GPT-5.5 清理半年技术债实测
访谈概述
在本期《How I AI》迷你播客中，产品负责人 Claire Vo 分享了她对 OpenAI 全新发布的 GPT 5.5 和 GPT 5.5 Pro 模型长达数周的早期测试体验。她通过三个真实的测试案例——为二年级孩子开发减法教学应用、清理拥有数百万条数据的技术债，以及破解一款其他 AI 模型都束手无策的专有蓝牙像素音箱——深入剖析了该模型的能力。Claire 的最终结论是：GPT 5.5 展现出了极高的智能和效率，能够真正实现长时间运行的自主任务循环。虽然使用成本高昂，但对于解决复杂的开发难题和技术债来说，这笔“智力税”绝对物超所值。
专用词语翻译列表
| 英文专有名词 / 术语 | 中文翻译 / 解释 |
|---|---|
| GPT 5.5 / GPT 5.5 Pro | OpenAI 推出的新一代大语言模型 |
| Codex | OpenAI 推出的代码生成与辅助工具 |
| Token | 词元（AI 模型的计费与文本处理单位） |
| Intelligence tax | 智力税（指为了获得高智能模型而支付的高昂费用） |
| Intelligence overhang | 智能过剩（指模型能力远超普通消费者实际需求的现象） |
| Vibe coding | 凭感觉编程 / 直觉式编程（指非专业开发者依赖 AI 辅助直接生成代码） |
| Tech debt (Technical debt) | 技术债 |
| Sub-agent | 子智能体 / 子代理 |
| One-shot | 一次性成功 / 单次提示生成 |
| CLI (Command Line Interface) | 命令行界面 |
| Sentry | Sentry（一款应用错误跟踪与性能监控工具） |
| Packet sniffer | 数据包嗅探器 / 抓包工具 |
| Bitmap | 位图（一种图像文件格式） |
| Penetration test (Pen test) | 渗透测试（一种网络安全测试） |
访谈正文
Claire Vo: 欢迎回到《How I AI》。我是 Claire Vo，一名产品负责人，也是个 AI 狂热者。我的使命是帮助大家利用这些新工具进行更好的构建。今天我为大家带来一期非常特别的节目，我将分享我对全新 GPT 5.5 模型的所有看法，在过去几周里我一直在对它进行测试。
剧透一下：它是一个真正的性能怪物。借助这个模型，我完成了一些以前市面上任何其他模型都做不到的事情，尤其是在高级编程方面。我还会向你们展示它是如何打破我设定的高难度技术评估标准——成功黑入一台小型电脑设备的。让我们开始吧。
什么是 GPT 5.5 及其定价机制
Claire Vo: 在告诉你们我用 GPT 5.5 做了什么之前，让我先聊聊这个模型本身。今天，OpenAI 将 GPT 5.5 和 GPT 5.5 Pro 接入了 Codex 和 ChatGPT 中（目前还没有开放 API）。在过去几周的测试中，我可以负责任地说，OpenAI 所言非虚。他们表示该模型具备处理复杂工作的更高能力，并且更加高效，包括在完成工作时具有更高的 Token 效率。
所以，这个模型的核心理念就是：它更聪明、更高效，因此你能完成更多的工作。这确实是我的亲身体验。不过，我很高兴它效率高，因为它确实非常昂贵。GPT 5.5 的价格是每百万输入 Token 5 美元，每百万输出 Token 30 美元；而为我这次测试提供算力支持的 GPT 5.5 Pro，价格高达每百万输入 Token 30 美元，输出则要 180 美元。
