预计字数：5000 字 阅读时间：12 分钟 难度等级：⭐⭐（在用 AI 工具的人，不是纯小白） 核心价值：让读者看懂 Chat/Work/Codex/Cowork 的差异，选对入口、选对模型、省下额度

---

Codex迎来史诗级更新，而随之而来的几个问题你都搞懂了吗 ？

先从一个场景说起

你在写一份行业调研报告。

打开 ChatGPT 桌面端，看见三个入口：Chat、Work、Codex。

你的第一反应不是兴奋，而是三个问题：

到底点哪个？额度是不是三份？白天用 Work 跑了大任务，晚上 Codex 还有没有余量？

你打开其中一个试了试，跑通了。

但你不确定自己用的是对的。

你不是一个人。

GPT-5.6 分了三档模型——Sol、Terra、Luna——让选择变得更复杂了。

很多人以为先选入口再选模型就完事了，但实际跑起来才发现，还有另一个产品也提供类似能力：Claude Cowork。

所以今天这篇，我的核心意图是帮你理清三层关系：

第一层：ChatGPT Work 和 Claude Cowork，到底差在哪？

第二层：Chat、Work、Codex 三个入口，我该用哪个？

第三层：Sol、Terra、Luna 三个模型，怎么选才不浪费？

三层理清楚，你花在"选东西"上的时间，可以从每天五分钟降到每个任务十秒。

---

第一层：Work 和 Cowork，到底差在哪

我先说结论，再给证据。

ChatGPT Work 和 Claude Cowork 不是谁碾压谁的关系。

两边各有侧重，我花了一周时间，把能找到的官方资料和实测对比了一遍。

以下是截至 2026-07-11 的六个维度的对比。

说在前头：两边都在快速迭代，这个对比的有效期就截止到这一天，之后可能有变化。

六个维度的直接对比

维度	ChatGPT Work	Claude Cowork
核心定位	跨工具收集上下文，交付文档、表格、演示、报告和 Sites	跨文件、连接器和应用执行长任务，交付专业文件或 Live artifacts
本地执行	继承 Codex 的本地沙箱与权限体系，可用本地文件、桌面应用、浏览器和 Computer Use	Agent loop 与文件、网页工具原生运行；Shell 和代码进入隔离 Linux VM
外部应用	插件打包 Skills 和 Apps，Apps 负责外部数据和动作	Connectors、Plugins、Skills 并存，远程连接器与本地 MCP/桌面扩展并存
跨设备	云端 Work 可在云端界面延续，但上线初期与桌面 Work 分开	远程会话可在桌面、网页、手机继续
离线后台	取决于任务运行位置和本地资源需求	远程任务和定时任务可在电脑离线时继续
本地资源限制	网页和手机 Work 不能直接访问本机文件	网页和手机远程会话访问本地文件时需桌面 App 在线

Work 的官方交付物

截至 2026-07-11，OpenAI 官方列出 Work 可交付的产品类型包括：文档、表格、演示文稿、报告和 Sites。

桌面端还可在授权后使用本地文件、桌面应用与内置浏览器。

Cowork 的架构特征

Claude Cowork 的本地架构和纯粹云执行不一样。

Agent loop、文件读写、网页抓取和本机 MCP 是直接运行在设备上的。

只有 Shell 和代码执行进入了隔离 Linux VM。

这一点在官方架构文档里有说明。

远程会话可以跨桌面、网页和手机继续。

远程任务和定时任务甚至在你电脑离线时也能运行——但需要访问本地文件、浏览器或 Computer Use 时，桌面 App 必须在线。

场景建议

如果我来选，我会这么判断：

你的工作重度依赖本地文件，并且已经形成了 ChatGPT / Codex 的工作流。 比如你天天跟本地代码仓库、本地文档打交道，Work 目前整合度更高，因为它和 Codex 共享同一套权限和沙箱体系。

