GPT-5.5 + Codex 三连任务实测：写代码→调试→生成文档，这条工作流在哪里翻了车？

你可能已经用 GPT 写过代码，也可能被 Codex 的宣传片震撼过——但你有没有想过，把它们串成一条流水线完整跑一遍，会在哪里翻车？

我跑了，结果有点出乎意料。

先给你一个反直觉的结论：调试只用了 2 轮就跑通了，但文档生成这步差点把我坑了——不是因为文档写得差，恰恰相反，是因为它写得"太自信"，把一个私有函数的用途脑补错了，还写得有模有样，不仔细看根本发现不了。

这篇文章不是功能介绍稿，也不是"AI 写代码太强了"的感叹文。我想做的是把这条工作流完整跑一遍，记录每一步的真实状态，告诉你这个组合的边界在哪里——你能用它做什么，不能指望它做什么。

---

为什么这个组合值得单独测试？

很多人用 GPT-5.5 写代码，体验是这样的：生成出来的代码看起来很对，一跑就报错，把报错贴回去，它解释了一大段，给了个新版本，再跑，又报错……这个循环可能转好几圈。

问题不在于 GPT-5.5 不够聪明，而在于它的定位本来就是理解意图、规划逻辑，对执行环境的感知是有限的。它不知道你的 Python 版本、你装了哪些包、你的文件路径长什么样。

Codex 的定位则是代码生成与执行环境感知，它更了解代码的结构和运行上下文，但单独用它，你会发现它对需求的理解有时候过于"字面"——你说"处理异常值"，它可能只做了最基础的 dropna，完全没考虑你说的"异常值"其实是业务逻辑上的离群点。

两者叠加，理论上是互补的。但"理论上"这三个字，值得用一个真实任务来验证。

测试边界说明：我选的是中等复杂度任务——不是 Hello World，也不是大型工程。结论的适用范围就是这个区间：有明确输入输出、有一定调试空间、文档需求清晰的脚本类任务。

---

任务设定与环境准备

测试任务：构建一个本地 CSV 数据清洗脚本，需求包括：
  • 自动检测并处理异常值（基于 IQR 方法）
  • 字段重命名（从英文 snake_case 转换为中文友好的列名）
  • 输出清洗报告（记录处理了哪些行、什么原因）

选这个任务的理由很直接：足够真实（我自己工作中确实需要这类脚本）、调试空间充分（异常值处理逻辑容易出问题）、文档需求明确（清洗报告本身就是一种文档）。

环境配置：
  • API 接入：通过 [api.884819.xyz](https://api.884819.xyz) 直连，无需代理
  • GPT-5.5 参数：temperature=0.2（代码任务要稳定，不要创意）、max_tokens=4096
  • Codex 参数：temperature=0.1、执行环境 Python 3.11
  • 本地运行环境：macOS，pandas 2.x，测试数据集约 5000 行
评分维度（给自己一把量尺，避免纯感受）： | 维度 | 评分标准 | | 代码首次可运行率 | 第一次不修改直接运行是否成功 | | 调试轮次 | 从报错到跑通需要几轮对话 | | 文档一致性 | 文档描述与代码实际行为的匹配度（人工核查） | | 文档可读性 | 一个没参与开发的人能否看懂 README |

---

三连任务实测全记录

Task 1：写代码

Prompt 输入： 
你是一个数据工程师。请用 Python 写一个 CSV 数据清洗脚本，要求：

1. 读取本地 CSV 文件（路径作为参数传入）


2. 使用 IQR 方法检测数值列的异常值，并将异常行标记为 'outlier'


3. 支持字段重命名，通过字典传入映射关系


4. 输出一份清洗报告（文本格式），记录：处理了哪些列、发现了多少异常值、最终输出行数


5. 清洗后的数据保存为新的 CSV 文件



请先给出完整代码，再给出使用示例。
生成结果：GPT-5.5 给出了一个结构清晰的脚本，主函数 clean_csv() 接收文件路径、重命名字典、输出路径三个参数，IQR 逻辑写在独立的 detect_outliers() 函数里，报告生成在 generate_report() 里。 第一次运行结果： 
AttributeError: 'DataFrame' object has no attribute 'append'

这是一个经典的 pandas 版本问题——DataFrame.append() 在 pandas 2.0 之后被移除了，应该用 pd.concat()。GPT-5.5 生成的代码用了旧 API。