这价格确实不菲，但当回顾我在早期测试中用它实现的目标时，我心甘情愿支付这笔“智力税”。因为我认为我所取得的成果非常重要。在测试这些新模型或新工具时，我经常会考虑投资回报率（ROI）的问题。速度本身就是一种 ROI——我能不能更快地完成我想做的事情？过去几年里，AI 工具在这方面确实起到了加速器的作用。但 GPT 5.5 真正帮到我的是“野心”。它能做成我以前根本做不到的事情，原因有两点：第一，单纯的智能水平更高。它解决了一些除了 Codex 之外其他模型和工具都觉得非常棘手的问题；第二，因为效率更高，我能更快地完成更多工作，而且它更加自主，不需要我时刻像带孩子一样盯着它，这也让我能保持工作上下文不被打断。
所以我相信 OpenAI 告诉我们的是真的。这是我花了数不清的时间，把其他模型（甚至包括 GPT 5.4）难以解决的问题抛给它后得出的经验之谈。那么，我们来聊聊我到底构建了什么。
ChatGPT 中的测试：智能过剩问题
Claire Vo: 对于非技术听众，我想先说明一点（我在 ChatGPT 中对它进行了少量测试，但不多）：如果你没有复杂的问题需要解决，我其实不知道你拿这么多智能来干什么。所以，虽然我在我的个人账户的 ChatGPT 里测试了它，但我个人生活中并没有那么多需要高智能去解决的复杂问题。
这让我很难想象在 ChatGPT 中该如何使用 5.5 或 5.5 Pro，因为我要解决的问题根本没那么难。但我还是试了一下。我想通过这个例子向你们预示一下我稍后要展示的内容。我认为，普通消费者甚至是企业日常业务用户在使用这款搭载了新模型的 ChatGPT 时，会面临一个问题：你到底有多少问题是需要“超级智能”来解决的？
因此，我认为这将是一个开发者和软件工程师们会爱不释手的模型。我也非常期待看到 OpenAI 将如何释放这种智能，并将其封装在普通人也能使用的场景中。这算是我对我们目前面临的“智能过剩”现象的一点小见解。
那么，我让 ChatGPT 里的 GPT 5.5 做了什么呢？一件非常简单的事。我正在教我的二年级孩子（实际上他才一年级，但在旧金山嘛，我总想让他超前一点）学习两位数和三位数的减法。我之前的教学方法之一，就是做一些小程序来帮他理解减法概念，并学习一些技巧。
所以我让它为我构建一个 App，用来教我孩子更高级的减法概念。之前我对市面上一些“直觉式编程（vibe coding）”工具或 Claude Code 处理这个需求的结果都不太满意，没有一个能完全按照我的想法做出来，所以我想给 5.5 一个机会。
一上来，它就开始了漫长的思考。你可以看到，它足足思考了 17 分钟 27 秒。在使用这个模型时，你会经常遇到这种情况——它非常喜欢思考。它规划了一个高级减法应用程序，编写了代码，完成了所有这些工作。
但我的问题是：我们真的需要 17 分钟的超高智能思考来构建这个应用吗？大概不需要。如果我不是为了做这期播客进行测试，我会愿意为这个应用等上 18 分钟吗？可能不会。所以我们拿这些智能来做什么呢？对于非技术背景的软件工程师来说，这是否是访问该模型的正确产品形态？我还不完全确定。它确实为我构建了一个应用，包含迷你课程、应用题和语音朗读功能，还算不错，有不同的模块。设计方面有些不尽如人意，但我本来就不是冲着前端设计去找 GPT 模型的。
我真正想要的是它们来解决我最硬核的技术问题。所以就 ChatGPT 而言，我还有点持保留态度，因为我不确定普通 ChatGPT 用户到底想实现什么，以及即使在编程方面又需要多高的智能。如果你在 ChatGPT 中使用了 5.5，请告诉我你的那些高智力需求问题，这样我也能去测一测。我认为那种基础的、凭感觉写个简单小应用的场景，它做得还行，但并没有比市面上的其他工具更令人印象深刻。
GPT 5.5 给人的感觉就是它会思考很久，并且会向你展示推理的思维链，让你知道它是如何思考和管理自己的流程的。
转向 Codex：GPT 5.5 真正大放异彩的地方
