1. 引言：为什么选择 ChatGPT Plus / Pro + Codex 组合

2026 年，AI 编程与内容创作已经深度融合进日常开发流程。ChatGPT Plus 与 Pro 订阅提供了 GPT-5 系列模型的完整能力，而 Codex 作为 OpenAI 旗下的智能编程代理，正在重新定义「人机协作写代码」的方式。

本文不讨论充值、账号或订阅价格，而是聚焦技术本身：如何把 ChatGPT Plus / Pro 的对话能力与 Codex 的代码执行能力结合起来，构建一套从需求分析、代码生成、自动测试到文档输出的完整工作流。全文约 3000 字，包含可运行的代码示例，适合已经拥有订阅、希望把 AI 真正用起来的开发者。

2. 环境准备与 API 接入

2.1 获取 API Key 与基础配置

无论使用 Plus 还是 Pro 订阅，你都可以通过 OpenAI 平台获取 API Key。建议将 Key 存放在环境变量中，避免硬编码进代码仓库。

export OPENAI_API_KEY="sk-你的密钥"
export OPENAI_ORG_ID="org-你的组织ID"

2.2 安装官方 SDK

Python 开发者推荐使用 openai 官方 SDK，版本需大于等于 1.30.0，以支持最新的 Responses API 与 Codex 接口。

pip install --upgrade openai

验证安装是否成功：

import openai

client = openai.OpenAI()
models = client.models.list()
for model in models.data:
    print(model.id)

如果能看到 gpt-5、gpt-5-mini、codex-1 等模型 ID，说明环境配置正确。

3. 使用 ChatGPT Plus / Pro 构建对话式编程助手

3.1 基础对话补全

ChatGPT Plus 与 Pro 的核心差异在于推理深度与上下文长度。Pro 订阅支持更长的上下文窗口（最高 1M token），适合处理大型代码库分析。

下面是一个基于 Responses API 的对话示例：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    instructions="你是一位资深 Python 架构师，擅长编写高质量、可维护的代码。",
    input="请用 Python 实现一个支持并发写入的日志系统，要求线程安全。",
)

print(response.output_text)

3.2 流式输出与实时交互

在 IDE 插件或 CLI 工具中，流式输出能显著提升交互体验：

from openai import OpenAI

client = OpenAI()

stream = client.responses.create(
    model="gpt-5",
    input="解释一下 Python 的 GIL 对多线程性能的影响。",
    stream=True,
)

for event in stream:
    if event.type == "response.output_text.delta":
        print(event.delta, end="", flush=True)

4. Codex 智能编程代理实战

4.1 Codex 是什么

Codex 是 OpenAI 推出的编程代理（Coding Agent），它不仅能生成代码，还能在沙箱环境中执行代码、读取文件、运行测试，并根据结果自主迭代修复。它基于 codex-1 模型，支持自然语言下达复杂编程任务。

4.2 在本地终端使用 Codex CLI

Codex CLI 是官方提供的命令行工具，安装方式如下：

npm install -g @openai/codex

登录并初始化：

codex login
codex init

在项目目录中启动交互式会话：

codex

然后输入自然语言指令，例如：

请为这个项目添加一个 RESTful API 端点，用于查询用户订单列表，并编写对应的单元测试。

Codex 会自动分析项目结构、修改代码、运行测试并汇报结果。

4.3 通过 Python SDK 调用 Codex

如果你希望把 Codex 集成到自己的工具链中，可以通过 SDK 调用：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="codex-1",
    input="修复 src/main.py 中的内存泄漏问题，并补充性能测试。",
    tools=[{"type": "code_interpreter"}],
)

print(response.output_text)

4.4 Codex 与 Git 工作流结合

Codex 支持在沙箱中执行 Git 命令，因此可以自动完成提交、分支管理等操作。下面是一个让 Codex 自动完成「修复 bug 并提交」的示例：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="codex-1",
    input=(
        "1. 运行 pytest 找出失败的测试；"
        "2. 修复导致失败的代码；"
        "3. 重新运行测试直到全部通过；"
        "4. 使用 git commit 提交修改，提交信息为 'fix: resolve test failures'。"
    ),
    tools=[{"type": "code_interpreter"}],
)

print(response.output_text)

5. 组合工作流：ChatGPT 规划 + Codex 执行

5.1 工作流设计

单独使用 ChatGPT 或 Codex 都有局限。ChatGPT 擅长理解需求、拆解任务、生成设计方案；Codex 擅长在真实环境中执行、验证、修复。将两者组合，可以形成「规划—执行—验证」的闭环。

5.2 完整示例：自动生成一个 Web 服务

下面演示如何用 Python 脚本串联 ChatGPT 与 Codex，自动完成一个小型 Web 服务的开发。

import json
from openai import OpenAI

client = OpenAI()

# 第一步：ChatGPT 生成技术方案
plan_response = client.responses.create(
    model="gpt-5",
    input=(
        "请设计一个基于 FastAPI 的待办事项 API，"
        "包含增删改查四个接口，使用内存存储。"
        "输出 JSON 格式的技术方案，包含接口路径、请求方法、参数说明。"
    ),
)

plan = plan_response.output_text
print("=== 技术方案 ===")
print(plan)

