿
用 ChatGPT 分章节生成正文。

逐章生成的好处有三个：

• 每一节的质量都更高，因为上下文更聚焦；
• 你可以随时调整方向，不必推倒重来；
• 每节内容都能被 Codex 单独校验，出错范围更小。

6. 实战第三步：用 Codex 自动校验代码示例

这是整条流水线中最有价值的一步。人工校验代码既慢又容易漏，而 Codex 可以自动读取文章中的代码块，逐个运行验证。

首先，写一个提取代码块的脚本 scripts/extract_code.py：

#!/usr/bin/env python3
"""从 Markdown 文章中提取所有代码块，按语言分类保存。"""
import re
import sys
from pathlib import Path

def extract_code_blocks(md_path: Path) -> dict:
    """提取 Markdown 中的代码块，返回 {语言: [代码列表]}。"""
    content = md_path.read_text(encoding="utf-8")
    pattern = re.compile(r"```(\w+)?\n(.*?)```", re.DOTALL)
    blocks = {}
    for match in pattern.finditer(content):
        lang = match.group(1) or "text"
        code = match.group(2).strip()
        blocks.setdefault(lang, []).append(code)
    return blocks

def main():
    if len(sys.argv) != 2:
        print("用法: python extract_code.py <article.md>")
        sys.exit(1)
    md_path = Path(sys.argv[1])
    blocks = extract_code_blocks(md_path)
    for lang, codes in blocks.items():
        print(f"语言: {lang}, 代码块数: {len(codes)}")
        for i, code in enumerate(codes, 1):
            print(f"  [{i}] {code[:80]}...")

if __name__ == "__main__":
    main()

然后在 Codex 中执行：

请运行 scripts/extract_code.py drafts/article.md，
列出文章中所有代码块的语言和数量，
并逐个检查 Python 代码块是否能通过语法检查（使用 py_compile）。

Codex 会自动执行命令、读取输出、定位问题代码，并给出修复建议。如果发现错误，你可以直接让它修复：

文章第 3 个 Python 代码块有语法错误，
请修复它，并确保修复后的代码能通过 py_compile 检查。

7. 实战第四步：润色与排版

代码校验通过后，回到 ChatGPT 进行润色。这里有一个技巧：把整篇文章粘贴给 ChatGPT，并给出明确的润色指令。

请对以下文章进行润色，要求：

1. 保持所有代码块、Mermaid 图、表格原样不动；
2. 修正语病和错别字；
3. 统一术语：全文统一使用「ChatGPT Plus / Pro」和「Codex」；
4. 优化段落过渡，让行文更流畅；
5. 输出完整的 Markdown 原文，不要省略任何部分。

润色完成后，把结果保存到 output/final.md。此时文章已经具备发布质量。

8. 实战第五步：自动化发布

最后一步，用 Codex 把文章推送到你的发布仓库。这里以 GitHub Pages + Hugo 为例：

# 假设你的 Hugo 站点在 ~/my-blog
cd ~/my-blog
cp ~/ai-writing-pipeline/output/final.md content/posts/2026-08-28-chatgpt-codex-writing-pipeline.md

# 构建站点
hugo --minify

# 提交并推送
git add .
git commit -m "发布：ChatGPT Plus/Pro + Codex 自动化写作流水线"
git push origin main

在 Codex 中，你只需要一句话：

请把 output/final.md 复制到 ~/my-blog/content/posts/ 下，
命名为 2026-08-28-chatgpt-codex-writing-pipeline.md，
然后执行 hugo --minify 构建，最后 git add/commit/push 推送发布。

Codex 会一步步执行这些命令，并在遇到错误时自动排查修复。

9. 常见问题与避坑指南

9.1 ChatGPT 生成的内容重复怎么办？

在提示词中明确要求「不要重复前文观点」，或者把前文摘要作为上下文提供给模型。

9.2 Codex 修改代码时破坏了其他部分？

建议在 Codex 执行修改前，先 git commit 保存当前状态。这样即使改坏了，也能一键回滚。

9.3 文章太长，ChatGPT 记不住？

分章节处理。每章独立生成，最后用脚本拼接：

cat drafts/chapter-*.md > output/final.md

9.4 Mermaid 图在部分平台渲染异常？

避免在节点文本中使用未加引号的特殊字符。统一使用 A["文本"] 的写法。

10. 总结

回顾一下，我们用 ChatGPT Plus / Pro + Codex 搭建了一条完整的自动化写作流水线：

1. 选题与大纲：ChatGPT 生成结构化大纲；
2. 初稿生成：逐章节生成，保证质量；
3. 代码校验：Codex 自动提取并验证代码示例；
4. 润色排版：ChatGPT 统一风格与术语；
5. 自动发布：Codex 一键构建并推送。

这套流水线的核心价值在于：把重复劳动交给 AI，把创作决策留给自己。ChatGPT 负责内容生产，Codex 负责工程落地，而你只需要把控方向和质量。

2026-08-28，AI 工具的能力已经足够强大。真正拉开差距的，不是工具本身，而是使用工具的方法论。希望这篇文章能帮你把方法论落地，让你的创作效率翻倍。

如果你在实践中遇到问题，欢迎在评论区留言交流。