Claire Vo: 好了，我们把 ChatGPT 放一边。我们来聊聊在 Codex 中使用 GPT 5.5 Pro 的体验。朋友们，我太爱它了，真的。当我第一次开始在 Codex 中测试 GPT 5.5 时，我的第一反应是：“我要起飞了！”
我的意思是，我开始并行启动大量的任务，因为反馈循环感觉非常快，你能立刻感受到那种效率。我解决了一堆悬而未决的长期任务（这些任务下面还挂着无数子任务，稍后我会举例说明）。我还啃下了一块 ChatPRD 代码库中的技术债硬骨头——这个问题困扰了我好几个月，而 GPT 5.5 势如破竹地搞定了它。
我要给你们展示几个例子，让你们了解 GPT 5.5 加 Codex 的组合到底擅长什么任务，以及为什么我认为它的智能度更高、其自主和高效的配置方式对软件工程师大有裨益。
我做的第一件事（出于显而易见的原因我不会展示具体代码）：我们使用 OpenAI 的 Codex 安全产品对 ChatPRD 代码库运行了威胁评估和安全扫描。结果挺好的，我们相当安全。但它确实发现了一些我们需要修复的低优先级或低严重性问题。我没有逐一去处理它们，而是下载了这些问题的 CSV 文件，上传到 Codex，然后直接说：“请从架构层面对这些问题进行审查，将同类问题分组，提出修改建议，然后执行这些修改。”它就这么做到了，而且做得非常好。我们对它进行了人工审核和代码审查，对执行质量感到非常满意。更棒的是，我能给它一个看似相关但并非单一项目的任务清单，它也能顺利执行。这项工作质量的真正验证是在那之后不久，我们进行了年度渗透测试（Pen test），结果显示我们的系统非常干净。
所以我想说，如果你有一份技术债的待办清单、一份安全问题的分诊清单，甚至是前端债务或不稳定的测试代码，工程师们请注意：你可以把这个清单直接扔给 GPT 5.5，它会帮你搞定。这是我觉得非常高效出色的第一个用例。
第二个用例（它在这个项目上的努力程度让我惊叹）。正如我提到的，ChatPRD 代码库里有一笔一直悬而未决的技术债：我们的应用现在有数以百万计的聊天记录，而随着模型提供商（OpenAI 和 Anthropic）随着时间推移改变了他们模型响应的数据结构，我们以各种旧格式存储了这些聊天记录。
给非技术听众简单解释一下：过去三年里，世界上所有的模型都稍微改变了它们通过 API 返回数据的方式。我们在这方面积累了大量的数据债，数据库里存储着各种遗留格式。因为这些是 AI 的调用记录，可能包含附件，也可能包含工具调用，要对这些数据进行清晰、连贯的回填和清理，并将其转换为我们未来的数据模型，是一件非常困难的事。我以前只能在这个问题上贴了一个又一个的补丁，因为每次打补丁，我们都会发现新的边缘情况（Edge case）。
这是一个涉及数百万行数据的迁移问题，对很多人来说听起来可能不大，但鉴于其中主要是非结构化或半结构化数据，且边缘情况极多，对我们来说复杂性相当高。
我最终决定：“GPT 5.5，带我飞吧！”我把这个问题交给了模型。它执行得太棒了。它通过参考官方文档和代码库，几乎一次性（One-shot）构建了一个解决方案，而且我没有开玩笑，这个方案覆盖了我们之前识别出的 98% 的边缘情况。在处理如此复杂和非结构化的数据迁移时，能做到一次性成功，这非常了不起。
接下来我想向你们展示的是，我需要 GPT 5.5 和 Codex 来验证这项工作。我把一套类似生产环境的数据样例拉到了测试环境中，并要求 Codex：“看，我需要你找出一个方法，以编程方式测试本地的每一条对话线程（并将它们发送给 Anthropic、OpenAI 或我们使用的任何其他提供商）。我需要你为我们的团队建立一个可扩展的系统，最好是通过命令行（CLI），以便任何智能体都能测试这些数据问题。”