首次可运行率：❌ 未通过，但报错原因清晰，不是逻辑错误。

---

Task 2：调试

把报错信息直接喂回去：

运行时报错如下：

AttributeError: 'DataFrame' object has no attribute 'append'


环境：Python 3.11，pandas 2.1.0


请诊断原因并给出修复版本。
GPT-5.5 的诊断过程值得记录：它没有只替换 API，而是先说明了 DataFrame.append() 被废弃的背景，然后扫描了整个脚本里所有潜在的 pandas 2.x 兼容性问题——发现了另外一处用了 inplace=True 的链式操作，也一并修复了。
这是一个超出预期的行为：我只问了一个报错，它顺手修了两个问题。

Codex 接手执行修复后，第二次运行：✅ 通过，输出了清洗报告。

调试轮次：2 轮（第一轮报错 → 第二轮跑通）。

---

Task 3：生成文档

让组合自动输出三类文档：

1. 函数级注释（docstring 格式）

2. README（项目说明 + 使用方法）

3. 使用示例（含样本数据说明）

Prompt： 
基于上面完整的 clean_csv.py 脚本，请生成：

1. 每个函数的 Google 风格 docstring


2. 一份 README.md，包含：项目简介、环境要求、安装依赖、使用方法、参数说明、输出说明


3. 一个完整的使用示例代码块



要求：面向不熟悉代码的数据分析师，语言简洁，不要用技术黑话。
README 输出样本（节选）： 
## 使用方法
python

from clean_csv import clean_csv

clean_csv(

input_path="data/raw_sales.csv",

rename_map={"sale_amt": "销售金额", "cust_id": "客户编号"},

output_path="data/cleaned_sales.csv"

)



运行后，会在当前目录生成 cleaning_report.txt，记录本次清洗的详细信息。

文档结构完整，可读性确实超过了我随手写的水平。

但坑在这里：generate_report() 函数内部有一个私有辅助函数 _format_column_stats()，文档里对它的描述是"格式化每列的统计摘要，包含均值、中位数和标准差"——但实际上这个函数只输出了异常值数量和处理方式，根本没有均值和中位数。

它脑补了一个"听起来合理"的功能描述，写得还很自信。

---

边界在哪里？三个坑和三个惊喜

三个坑

坑 1：上下文窗口在长调试链路中的衰减

如果调试轮次超过 4-5 轮，GPT-5.5 开始"忘记"早期的设计决策。比如我在第一轮要求"异常值用 IQR 方法"，到第五轮修一个不相关的 bug 时，它给出的修复版本悄悄把 IQR 换成了 Z-score，没有任何说明。长链路调试必须人工检查前后一致性。

坑 2：Codex 对中文注释需求的处理偏差

我要求函数注释用中文，Codex 生成的 docstring 是中英混排的——英文参数名、中文说明、英文类型标注，格式上有点割裂。如果你的团队有统一的注释规范，需要在 Prompt 里非常明确地指定格式模板，否则它会自己发挥。

坑 3：文档对私有函数的"脑补"风险

上面 Task 3 里已经展示了这个问题。私有函数（以 _ 开头）的文档描述准确率明显低于公开函数，因为它们在上下文中出现的频率低，模型更容易根据函数名"猜"功能。文档生成后必须人工核查私有函数部分。

---

三个惊喜

惊喜 1：调试轮次比预期少

我原本预期至少 4 轮，实际只用了 2 轮。主要原因是 GPT-5.5 在诊断报错时会主动做"周边扫描"，不只修你问的那个错。

惊喜 2：主动识别潜在逻辑漏洞

在 Task 1 生成代码时，GPT-5.5 在代码末尾加了一条注释：

# 注意：当数值列全为 NaN 时，IQR 计算会返回 NaN，

建议在调用前先过滤全空列

我没有要求它做这个检查，但这个边界情况确实是个真实风险。它不只是"完成任务"，而是在思考任务的边界。

惊喜 3：文档结构化程度超过人工平均水平

README 的层次结构、参数说明的格式、使用示例的完整性——坦白说，比我自己赶时间写的文档要好。前提是你给了足够清晰的受众定义（"面向不熟悉代码的数据分析师"这句话很关键）。

