分享CC与Codex的提示词调优经验

背景

LINUX DO 论坛的「AI」板块一直是中文技术社区中探讨大型语言模型（LLM）应用、提示词工程与工作流的活跃据点。近日，一位用户发布了一则题为「分享一下我的CC和codex的提示词」的帖子，分享了自己针对两个编码辅助工具——CC（具体指基于 GLM-5.2 和 Opus 4.8 的公益站接口）和 Codex（具体指 GPT-5.5 的直连版本）——打磨出的提示词方案。该提示词的原版来自同事，经过长达一个多月的迭代调优，并借助 Opus 4.8（公益站）和 GPT-5.5（Codex 直连）按照各自模型的能力边界与用户的使用经验进行了最终处理。帖子引发了不少关注，共有 14 条回复、12 位参与者参与讨论，目前仍在持续。

核心内容

帖子的核心是一套经过深度定制的提示词，用户将其分别应用于两个不同的 AI 编码工具：

• CC：用户常用的工具之一，背后依赖两个模型——GLM-5.2（源自智谱 AI 的 GLM 系列）和 Opus 4.8（Claude 系列的非官方或自架版本），两者均通过「公益站」（即免费或社区自建的 API 端点）调用。
• Codex：用户使用的另一工具，依赖 GPT-5.5（OpenAI GPT 系列的非官方版本或自架直连版本），由同事提供直连渠道。

提示词的原版最初来自用户的同事，最初在 LINUX DO 上被分享。用户根据自己的职业背景与大量使用经验，对原版提示词进行了逐步修改，历时超过一个月。之后，用户又利用 Opus 4.8 和 GPT-5.5 这两个模型，按照它们各自的能力边界（例如推理风格、上下文长度、对代码的理解精度）以及用户自己的操作习惯，对提示词进行了优化和校准，最终形成了两套分别适用于 CC 和 Codex 的提示词。帖子正文中提供了两个折叠区块（click for more details），分别展示 CC 与 Codex 所用的具体提示词，但用户仅摘要了背景说明，未见完整提示词原文。

关键要点

• 提示词的打磨过程长达一个多月，经历了从同事获取原版、基于个人职业场景调整、再到借助高端模型自动优化的三个阶段。
• 用户使用了两种不同的模型「家族」来辅助制作提示词：Opus 4.8（Claude 系）负责处理 CC 侧，GPT-5.5（GPT 系）负责处理 Codex 侧，体现了对不同模型风格的针对性利用。
• 最终的提示词被适配到两个不同的运行环境：CC 使用公益站接入 GLM-5.2 和 Opus 4.8；Codex 使用同事提供的直连接入 GPT-5.5。这种部署方式可能涉及不同模型的能力侧重（如 GLM-5.2 在中文推理、Opus 4.8 在复杂代码理解、GPT-5.5 在长文档生成上的差异）。
• 帖子本身是一则经验分享，目标受众是同样使用 CC 和 Codex 工具（或类似 AI 编码助手）的技术用户，具有较高的实操参考价值。

意义与影响

该帖子集中反映了当前 AI 辅助编程社区中两个重要趋势：

1. 提示词成为可迭代的「数字工具」：用户不再满足于直接使用公共提示模板，而是围绕自己的职业角色和工具特性，进行长达数周的反复调试，甚至利用高级模型本身来优化提示词。这种「提示词工程 → 元提示」的升级路径，正在成为资深用户的标准工作流。

2. 多模型、多接口的混合使用：CC 和 Codex 各自接入不同模型（GLM、Claude、GPT），且调用方式也不相同（公益站 vs. 直连）。这显示用户不只依赖单一 AI 服务，而是根据成本、可用性、模型特长构建了一个个人化的「模型路由」体系。公益站和直连模式则降低了使用门槛，促进了社区间模型资源的共享。

3. 社区生态驱动创新：提示词源自 LINUX DO 上的同事分享，又经过优化后回馈社区。这种「获取 → 修改 → 发布」的闭环，体现了技术论坛在 AI 工具实操知识传播中的核心作用。帖子的 14 条回复和 12 位参与者，也从一个侧面表明类似的话题在中文开发者中有较高的讨论热度。

4. 对模型能力边界的实际认知：用户提到「按照它们自己的能力边界和我的经验处理」，这提示出不同模型在代码生成、逻辑推理、中文理解上存在实际差异。成功使用 AI 的第一步不是选择「最强模型」，而是理解每个模型的固有边界，并针对性地调整提示词。该帖子提供的思路对于其他希望定制 AI 助手的开发者具有直接的参考意义。