之前用 GPT-5.6 基本是问问题等答案，觉得它就是个更聪明的搜索引擎。最近在kulaai（titiai.cn）上对比了几个模型之后，我才发现自己一直在用最低效的方式使用它。
转折点是一个真实的项目任务。我需要给一个 800 行的 Python 模块做重构，之前用 AI 做这种事就是丢代码进去让它改，改完自己对一遍。但这次我试着换了个用法，结果效率差了三倍。
从"问它"到"让它做"
以前我问"这段代码怎么重构"，它给我一段分析和建议，我看完自己动手改。这次我直接说"帮我重构这个模块，保持原有逻辑不变，把错误处理统一成分层结构"。
它直接输出了重构后的代码，每个改动处标注了"逻辑未变"还是"新增边界检查"。我不用自己对照着改，只需要验证关键逻辑。
区别在哪？以前是"问它怎么做"，现在是"让它做完"。前者你是主导，它是参考；后者它是主导，你是审核。
普通问答和技术任务的本质区别
普通问答对准确性要求不高，说错了一句话影响不大。但技术任务错一个细节代码就跑不通，错一个逻辑就可能引入 bug。
GPT-5.6 在技术任务上的进步比普通问答明显得多。它能理解项目上下文，记住之前几轮的改动，自动检查前后一致性。这些能力在普通问答中用不上，但在技术任务中是刚需。
我测了一个重构任务分五轮对话完成，它始终记得第一轮的改动，第四轮改数据层时还自动检查了第三轮的错误处理是否兼容。这种多轮协作能力是它最大的变化。
踩过的坑
要给明确的约束条件。说"重构这个模块"太模糊，说"保持逻辑不变，错误处理分三层，用 cursor 分页"它才能给精准方案。
要给业务上下文。同样的代码，告诉它"这是电商系统的支付模块"和什么都不说，输出质量差距很大。
关键结果要自己验证。它重构的代码语法没问题，但逻辑等价性不能完全信任。特别是边界条件和并发相关的地方，一定要跑测试。
简单任务没必要用任务模式。改个变量名、加个注释，一次提问就够了，不用分五轮。
和 Claude 4.8 怎么搭配
GPT-5.6 在多轮协作和上下文保持上更强，适合重构、方案设计、调试排查这类复杂任务。
Claude 4.8 在快速出活上更灵活，适合写新代码、改样式、补测试这类简单任务。
我现在是复杂任务用 GPT-5.6，简单任务用 Claude 4.8，搭配着用效率最高。
从"问它怎么做"到"让它做完"，这个转变看起来简单，但对效率的影响是倍数级的。工具还是那个工具，用法不同，结果天差地别。
