没装 AI IDE 的开发者隔三差五就会切回 ChatGPT tab——它在”一次性写代码”这件事上确实好用，前提是别让它重构整个 codebase。这篇讲不靠 IDE 的工作流：怎么收窄请求、粘合适的上下文、选对 GPT-5.5 模式，5 分钟内验证答案，而不是三天后在线上发现 bug。
一句话总结
- ChatGPT 最适合自包含的代码活：一段正则、一个脚本、一句 SQL、一条 shell pipeline、解读一段报错。它不是用来跨文件改你仓库的——那种活用 Cursor 或 Claude Code。
- 截至 2026 年 6 月，默认模型是 GPT-5.5，付费档位有选择器：Instant（快）、Thinking（推理）、Pro（200 美元档）。超过一行的任务都用 Thinking。
- 粘文本，别粘截图，控制在 300 行以内，永远带上确切报错和产生报错的那条命令。
- 凡是涉及文件的（CSV、日志、小数据集），用 Code Interpreter，让 ChatGPT 自己跑 Python，而不是靠猜输出。
- 在自己环境里跑过再让它碰任何要紧的东西。“看着对”是粘贴-翻车 bug 的第一来源。
选对 GPT-5.5 模式
选哪个模型比 prompt 怎么写更重要。自从 GPT-5.5 成为 ChatGPT 默认模型（2026 年 4 月 23 日前后），付费档位都有了选择器；免费档用 GPT-5.5，但不能手动切模式。
| 模式 | 适合 | 速度 | 哪里能用 |
|---|---|---|---|
| GPT-5.5 Instant | 单行、正则、查语法、快速改写 | 快 | 免费 + 全部付费 |
| GPT-5.5 Thinking | 逻辑、debug、超过约 20 行的活 | 慢些 | Go、Plus、Pro、Business |
| GPT-5.5 Pro | 难、多步、绝不能给错答案的问题 | 最慢 | Pro（200 美元） |
经验法则：只要任务里有分支逻辑、或者你不放心让一个初级开发一把写对，就切到 Thinking。多等那点时间换来正确性，而且 Plus 每周给到 3000 条 Thinking 消息（截至 2026 年 6 月），没必要省着用。
不靠 IDE 时 ChatGPT 擅长什么
整个问题能塞进对话里的自包含活：
- 跑一次的脚本：Python 数据清洗、bash 胶水脚本、JS 小片段。
- 记不清语法的正则，外加证明它能用的测试用例。
- SQL 单句和方言转换（MySQL 转 Postgres，以及那些行为坑）。
- shell pipeline，尤其是 macOS 跟 Linux 的 flag 差异——这点谁都被坑过。
- 读一段报错，解释它到底什么意思。
- 解释一个你从没用过的库，给出最小可运行示例。
什么时候该换工具
只要任务需要 AI 看到或编辑你的仓库，立刻切到真正的 AI 编程工具：
- 跨文件重构、重命名，或任何超出剪贴板里那个文件范围的事。
- 需要 AI 读你测试套件、跑你构建的工作。
- 该让 AI 直接写到磁盘、而不是丢给你复制粘贴的改动。
这些场景用 Cursor 或 Claude Code（跑 Claude Opus 4.7 / Sonnet 4.6）。两者怎么选，见 Cursor vs Claude Code。浏览器里的 ChatGPT 没有项目视图，凡是你没粘进去的文件，对它来说都不存在。
一次完整的对话长什么样
跑得通的套路是：目标，然后代码，然后约束，然后报错。
- 一句话写目标，再粘相关代码。控制在 300 行以内。Plus 的应用内上下文大约能装 320 页文本，但代码一旦超过 300 行，模型注意力就散，答案变差。粘相关函数 + 它的直接调用者，别粘整个文件。
- 把约束讲明白。
TypeScript strict、不引入新依赖、必须在 Node 18 跑、输出形状必须等于这个。没说出口的约束，是”看似正确”的答案在你项目里翻车最常见的原因。 - 完整粘报错，加上你跑的那条命令。修法通常就藏在 stack trace 里；不给，模型只能猜。
- 要 fix + 一句话解释 bug 为什么发生。省了这句解释，下周你自己就抓不到同类的兄弟 bug。
- 在自己环境里跑，再让它碰任何真东西。跑真单测或复现 case。
- **第一版错了，别把整段重新粘一遍。**回新报错，让对话累积上下文。两三轮 follow-up 之后，堆积的上下文开始添乱而非帮忙，这时开个新对话。