你更看重跨设备连续性，希望远程丢一个任务，电脑关着它也能跑完。 Cowork 在这个环节更完整。它的远程会话架构就是为这个场景设计的。

你两边都不是重度用户。 那就跟你的主力工具走——用 ChatGPT 多就 Work，用 Claude 多就 Cowork。没有哪个是错的。

---

第二层：Chat、Work 还是 Codex

搞清楚 Work 和 Cowork 的差异之后

第二个问题回到 ChatGPT 自身：Chat、Work、Codex 三个入口，到底怎么选？

截至 2026-07-11，官方给出的定位很清晰：

• Chat 负责快速问答与交流。
• Work 负责研究、分析和成品交付。
• Codex 负责软件开发和技术工作。

我用自己的话给你翻译一下：

• Chat 给你答案。
• Work 给你成品。
• Codex 给你代码变更。

但实际任务不会这么干净。

你经常碰到的混合场景是：又要查资料，又要整理成报告，可能还要改两行代码。

所以我给自己定了一套简单的决策路径——像一张派工单：

• 只想问、查、讨论、脑暴 → Chat
• 要跨邮件、文档、表格、聊天记录收集资料，并交付报告、PPT、表格或网站 → Work
• 要读代码仓库、改文件、跑命令、测试、审查或提交代码 → Codex

那如果同一个任务既有业务资料又有代码呢？

看最终交付物。

如果最终要的是一份商务成品——报告、方案、演示文稿——优先用 Work。

如果最终要的是一段可审查的代码变更，优先用 Codex。

这个判断标准比记产品名字要靠谱得多。

  

只想问、查、讨论、脑暴
  → Chat

要跨邮件、文档、表格、聊天记录收集资料，并交付报告/PPT/表格/网站
  → Work

要读代码仓库、改文件、跑命令、测试、审查或提交代码
  → Codex

同一任务既有业务资料又有代码
  → 先看最终交付物：商务成品优先 Work；可审查的代码变更优先 Codex

入口的边界

以下信息截至 2026-07-11，来源是 OpenAI 官方帮助文档（更新于 2 天前）：

• Work 在符合条件的付费计划中可用于网页和手机。但桌面端的开放范围更广。
• Codex 目前不是网页或手机的独立模式选项。手机端只能通过 Remote 访问部分桌面任务。
• 云端 Work 对话与桌面 Work 线程在上线初期不互通。
  • 官方原文写的是 "At launch, cloud Work conversations do not appear in desktop Work; desktop Work threads and local files remain on that computer。" 这是一个上线初期的状态，后续可能更新。你在桌面开的线程，网页端暂时看不到。
• Work 和 Codex 包含在 Free、Go、Plus、Pro、Business、Edu、Enterprise 计划中。但具体入口、模型、额度和功能仍受计划、工作区、地区和灰度发布影响。

如果你在手机上找不到某个入口，不是你操作有问题，是入口本身还在灰度。

---

第三层：Sol、Terra、Luna 到底怎么选

入口选好了。

但打开 Work 或 Codex 之后，又会出现新的选择：三个模型，用哪个？

三档模型与真实价格

截至 2026-07-11，GPT-5.6 分三档：

• Sol：最高质量，偏复杂推理和关键交付
• Terra：日常平衡档，大多数任务的默认选择
• Luna：最快、最经济，偏高频轻任务

API 单价（每百万输入/输出 Token）：

模型	输入价格	输出价格
Sol	$5	$30
Terra	$2.5	$15
Luna	$1	$6

这里必须说清楚：这是 API 的 Token 单价，不等于你在 ChatGPT 订阅里每次任务花的钱。

订阅侧用的是 credits，不是直接按美元 Token 结算。

不要把 API 价格直接套到你的订阅余额上。

额度共享——最容易说错的地方

很多人以为 Chat、Work、Codex 各有一份额度。

不是。

截至 2026-07-11，官方明确说明：Work、Codex、ChatGPT for Excel 和 Workspace Agents 从同一个 agentic usage / credits 池扣减。

什么意思？你白天用 Work 跑了三个大任务，晚上 Codex 可能就没多少余量了。它们是同一个池子。

正因为是共享池，你得知道池子怎么算的：

• credits 是订阅侧的使用计量单位。Token 是模型读取与生成信息的单位。 两回事。
• 同一个任务，模型越强、上下文越长、调用的工具越多、运行时间越久，消耗就越高。
• 官方当前按每百万 Token 给出 credits 换算。GPT-5.6 平均每条消息约消耗 5 到 40 credits，但实际波动很大。
• Fast mode 会提高 credits 消耗。

