1. 引言

2026 年，AI 辅助编程已经从“尝鲜”走向“标配”。在 OpenAI 的产品矩阵中，ChatGPT Plus / Pro 所代表的对话式模型（GPT‑4o 系列）与 Codex 代码模型，分别承担着“理解需求”和“生成代码”两种截然不同的职责。很多开发者已经习惯在网页端切换使用，但在真正的工程化场景中，如何通过 API 将两者编排进同一条流水线，仍然缺乏系统性的参考。

本文以 2026 年 8 月 12 日为时间锚点，从模型能力、API 调用方式、工程编排、性能对比四个维度展开，重点演示如何用 Python 将 ChatGPT Plus / Pro 与 Codex 组合成一个“需求 → 方案 → 代码 → 测试”的自动化链路。全文不涉及任何充值、账号权益等商业话题，只谈技术。

2. 模型定位：ChatGPT Plus / Pro 与 Codex 的分工

2.1 ChatGPT Plus / Pro：通用推理与多模态入口

ChatGPT Plus 与 Pro 订阅在网页端对应的是 GPT‑4o 系列模型（如 gpt-4o-2026-07-08）。从 API 视角看，两者底层模型一致，差异主要体现在速率限制与上下文窗口配额上。这类模型的核心能力包括：

• 多模态理解：可同时接收文本与图像输入，适合处理截图、流程图、UI 原型。
• 结构化输出：通过 response_format 强制返回 JSON，便于程序化解析。
• 函数调用：原生支持 Function Calling，可对接外部工具与数据库。
• 长上下文：128K tokens 的窗口足以容纳整个中型代码仓库的关键文件。

2.2 Codex：代码生成与补全的专家

Codex（如 codex-2026-07-18）是 OpenAI 针对代码任务深度优化的模型，与 GPT‑4o 最大的区别在于训练目标：它更强调生成“可直接运行”的代码，而非解释性文本。其关键特性包括：

• FIM 补全：支持 Fill‑in‑the‑Middle，可在给定前缀与后缀的情况下补全中间代码。
• 长输出：单次最多可输出 32K tokens，足以生成完整模块。
• 多语言优化：对 Python、TypeScript、Java、Go、Rust 等均有专门优化。
• 低冗余输出：默认倾向于输出紧凑、无废话的代码。

3. API 基础调用对比

3.1 调用 ChatGPT（GPT‑4o）

import openai

client = openai.OpenAI(api_key="your-api-key")

response = client.chat.completions.create(
    model="gpt-4o-2026-07-08",
    messages=[
        {"role": "system", "content": "你是一名严谨的软件架构师，只输出 JSON。"},
        {"role": "user", "content": "为一个待办事项应用设计数据模型，包含用户、任务、标签三个实体。"}
    ],
    response_format={"type": "json_object"},
    temperature=0.3
)

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

3.2 调用 Codex（FIM 模式）

import openai

client = openai.OpenAI(api_key="your-api-key")

response = client.completions.create(
    model="codex-2026-07-18",
    prompt="def merge_sort(arr):\n    \"\"\"归并排序实现\"\"\"\n",
    suffix="\n# 测试\nprint(merge_sort([3, 1, 4, 1, 5]))",
    max_tokens=300,
    temperature=0
)

print(response.choices[0].text)

从上面两个例子可以看出：GPT‑4o 适合“把模糊需求变成清晰规格”，而 Codex 适合“把清晰规格变成精确代码”。

4. 核心实战：构建“需求 → 代码 → 测试”流水线

下面我们构建一个完整的工程化示例：用户输入一句自然语言需求，系统先用 GPT‑4o 生成结构化技术方案，再用 Codex 生成实现代码，最后用 Codex 生成单元测试并执行。

4.1 环境准备

pip install openai pytest

4.2 流水线架构

4.3 完整实现

import openai
import json
import subprocess
import tempfile
import os

client = openai.OpenAI(api_key="your-api-key")

def plan_with_gpt4o(requirement: str) -> dict:
    """使用 GPT‑4o 将自然语言需求转化为结构化方案。"""
    response = client.chat.completions.create(
        model="gpt-4o-2026-07-08",
        messages=[
            {"role": "system", "content": "你是软件架构师。将用户需求转化为 JSON，包含 language、framework、files（每个文件含 path、description、skeleton）。"},
            {"role": "user", "content": requirement}
        ],
        response_format={"type": "json_object"},
        temperature=0.2
    )
    return json.loads(response.choices[0].message.content)

def code_with_codex(plan: dict) -> dict:
    """使用 Codex 根据方案生成每个文件的完整代码。"""
    files = {}
    for file_spec in plan.get("files", []):
        prompt = (
            f"根据以下需求生成完整的 {file_spec['path']} 文件代码。\n"
            f"功能描述：{file_spec['description']}\n"
            f"骨架代码：\n{file_spec.get('skeleton', '')}\n"
            f"语言：{plan.get('language')}\n"
            f"框架：{plan.get('framework')}\n"
            f"只输出代码，不要任何解释。"
        )
        response = client.completions.create(
            model="codex-2026-07-18",
            prompt=prompt,
            max_tokens=4000,
            temperature=0.1
        )
        files[file_spec["path"]] = response.choices[0].text.strip()
    return files

