{"meta":{"title":"使用不同任务比较 AI 模型","intro":"探索常见开发人员任务的真实示例以及示例提示、响应和指导，以帮助你为工作流选择合适的 AI 模型。","product":"GitHub Copilot","breadcrumbs":[{"href":"/zh/copilot","title":"GitHub Copilot"},{"href":"/zh/copilot/tutorials","title":"教程"},{"href":"/zh/copilot/tutorials/compare-ai-models","title":"比较 AI 模型"}],"documentType":"article"},"body":"# 使用不同任务比较 AI 模型\n\n探索常见开发人员任务的真实示例以及示例提示、响应和指导，以帮助你为工作流选择合适的 AI 模型。\n\n## 概述\n\n副驾驶聊天 中支持的每个 AI 模型都有不同的优势。 为了帮助你决定使用哪种模型，本文提供了常见开发人员任务的真实示例，以及示例提示、响应和指导，说明为什么特定模型非常适合。\n\n这些示例介绍了模型在推理风格、响应深度和处理视觉输入的能力方面的差异。 使用它们来比较输出质量，并为你的特定工作流程选择合适的模型。\n\n有关支持的模型和并排功能比较的完整列表，请参阅“[AI 模型比较](/zh/copilot/reference/ai-models/model-comparison)”。\n\n## GPT-4.1\n\n对于受益于速度、响应能力和常规用途推理的常见开发任务，GPT-4.1 是一个不错的选择。 在处理需要广泛知识、快速迭代或基础代码理解的任务时，可以使用 GPT-4.1 模型。\n\n### 示例方案\n\n请考虑在 Python 服务中为访问控制编写辅助函数的场景。 你想添加 docstrings 来阐明函数的目的。\n\n下面是为文档授予编辑权限的辅助函数：\n\n```python id=grant-editor-access\ndef grant_editor_access(user_id, doc_id):\n    access = AccessManager()\n    access.assign_role(\n        resource_type=\"document\",\n        resource_id=doc_id,\n        role=\"editor\",\n        user_id=user_id\n    )\n```\n\n### 示例提示\n\n```copilot prompt copy ref=grant-editor-access\nAdd a docstring to the function that explains what it does.\n```\n\n### 示例响应\n\n> \\[!NOTE] 以下响应是示例。 副驾驶聊天 的回答是不确定的，因此你可能会得到与这里所显示的不同的回答。\n\n```python\ndef grant_editor_access(user_id, doc_id):\n    \"\"\"\n    Grants editor access to a specific document for a given user.\n\n    This function uses the AccessManager to assign the \"editor\" role\n    to the specified user for the provided document ID.\n\n    Args:\n        user_id (str): The ID of the user to grant access to.\n        doc_id (str): The ID of the document to which access is being granted.\n    \"\"\"\n    access = AccessManager()\n    access.assign_role(\n        resource_type=\"document\",\n        resource_id=doc_id,\n        role=\"editor\",\n        user_id=user_id\n    )\n```\n\n### GPT-4.1 为何适合\n\n* 该函数简短且独立，因此非常适合快速生成 docstring。\n* GPT-4.1 可以识别模式，并提供清晰、简洁的说明。\n* 该任务不需要深层推理或复杂逻辑。\n\n## GPT-5 微型\n\nOpenAI GPT-5 微型 是一种快速且成本高效的模型，专为简单或重复编码任务而设计。 它能以极低的延迟提供可靠、简洁的答案，非常适合用于获取实时建议和轻量级开发工作流。 GPT-5 微型 针对速度和响应能力进行了优化，因此你可以针对小型代码更改进行快速迭代，或者对简单的提示进行即时反馈。\n\n### 示例方案\n\n假设你正在构建一个实用脚本，需要筛选用户记录的列表，使结果仅包含活跃用户，并按其注册日期排序。 这项任务很简单，不需要深度推理或多步骤逻辑。\n\n以下是用户列表的示例：\n\n```python id=user-list\nusers = [\n    {\"name\": \"Alice\", \"active\": True, \"signup_date\": \"2023-12-10\"},\n    {\"name\": \"Bob\", \"active\": False, \"signup_date\": \"2023-11-05\"},\n    {\"name\": \"Charlie\", \"active\": True, \"signup_date\": \"2024-01-15\"}\n]\n```\n\n### 示例提示\n\n```copilot prompt copy ref=user-list\nFilter the list of users to only include active users, and sort them by signup_date.\n```\n\n### 示例响应\n\n> \\[!NOTE] 以下响应是示例。 副驾驶聊天 的回答是不确定的，因此你可能会得到与这里所显示的不同的回答。