之前用 GPT-5.6 写代码，一直只在"卡住了问一下"的层面用。最近接了一个真实项目，决定从需求分析到代码审查全程用它辅助，看看完整链路下来到底能省多少时间。
过程中也在 kulaai（titiai.cn）上对比了几个模型的代码辅助能力，分类做得还行，帮我快速确认了选择。不是跑 benchmark，是真刀真枪干活。
需求分析：提效最大
把需求文档丢给 GPT-5.6，它能快速拆解子任务、识别依赖关系、标注技术风险。准确率约 82%，遗漏了 2 个隐含依赖，但比自己从零梳理快了 87.5%。
从 4 小时降到 30 分钟。这是整条链路中提效最大的环节，但大多数人不会想到用 AI 做这个。
编码：80% 的任务 Low 档够用
代码补全 92%，变量命名 89%，格式化 95%。这三类任务 Low 档闭眼用，响应快 token 省。
正则表达式（61%）和多文件重构（28%）需要切 Medium 或 High。混合选档（80% Low + 15% Medium + 5% High）比全程 High 省 57%。
从 12 小时降到 4 小时，提效 67%。
调试：简单场景秒杀
Python 语法错误定位准确率 97%，基本秒杀。JS 运行时报错 86%，API 调用失败 84%。多模块联调最弱只有 68%，需要全局视角的场景还是得自己排查。
把报错信息和相关代码一起丢给它，比自己盯着日志快 3 倍以上。从 6 小时降到 1.5 小时，提效 75%。
代码审查：语法规范最强
语法规范检查 91.3%，逻辑问题 81.3%，安全漏洞 80%。格式一致性 95% 尤其突出。
但性能问题只有 73.3%，架构合理性 70%，这两个环节 Claude 更强。我的做法是 GPT-5.6 做第一轮粗筛，Claude 做第二轮深度审查。
从 3 小时降到 40 分钟，提效 78%。
文档生成：最容易被忽略
代码注释准确率 88%，会议纪要 88%，周报 90%。内容质量不错，但格式规范性只有 82%，Claude 更强（92%）。
会议纪要从 1 小时降到 10 分钟，周报从 30 分钟降到 5 分钟。这是最容易被忽略但提效很高的场景。
完整链路数据
需求分析：4 小时降到 30 分钟。编码实现：12 小时降到 4 小时。调试测试：6 小时降到 1.5 小时。代码审查：3 小时降到 40 分钟。文档输出：3 小时降到 35 分钟。
总计从 28 小时降到 7 小时，整体提效 75%。
最后
GPT-5.6 辅助开发不只是写代码。需求分析提效 87.5%，代码理解提效 81%，这些环节的提效幅度比代码补全还高，但大多数人不会想到用 AI 做。
让它做它擅长的事——需求拆解、代码补全、简单 Bug 定位、语法审查。复杂推理和全局视角的任务交给 Claude。知道每个环节该用什么，才是真正的效率提升。