再说一遍：API 的 Token 单价不能直接套到你的 ChatGPT 订阅余额上。

一个是开发者按量付费的计价方式，一个是订阅内的额度池，两套体系，别混。

我能用哪个模型？

截至 2026-07-11 的情况：

Free 和 Go 计划在 Work、Codex 里使用的是 Terra。

Plus、Pro、Business、Enterprise、Edu 可以选 Sol、Terra、Luna。

Work 的 ultra 档面向 Pro 和 Enterprise。Codex 的 ultra 档面向 Plus 及以上。

---

踩坑：以为越强越好

知道了价格、知道了额度、知道了权限之后，你可能会觉得自己已经可以选了。

但实际跑起来，还是有坑。

我踩过最大的坑，是用 Luna 去跑一个需要跨模块分析的 bug 排查。

Luna 的定位是快速、经济的执行层。

适合按既定模板整理、抽字段、格式化、清单核对——规则明确，可验证。

但我丢给它的那个 bug，根因不确定，可能跨三个模块，需要读日志、审配置、对比历史变更。

我偷懒了。想着让 AI 先跑一遍，不行再换。

结果跑了四轮。每一轮它都在小范围里绕圈，给我一些看上去对、但根本不在点上的分析。

最后换成 Sol，两轮定位到根因。

回头看那四轮用 Luna 跑的时间，加起来比 Sol 一轮还久。钱没省，时间翻倍，人还烦。

反过来我也干过蠢事。用 Sol 去整理一份结构化的销售数据——按模板抽字段、去重、归档。Sol 干完了，很完美，但它花了 Luna 三倍的 token，速度还慢。那个活 Luna 就能干，1/3 的成本，同样完美。

两个方向都吃过亏之后，我给自己定了三条原则。

三条原则

第一条：不是谁更强，是谁够用。

每次做决定的时候，问自己一个问题就够了：这个任务搞砸了，最大的损失是什么？

如果是多花五分钟重做，那 Luna 都够。如果是数据丢了、发错了、上线崩了，那你必须上 Sol，而且 Sol 只做判断和拆分，执行可以下放给 Terra 或 Luna。

这个问题的答案，决定了你的下限。

第二条：推理强度不是越高越好。

很多人觉得 ultra 肯定比 low 好。不是的。

推理强度越高，模型想得越深。但想得越深意味着 token 消耗越大，而且它可能会过度推理——本来一句话能决定的方案，它给你分析出十个备选。

正确的做法是先低后升。不确定的时候，先从 Luna-low 或 Terra-medium 开始。失败了看原因：如果是模型认知不足，升级模型而不是升级强度；如果是推理路径太浅，加一档强度；如果是多文件协作的边界问题，先换 Terra 或 Sol。

每次升级都要问自己：我真的需要更深推理，还是这个任务根本就不是这个模型能干的？

第三条：Sol 不是万能的，它是最贵的。

Sol 应该用来做判断和拆分，而不是做执行。

一个复杂任务，Sol 应该做的事是：明确问题范围、识别风险、拆成可验证的子任务、定验收标准。子任务如果能用 Terra 或 Luna 干的，就下放。只有那些 Sol 真正擅长的部分——系统架构、安全变更、冲突事实裁决——才由 Sol 亲自完成。