def test_with_codex(plan: dict, code_files: dict) -> dict:
    """使用 Codex 为生成的代码编写 pytest 测试。"""
    tests = {}
    for path, code in code_files.items():
        prompt = (
            f"为以下 Python 代码编写 pytest 单元测试，覆盖正常与异常情况。\n"
            f"只输出测试代码，不要解释。\n\n"
            f"```python\n{code}\n```"
        )
        response = client.completions.create(
            model="codex-2026-07-18",
            prompt=prompt,
            max_tokens=2000,
            temperature=0.1
        )
        test_path = f"test_{os.path.basename(path)}"
        tests[test_path] = response.choices[0].text.strip()
    return tests

def run_tests(code_files: dict, test_files: dict) -> bool:
    """在临时目录中执行 pytest。"""
    with tempfile.TemporaryDirectory() as tmpdir:
        for path, content in code_files.items():
            full_path = os.path.join(tmpdir, path)
            os.makedirs(os.path.dirname(full_path), exist_ok=True)
            with open(full_path, "w", encoding="utf-8") as f:
                f.write(content)

        for path, content in test_files.items():
            full_path = os.path.join(tmpdir, path)
            with open(full_path, "w", encoding="utf-8") as f:
                f.write(content)

        result = subprocess.run(
            ["pytest", tmpdir, "-q", "--disable-warnings"],
            capture_output=True,
            text=True
        )
        print(result.stdout)
        print(result.stderr)
        return result.returncode == 0

if __name__ == "__main__":
    requirement = "用 Python 实现一个简单的计算器类 Calculator，支持 add、subtract、multiply、divide 四个方法，divide 除数为零时抛出 ValueError。"

    print("Step 1: GPT‑4o 生成方案...")
    plan = plan_with_gpt4o(requirement)
    print(json.dumps(plan, indent=2, ensure_ascii=False))

    print("\nStep 2: Codex 生成代码...")
    code_files = code_with_codex(plan)

    print("\nStep 3: Codex 生成测试...")
    test_files = test_with_codex(plan, code_files)

    print("\nStep 4: 执行测试...")
    passed = run_tests(code_files, test_files)

    if passed:
        print("\n✅ 所有测试通过！")
        for path, content in code_files.items():
            print(f"\n--- {path} ---")
            print(content)
    else:
        print("\n❌ 测试失败，需要迭代修复。")

这段代码演示了一个完整的闭环：GPT‑4o 负责“想清楚”，Codex 负责“写出来”，pytest 负责“验证对”。如果测试失败，可以循环回到 Step 2 让 Codex 根据错误信息修复代码，形成自动化迭代。

5. 性能与选型对比

维度	ChatGPT (GPT‑4o)	Codex
核心能力	对话、推理、多模态、结构化输出	代码生成、FIM 补全、代码修复
上下文窗口	128K tokens	128K tokens
最大输出	16K（Pro 可达 32K）	32K
输出风格	解释性文本 + 代码	纯代码，低冗余
函数调用	原生支持	支持
典型场景	需求分析、客服、文档、多轮对话	IDE 插件、CI/CD、代码审查、测试生成

选型建议：

• 需要“理解意图、拆解任务、生成方案” → 选 GPT‑4o。
• 需要“把方案变成可运行代码、补全中间逻辑” → 选 Codex。
• 需要“生成测试用例、修复 Bug” → 优先 Codex，配合 pytest 验证。

6. 工程化最佳实践

6.1 用结构化输出衔接两个模型

GPT‑4o 的输出必须用 response_format={"type": "json_object"} 强制为 JSON，这样 Codex 才能稳定地消费。不要让 GPT‑4o 输出自由文本再让 Codex 去“猜”。

6.2 为 Codex 提供足够上下文

Codex 的 FIM 模式非常依赖前缀与后缀的质量。在生成完整文件时，把相关文件的签名、依赖关系、接口约定都拼进 prompt，能显著提升一次通过率。

6.3 建立测试护栏

AI 生成的代码必须经过自动化测试才能合入。建议在流水线中强制加入“生成测试 → 执行测试 → 失败则回炉”的循环，而不是直接信任输出。

6.4 锁定模型版本

生产环境务必使用带日期的精确版本号（如 gpt-4o-2026-07-08、codex-2026-07-18），避免因模型滚动更新导致行为漂移。

6.5 安全审查不可省略

Codex 生成的代码可能存在 SQL 注入、路径穿越等隐患。建议在流水线中接入 Bandit、Semgrep 等静态扫描工具，并保留人工 review 环节。

7. 总结

ChatGPT Plus / Pro 与 Codex 不是竞争关系，而是 OpenAI 生态中互补的两块拼图：前者负责把人类的模糊意图转化为机器可理解的结构化规格，后者负责把规格高效地转化为高质量代码。通过本文的实战流水线，你可以看到，将两者通过 API 编排在一起，能够构建出“你说需求，AI 写代码，测试自动跑”的完整闭环。

2026 年的今天，AI 编程的竞争焦点已经从“单模型能力”转向“多模型编排能力”。谁能更优雅地把通用模型与代码模型组合进工程链路，谁就能在效率上拉开差距。希望本文的对比与代码能为你接下来的项目实践提供一份可复用的参考。

---