---

一句话结论：这个组合目前最适合"中等复杂度、有明确输入输出定义"的脚本类任务。复杂架构设计和强业务逻辑仍需人介入，文档生成后必须人工校对私有函数描述。

---

怎么把这条工作流用起来？

三套可复用 Prompt 模板

模板一：写代码用 
你是一个[语言]工程师。请写一个[功能描述]的脚本，要求：

1. [具体功能点1]


2. [具体功能点2]


3. [具体功能点3，包含输入输出格式]


4. 代码需兼容 [运行环境/版本]


5. 请先给出完整代码，再给出使用示例。



约束：不要使用以下库（如有）：[排除项]
使用说明：明确运行环境版本是最关键的一步，能避免 80% 的兼容性报错。
模板二：调试用 
运行以下代码时出现报错，请诊断原因并给出修复版本：


[粘贴报错信息]



运行环境：[Python版本、关键库版本]


代码如下：


[粘贴相关代码段]



要求：


1. 先说明报错原因


2. 扫描代码中是否存在同类潜在问题


3. 给出完整修复版本，标注所有修改的位置
使用说明："扫描同类潜在问题"这句话很重要，能触发 GPT-5.5 的主动检查行为，减少调试轮次。
模板三：文档生成用 
基于以下完整代码，请生成项目文档：


[粘贴完整代码]



文档要求：


1. 每个公开函数的 [Google/NumPy/reStructuredText] 风格 docstring


2. README.md，包含：项目简介、环境要求、安装方法、使用示例、参数说明


3. 目标读者：[具体受众描述，如"不熟悉代码的数据分析师"]


4. 语言风格：[简洁/正式/口语化]



注意：docstring 中的功能描述必须严格基于代码实际行为，不要推断未实现的功能。
使用说明：最后那句"不要推断未实现的功能"是防止脑补的关键，加上之后私有函数的描述准确率明显提升。

---

工作流串联最佳实践

什么时候切换模型：写代码和调试用 GPT-5.5 主导，Codex 负责执行验证；文档生成全程用 GPT-5.5，Codex 不参与。 上下文怎么传递效率最高：每次新对话开始时，把"当前代码的完整版本"重新粘贴一遍，不要依赖模型记住上一轮的修改。这一步感觉麻烦，但能避免大量"它改了但没说"的隐性问题。 哪些信息必须人工确认再往下走：
  • 调试完成后，人工跑一遍完整测试用例，再进入文档生成
  • 文档生成后，人工逐一核查私有函数的描述
  • 最终输出前，检查文档与代码的版本是否一致（代码改了但文档没更新是常见坑）

---

两条上手路径

最小可用版（小白）：直接复制三套 Prompt 模板，填入你的任务描述，按顺序跑三个对话，每步结束后人工检查一遍再往下走。整个流程第一次可能需要 1-2 小时，熟悉之后半小时内能跑完。 进阶定制版：把三套 Prompt 模板写成你自己的"系统提示词库"，根据不同任务类型（数据处理/API 开发/自动化脚本）维护不同版本，形成可复用的个人工作流资产。

---

文中所有测试均通过 API 直接调用完成。如果你想复刻这套流程，需要一个稳定的 GPT-5.5 / Codex API 接入点——国内直连、按量计费、无需魔法，我目前在用的是 [api.884819.xyz](https://api.884819.xyz)，新用户注册即送体验 token，国产模型（Deepseek、千问等）完全免费，文中 Prompt 模板配合这个入口可以直接跑通。

---

写在最后

这次测的是"脚本级任务"——写、调、记录，一条链路，中等复杂度。结论是：这条工作流今天就能跑，明天上班就用得上。不是未来，是现在。

你的第一步：把模板二（调试用）存下来，下次遇到报错直接用，感受一下"扫描同类潜在问题"这句话带来的变化。

---

这次测的是"脚本级任务"——写、调、记录，一条链路。

>

但如果任务复杂度再上一级：多文件项目、跨模块调用、团队协作场景，这套组合还撑得住吗？

>

下一篇，我打算把同样的流程搬进一个真实的小型项目里跑一遍。不是 Demo，是真实需求，真实踩坑。

>

关注我，下周见。

---

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI编程 #GPT-5.5 #Codex #AI工作流 #代码调试 #Prompt技巧 #8848AI #AI教程