这样你花的每一分钱，都花在关键判断上。而不是花在让 Sol 干整理文档这种活上。

三个问题帮你快速决定

三条原则太抽象？我把它简化成三个问题。

第一问：这个任务的目标有多清楚？

如果你能一句话说清楚——输入是什么、要它做什么、输出长什么样——那 Luna 很可能就够了。

如果你只能说出方向，说不出具体结果——「帮我看看这个系统有没有优化空间」——那就是 Terra 或 Sol 的领域了。

第二问：搞砸了会怎么样？

这事其实是分层的。

搞砸了最多损失两分钟重来一次 → 随便，Luna 都够。

搞砸了要返半个小时的工 → 用 Terra，但不要拉满 Sol。

搞砸了数据丢了、发给错误的人、上线出了问题 → 上 Sol，而且你自己也要在最后一步核验。

第三问：你打算怎么验收？

如果你知道验收标准长什么样——输出必须是一个 CSV，五列，第一列是日期——那 Luna 干完你抽验几行就行。

如果你不知道验收标准——帮我想几个方案，我看看哪个好——那就别指望 Luna 能产出让你满意的结果。这是 Sol 或至少 Terra 的活。

三个问题想清楚，你基本就能确定该用哪个模型。

推理强度：先低后升

选完模型之后才是推理强度。

很多人把这两个混在一起，觉得 Sol 就是强推理，Luna 就是弱推理。

不是的。

模型和推理强度是独立的两件事。

Luna 也能用 medium 强度，Sol 也能从 low 开始。

判断方法：先用模型的最低足够档。

• Luna 从 low 开始。
• Terra 从 medium 开始。
• Sol 从 low 或 medium 开始。

Codex 桌面端推理强度设置界面 — 展示 low/medium/high/ultra 四个级别

只有在下面四种情况下才升级：

1. 1. 任务跑完了结果不对，而且你知道是哪一步推错了
2. 2. 跑的过程中发现，依赖的东西比你以为的多
3. 3. 事实来源互相矛盾，需要模型做裁决
4. 4. 或者一开始就没选对模型，需要重新路由

每次升级，把已经做好的内容、错误信息、待裁决的问题一起带上，不要让模型从头重新推理。

这个策略的核心是：你不在不确定的时候花大钱，该花的时候也不省。

---

不是只有你一个人这么选

其实不只我在这么干。

有一个开源项目叫 UberDev，给 44 个 Agent 角色做了六档模型路由：

写文档、做计划这些确定性强的活，直接扔给 Luna economical。

需要持续对话、日常开发的，落到 Terra standard。

而架构设计、风险决策这些高不确定性任务，才上 Sol 的 quality、high、max 甚至 ultra。

还配了 562 条路由规则验证通过。

什么意思呢？就是这件事不是只有我觉得需要做分级。

那些真正在跑 Agent 团队的人，也在干同样的事。

🎯

选入口、选模型不是哪个最强用哪个的懒人思维。

它是一种工作习惯。

官方客户案例也能看到同一趋势。据官方客户案例称：

Zapier 原本单条线索需要在 HubSpot、Gong、邮件等平台间人工检查 35 到 45 分钟，使用 Work 后建立了线索旅程分析、流失点识别和管理层周报流程。

NVIDIA 原先约 40% 时间用于活动名单、报名与反馈的手工表格分析，后来把流程做成了可重复运行的 Work 工作流。

Shopify 用 Work 汇总 Slack 与项目上下文、生成跟进，并用于分析 3500 名非研发员工的 AI 使用模式。

注意，这些是 OpenAI 产品页展示的客户陈述，不是我亲自验证的结果。

---

省额度：五条实操建议

额度是共享池，省着用不是抠门，是给你真正需要的大任务留空间。

第一，日常工作默认 Terra。 Terra 是平衡档，绝大多数任务用它不会翻车也不会浪费。复杂判断再切 Sol，格式整理和批量轻任务用 Luna。

第二，轻任务明确用 Luna。 抽字段、去重、格式化、清单核对——这些活的成本只有 Sol 的五分之一。

第三，一次只给当前任务需要的文件。 不要把整个资料库塞进去。上下文越长，消耗越高。

第四，先要求短版交付，确认方向后再扩写。 一上来就要万字长文，如果方向错了，前面的 token 全白烧。

第五，白天跑大任务前先看 Codex usage dashboard。 Work 和 Codex 共用同一个池子，跑之前看一眼余量，心里有数。

---

三个习惯

如果你想把这些落地，不用记什么评分表。

三个习惯就够了。

• 第一，每次安排任务时先看入口：这是 Chat、Work 还是 Codex 的活？
• 第二，每次选模型时从最低档开始。失败了再升级。不是一步到位拉到满。
• 第三，每次用 Sol 时，只在判断和拆分上用 Sol，执行交给 Luna 或 Terra。

这三个习惯做到。

你不一定是最会用 GPT-5.6 的人。

但你肯定是花钱最少、翻车最少的那一个。

既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果可以给我个星标⭐，将不胜感激～谢谢你看我的文章，我们，下次再见。

---

#GPT5.6 #ChatGPTWork #ClaudeCowork #模型选择 #大象AI共学

作者：大象-推动 AI 共学，让普通人轻松上手AI

相关链接

1. 1. OpenAI GPT-5.6 官方页面：https://openai.com/index/gpt-5-6/
2. 2. OpenAI ChatGPT Work and Codex 帮助文档：https://help.openai.com/en/articles/20001275-chatgpt-work-and-codex
3. 3. Claude Cowork 架构概览：https://support.claude.com/en/articles/14479288-claude-cowork-architecture-overview
4. 4. 使用 Work 的 Codex 额度说明：https://help.openai.com/en/articles/11369540-using-codex-with-your-chatgpt-plan