然后我给 GPT 5.5 下了这样一个提示词（我最近经常这么对它说）：“我相信你能做出判断。弄清楚如何生成一个子智能体（Sub-agent）来做这件事，测试它，发现任何问题并修复它们，让它达到可以上生产环境的状态。谢谢你。”（因为我非常有礼貌）。
这玩意儿直接运行了 6 个小时。确切地说是 5 个小时 57 分钟。它真的是埋头苦干了 6 个小时，而我在这期间做到了零提示、零跟进、零干预。我印象中只批准了一次脚本调用（为了让它有权限在沙盒中运行），除此之外，它就自己跑了 6 个小时。大家都在说“我让我的智能体跑了一整夜”，直到遇到在特定受限用例下的 GPT 5.5 之前，我从没亲眼见过。这个模型能够执行需要不断循环判断进展的长时间自主任务。
跑了将近 6 小时后，它实施了冒烟测试，测试了所有的示例数据。在处理了 200 万行数据之后，只有一个边缘情况没有被捕捉到。好好想想这个概念：200 万行数据，只有 1 个遗漏的边缘情况，而在这之前，我们是一直在各个边缘情况里焦头烂额。6 个小时的 GPT 5.5 处理，随后我们就看到 Sentry 监控里的错误率直线下降到底部。
有人说 AI 编程会导致质量下降，因为大家都在“凭感觉编程（vibe coding）”。那已经是 12 到 18 个月前的老黄历了。我认为质量会上升。过去我一直在回避这类问题，因为根本没有足够的 AI 智能来自动解决它们。让我们工程团队拆解问题，花专门的时间去排查合成数据中的每一个边缘情况是非常困难的，而且经常是按下葫芦浮起瓢。现在能够把这项工作交给 GPT 5.5 和 Codex，简直改变了我的生活。虽然我有点担心真到了生产环境中那些 Token 会花掉我多少钱，但它绝对比我便宜，比我的工程团队便宜，而且它确确实实自动跑了 6 个小时。
所以我强烈建议：把这个模型用在你的代码质量问题上，用在你的 Bug 待办列表上，用在安全评估上，去填补你应用中的性能或安全漏洞。它做得非常非常出色。这是我的主要用例，如果我今天不分享别的，单凭它解决了我应用里最大的一块技术债、把错误率降到零，并全程通过子智能体自主运行了 6 小时，这就已经足够震撼了。
我爱你，GPT 5.5。
黑入中国蓝牙音箱：终极智能测试
Claire Vo: 不过，我之前在开场时提过，我还有一个真正的测评考验。
就是这个东西。这是一个 Divoom mini 2 极客复古电脑风格的蓝牙音箱，带个小屏幕。我没有开玩笑，从今年 1 月下旬或 2 月份开始，我就一直在尝试破解这玩意儿。我想大概是在情人节前后买的。我唯一的目标，就是能够在这个屏幕上显示一些好玩的东西。
它开箱自带一个 iPhone App，我可以用这个专用的 App 把图片发送到设备上。但我不想要这种方式，我是一个生活在终端（Terminal）里的人，我希望能够通过编程的方式来控制它。这设备里面运行着专有的代码，我甚至深入查阅了各种中文的代码仓库以及蓝牙硬件供应商的文档。我陷得很深。
我先是让 Claude Code 来对付它，对它说：“你能搞清楚这个吗？”Claude Code 搞不定，即便是用 Opus 模型。我又试了 GPT 5.4，它也搞不定。我无法用言语表达我为了这东西有多疯狂，但我决定再试一次。
你们可能觉得只要把它插上电脑，然后说：“亲爱的 Claude Code，告诉我这设备是怎么工作的。”就完事了。别搞错了，根本不是那样的。它是通过蓝牙连接到你的电脑或手机上的。所以它是通过蓝牙与手机上的 App 进行交互的。在 App 里，我可以画点东西，点击发送，它就会在这里显示。所以我知道可以通过蓝牙改变它的显示内容，但我们不知道如何对那个消息进行编码。
那我是怎么做的？以下内容与 AI 无关，只是让你们看看你们的朋友 Claire 有多疯狂/神经质：我花了好几个小时，在我的手机上下载了一个用于开发者调试的蓝牙配置文件。然后，我把它连上了一个数据包嗅探器（Packet sniffer）。这样当我在手机上使用那个 App 并向这个小电脑发送图片时，它就会记录并抓包，告诉我蓝牙到底向这个小家伙发送了什么数据。