# 第二步：Codex 执行编码与测试
codex_response = client.responses.create(
    model="codex-1",
    input=(
        "根据以下技术方案实现代码：\n"
        f"{plan}\n"
        "要求：\n"
        "1. 创建 main.py 文件；\n"
        "2. 使用 FastAPI 实现接口；\n"
        "3. 使用 pytest 编写测试并运行，确保全部通过。"
    ),
    tools=[{"type": "code_interpreter"}],
)

print("=== Codex 执行结果 ===")
print(codex_response.output_text)

5.3 处理长上下文项目

对于大型项目，Pro 订阅的 1M token 上下文窗口非常关键。你可以把整个代码库的关键文件内容注入到对话中，让 ChatGPT 理解全局架构后再给出修改建议。

from openai import OpenAI

client = OpenAI()

# 读取项目关键文件
files = ["src/main.py", "src/models.py", "src/utils.py"]
context = ""

for path in files:
    with open(path, "r", encoding="utf-8") as f:
        context += f"### 文件: {path}\n"
        context += f.read() + "\n\n"

response = client.responses.create(
    model="gpt-5",
    input=(
        "以下是项目的核心代码：\n\n"
        f"{context}\n"
        "请分析当前架构的潜在问题，并给出重构建议。"
    ),
)

print(response.output_text)

6. 多模态创作：图片理解与生成

6.1 用 ChatGPT 分析 UI 设计图

ChatGPT Plus / Pro 支持图片输入，可以直接把 UI 设计稿发给模型，让它生成对应的前端代码：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input=[
        {
            "role": "user",
            "content": [
                {
                    "type": "input_image",
                    "image_url": "https://example.com/design.png",
                    "detail": "high",
                },
                {
                    "type": "input_text",
                    "text": "请根据这张设计图生成对应的 HTML + CSS 代码。",
                },
            ],
        }
    ],
)

print(response.output_text)

6.2 结合 Codex 生成图片处理脚本

当需要批量处理图片时，可以让 Codex 编写并执行图像处理脚本：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="codex-1",
    input=(
        "编写一个 Python 脚本，使用 Pillow 库将 images/ 目录下所有图片"
        "统一缩放为 800x600，并转换为 WebP 格式，输出到 output/ 目录。"
        "执行脚本并确认输出文件存在。"
    ),
    tools=[{"type": "code_interpreter"}],
)

print(response.output_text)

7. 性能优化与成本控制

7.1 合理选择模型

不同任务应选择不同模型：

任务类型	推荐模型	理由
简单问答、代码补全	gpt-5-mini	速度快、成本低
复杂架构设计、长文档分析	gpt-5	推理能力强、上下文长
自主编码、测试修复	codex-1	支持代码执行与迭代
大规模代码库分析	gpt-5（Pro 1M 上下文）	可一次性注入整个项目

7.2 使用缓存减少重复调用

对于频繁使用的系统提示词或固定模板，可以使用 Prompt Caching 降低费用：

from openai import OpenAI

client = OpenAI()

# 系统提示词保持不变，SDK 会自动启用缓存
response = client.responses.create(
    model="gpt-5",
    instructions="你是一位专业的 Python 代码审查专家，请指出代码中的问题并给出改进建议。",
    input="请审查以下代码：\n\ndef add(a, b):\n    return a + b",
)

print(response.output_text)

7.3 控制 Codex 的迭代次数

在自动化任务中，可以为 Codex 设置最大迭代次数，避免无限循环修复：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="codex-1",
    input="修复项目中的所有类型错误，最多尝试 5 次。",
    tools=[{"type": "code_interpreter"}],
    reasoning={"effort": "medium"},
)

print(response.output_text)

8. 常见问题与排查技巧

8.1 请求超时

当处理长上下文或复杂任务时，建议增加超时时间：

from openai import OpenAI

client = OpenAI(timeout=120.0)

response = client.responses.create(
    model="gpt-5",
    input="请分析这个大型项目的架构并给出优化建议。",
)

8.2 上下文溢出

如果提示词超过模型上下文限制，可以先用 Codex 对代码库做摘要，再交给 ChatGPT 分析：

from openai import OpenAI

client = OpenAI()

# 第一步：Codex 生成代码摘要
summary_response = client.responses.create(
    model="codex-1",
    input="请扫描当前项目，输出每个模块的功能摘要，控制在 500 字以内。",
    tools=[{"type": "code_interpreter"}],
)

summary = summary_response.output_text

# 第二步：ChatGPT 基于摘要做架构分析
analysis_response = client.responses.create(
    model="gpt-5",
    input=f"以下是项目摘要：\n{summary}\n请分析架构优缺点。",
)

print(analysis_response.output_text)

8.3 代码执行权限

Codex 沙箱默认不允许访问外部网络。如果需要安装依赖，可以在提示词中明确要求：

请先执行 pip install requests，然后编写脚本调用 https://api.example.com 获取数据。

9. 总结与进阶方向

ChatGPT Plus / Pro 与 Codex 的组合，本质上是一套「AI 驱动的软件交付流水线」：ChatGPT 负责理解与规划，Codex 负责执行与验证。掌握这套工作流，可以显著提升开发效率，把重复劳动交给 AI，把创造力留给自己。

进阶方向包括：

• 将 Codex 接入 CI/CD 流水线，实现自动化代码审查与修复；
• 使用 ChatGPT 生成单元测试用例，再由 Codex 执行覆盖率分析；
• 结合向量数据库，为 ChatGPT 构建项目专属知识库；
• 探索 Codex 的多文件编辑能力，实现跨模块的大型重构。

希望本文能帮助你充分发挥 ChatGPT Plus / Pro + Codex 的技术潜力，构建属于自己的高效开发工作流。