\n\n```python\n# Filter to only include active users\nactive_users = [user for user in users if user[\"active\"]]\n\n# Sort active users by signup_date\nactive_users_sorted = sorted(active_users, key=lambda user: user[\"signup_date\"])\n\nprint(active_users_sorted)\n```\n\n### 为什么 GPT-5 微型 是一个理想的选择\n\n* 这项任务简单直接，可通过快速、低延迟的响应高效完成。\n* GPT-5 微型 针对成本和速度进行了优化，使其成为快速编辑、原型制作和实用工具代码的理想选择。\n* 如果希望获得简单编码问题的可靠答案，但不想等待不必要的深度解析时，可使用此模型。\n\n## GPT-5.2\n\nGPT-5.2 支持图像输入，使开发人员能够在 UI 检查、图表分析或布局调试等任务中引入视觉上下文。 这使得 GPT-5.2 特别适用于通过图像输入增强问题解决的场景，例如要求 Copilot 分析 UI 屏幕截图以识别辅助功能问题，或帮助理解布局中的视觉错误。\n\n### 示例方案\n\n你正在设计一个购物车系统，并有一个 UML 类关系图，概述了 `Cart`、`Product`、`User` 和 `Order` 之间的关系。 你不想从头开始编写系统，而是想上传关系图的图像，并要求 Copilot 生成类。\n\n![购物车 UML 关系图的屏幕截图，显示了“购物车”、“产品”、“用户”和“订单”的类详细信息。](/assets/images/help/copilot/shopping-cart-uml.png)\n\n### 示例提示\n\n```copilot copy\nUse this UML diagram to generate the classes for a shopping cart system.\n```\n\n### 示例响应\n\n> \\[!NOTE] 以下响应是示例。 副驾驶聊天 的回答是不确定的，因此你可能会得到与这里所显示的不同的回答。\n\nCopilot 将为关系图中的每个类生成一个类，包括它们之间的关系。 下面是为 `Cart` 类生成的示例代码：\n\n```python\nfrom cart_item import CartItem\nfrom order import Order\n\nclass Cart:\n    def __init__(self, cart_id, user_id):\n        self.cart_id = cart_id\n        self.user_id = user_id\n        self.items = []\n\n    def add_item(self, item):\n        self.items.append(item)\n\n    def remove_item(self, item):\n        self.items = [i for i in self.items if i != item]\n\n    def calculate_total(self):\n        return sum(item.quantity * item.product.price for item in self.items)\n\n    def place_order(self):\n        # Implementation for placing an order\n        return Order(\"\", None, 0)\n```\n\n### 为什么 GPT-5.2 非常合适\n\n* 其中解释视觉对象资产，例如 UML 关系图、线框或流程图，以生成代码基架或建议体系结构。\n* 对于查看 UI 布局或窗体设计和生成的屏幕截图非常有用。\n\n## 克劳德·海库 4.5\n\n克劳德·海库 4.5 是日常编码支持的良好选择，包括编写文档、回答特定语言的问题或生成模板代码。 它提供有用的直接答案，不会过度复杂化任务。 如果你在成本约束范围内工作，则建议 克劳德·海库 4.5，因为它在 克劳德十四行诗 4.5的许多相同任务上提供可靠的性能，但资源使用率较低。\n\n### 示例方案\n\n考虑一个场景，你正在为应用程序实现单元测试和集成测试。 你希望确保测试是全面的，并涵盖你可能想到和可能没有想到的任何边缘情况。\n\n关于方案的完整指南，请参阅 [使用 GitHub Copilot 编写测试](/zh/copilot/tutorials/writing-tests-with-github-copilot)。\n\n### 为什么 克劳德·海库 4.5 是一个理想的选择\n\n* 它在测试生成、样板基架和验证逻辑等日常编码任务方面表现良好。\n* 该任务倾向于多步骤推理，但仍处于较不先进模型的置信区间内，因为逻辑不太深入。\n\n## 克劳德十四行诗 4.5\n\n克劳德十四行诗 4.5 在软件开发生命周期的各个阶段都表现出色，从初始设计到 Bug 修复，从维护到优化。 它尤其适用于多文件重构或架构规划场景，在这些场景中理解跨组件的上下文非常重要。\n\n### 示例方案\n\n考虑这样一个场景：你正在用 Node.js 重写旧 COBOL 应用程序，从而使其现代化。 project涉及理解不熟悉的源代码、跨语言转换逻辑、迭代生成替换项，以及通过测试套件验证正确性。\n\n有关场景的完整指南，请参阅 [使用 GitHub Copilot 现代化旧代码](/zh/copilot/tutorials/modernizing-legacy-code-with-github-copilot)。\n\n### 为什么 克劳德十四行诗 4.5 是一个理想的选择\n\n* 克劳德十四行诗 4.5 能够很好地处理复杂的上下文，使其适用于跨多个文件或语言的工作流。\n* 其混合推理体系结构使其能够在快速答案和更深入、分布式问题解决之间切换。\n\n## 其他阅读材料\n\n* [AI 模型比较](/zh/copilot/reference/ai-models/model-comparison)\n* [GitHub Copilot Chat 指南](/zh/copilot/copilot-chat-cookbook)"}