我把这些日志和我手头所有的信息都扔给了 5.5。让我给你们看看发生了什么。我调出那个代码库，给你们看看我绝望的提示词。我说：“这个设备是通过蓝牙连接的。利用你所知道的知识，求求你想办法把内容显示在这个屏幕上。你拥有这么多信息，你应该知道怎么做。我相信你。”
你猜怎么着？这该死的东西做到了。它真的做到了。我的成功标准是构建一个命令行工具，让我能在终端运行，按下回车键……我们来看看测试能不能成功。
“Hello。”哦，它适配了。“Hello。”
这是我花了几个月时间试图黑入这个破玩意的成果。这其中涉及到位图（bitmap）文件的编码和解码。它还在网络上疯狂爬取，试图找出是否有什么秘密的 SDK。Codex，你做到了！更棒的是，我现在把它关联了起来，这样每当我要求 Codex 做某件事时，它就会在这个小屏幕上提醒我。
我们在播客里现场测试一下，然后我就放你们走。但我得说，能黑入这样一个专有设备，现在已经成为了我的“智能基准测试”。
好的，我分享一下屏幕，让我们现场测试它是否起作用。我打开终端，进入 Codex。我输入一句很简单的话：“你能帮我做点什么？”我在我的 Codex 配置文件里内置了一个通知钩子（notify hook），当需要通知时，它应该在这个屏幕上显示点什么。
“亲爱的 Codex，你能帮我什么？”它会回答我。好了，结束了。也许我没注意我的电脑，看看它运行了没，它应该会发出声音。
（设备发出提示音，屏幕显示字符）
它发出“滴滴嘟”的声音了。朋友们，这改变了我的生活。
我做了三次 GPT 5.5 的评估，这是最让我印象深刻的一个。我会在博客上分享更多关于这个的过程，我也许会为这个特定的工作流做个小程序，我会尝试把代码开源。但这真的是让我狂喜的时刻，我都尖叫了。我的孩子们也惊呆了，他们可是看着我在这玩意儿上白费了多少力气的。我给他们发消息打招呼，然后直接用这个屏幕展示来回答他们的问题。我彻底着迷了。
所以，GPT 5.5 达到了我的智力基准线：你能否黑入这个采用专有蓝牙传输机制和位图压缩技术的数字屏幕？答案是：5.5 能做到。
关于 GPT 5.5 智能与效率的最终思考
Claire Vo: 好了，以上就是我们对 GPT 5.5 的快速评测总结。简而言之，我太爱它了。它超级聪明，超级高效，并且能够自主解决复杂问题，无论你提出多难的要求，它都能应对。它解决了我以前无法解决的问题。
最后我只想留给你们一个小提示：它默认带有一种被我称为“烤土豆（木讷乏味）”的性格，这也是我们对开箱即用的 Codex 的普遍印象——非常无聊呆板。但我在测试中发现，如果你在 Codex 中输入 /personality 命令，你就可以把它改成稍微友好一点的性格。虽然我的一些早期测试伙伴觉得这让它听起来太像“Z 世代（00后）”了，但我说：“我喜欢保持年轻，给我那个 Z 世代的 GPT 5.5 吧。我宁愿要它，也不要那种枯燥无聊的‘纸袋烤土豆’性格。”
除此之外，它是我最喜欢的高级软件工程师/主任软件工程师。我要去用它解决一大堆技术工作了。我真的很爱这个模型。
我迫不及待想听听你们的看法。如果你在 ChatGPT 中找到了合适的高智能测试场景，请告诉我。祝大家编程愉快，期待看到你们构建出的成果。谢谢大家！
节目片尾: 非常感谢您的收看。如果您喜欢这个节目，请在 YouTube 上点赞和订阅，更好的是，留下您的评论和想法。您也可以在 Apple Podcasts、Spotify 或您喜欢的播客应用上找到本播客。请考虑为我们评分和写评论，这将帮助其他人发现我们的节目。您可以访问 howiai.com 查看我们所有的剧集并了解更多关于节目的信息。我们下期再见。