涉及文件就用 Code Interpreter
普通对话有个陷阱：ChatGPT 是在预测你的代码输出什么，碰到数据它经常自信地错。Code Interpreter（全部付费档可用，前身叫”Advanced Data Analysis”）解决这个问题。上传 CSV 或粘一个数据集再提问，ChatGPT 会在服务器端起一个沙箱 Python 环境，真把代码跑一遍，把真实输出和生成它的代码一起给你看。
答案取决于模型没法肉眼判断的数据时，就用它：
- 对 CSV 做快速清洗、画图、汇总统计。
- “这个正则能匹配文件里每一行吗？“——让它跑，别信预测。
- 解析日志数次数，或重塑一个小数据集。
两个限制记牢（截至 2026 年 6 月）：沙箱在会话之间会重置，想留的东西要下载下来；它连不上线上数据库（Snowflake、BigQuery、Postgres）。你上传文件，它伸不进你的数仓。
提示：代码现在在对话里出，不在 Canvas
如果你以前用 Canvas 写代码，注意：从 GPT-5.5 起，Instant 和 Thinking 里不再有 Canvas。代码现在直接以代码块形式在回复里返回，带复制按钮。没什么要迁移的，复制那个块就行。
跑得通的 prompt 套路
1. "修这个 Python 函数让它正确处理嵌套 dict。
当前代码 [粘]。失败测试 [粘]。约束：不引新 import。
用一句话解释 bug。"
2. "写一个 bash 单行：找 ./src 下近 24h 改动过、>1MB 的文件。
macOS，不是 Linux。find 的 flag 不一样。"
3. "逐字符解释这个正则：[粘]。它在 unicode 输入上哪会失效？"
4. "把这段 SQL 从 MySQL 转 Postgres 语法。[粘]。
标出行为差异。"把这些存进个人的 chatgpt-snippets.md，每次只换输入。如果你反复做同一类活（大量 bash、大量 SQL），把约束写进 Custom Instructions 一次，省得每次重打。
信它之前先验证
最贵的 bug 都来自读着对、跑起来错的代码：
- 你真的跑了吗，还是只读了？尤其正则和 SQL，“看着对”经常骗你。
- **有没有不眼熟的 import 或 API？**超过训练截止时间的模型会推荐已废弃的调用。搜一下就知道这个函数今天还在不在；变化快的库，把当前文档粘进 prompt。
- SQL 上线前先核对结果行数跟你预期一致不一致。
- 正则至少测三类输入：明确匹配、边界、不该匹配。
容易踩的坑
- **粘超大文件。**超过约 300 行模型注意力散。粘相关函数 + 它的调用者就行。
- **不附报错。**没报错模型只能猜；有报错，fix 常常就是一行。
- **在普通对话里信数据类答案。**用 Code Interpreter，让代码真跑起来。
- **让它”review my code”却不说目标。**只会拿到一堆样式吐槽。换成”找出那个差一错误”或”哪里可能抛异常”。
- **真逻辑用 Instant。**超过约 20 行就切 Thinking。
- **粘代码截图。**永远粘文本；OCR 会引入静默的字符替换。
FAQ
- 写代码该用哪个 GPT-5.5 模式？: 单行和查语法用 Instant；带逻辑或超过约 20 行用 Thinking；Pro（200 美元档）只留给给错答案代价很大的真难题。
- 各档限额是多少？: 截至 2026 年 6 月，免费档每 5 小时 10 条 GPT-5.5 消息（之后回落到 mini 模型）；Go 和 Plus 每 3 小时 160 条；Plus 另加每周最多 3000 条 Thinking 消息。
- 能整个 codebase 都粘进去吗？: 不行。即使装得下，注意力也散。粘相关函数 + 它的直接依赖，或者用能读仓库的 Cursor / Claude Code。
- ChatGPT 会拿我代码训练吗？: 在 Settings - Data Controls 里关掉”Improve the model for everyone”就不会。默认行为按 plan 不同，Business / Enterprise / Edu 的数据默认就排除在外。
- 为啥它推荐过时 API？: 训练数据有截止。变化快的库，把当前文档粘进 prompt，让它照今天的 API 写，而不是去年的。