ChatGPT 使用指南🔗

关键词： ChatGPT, OpenAI, GPT-5, 提示词技巧, Custom GPTs, Canvas
难度： ⭐⭐
预计阅读时间： 25 分钟
最后更新： 2026-04-09

本章导读🔗

ChatGPT 是目前全球用户量最大的对话式 AI 工具，也是很多人接触大模型的第一站。本章将系统介绍 ChatGPT 的全部功能、最佳使用场景、高级提示词技巧，以及在科研工作中的具体应用案例。即使你已经在用 ChatGPT，本章也可能帮你发现一些没用过的功能。

1. ChatGPT 功能概览🔗

1.1 网页版和 APP🔗

网址： https://chatgpt.com
客户端： macOS / Windows / iOS / Android 均有官方 APP
免费版 vs Plus 版：

特性	免费版	Plus（$20/月）	Pro（$200/月）
通用对话模型	✅（额度有限）	✅（更高额度）	✅（最高额度）
高级推理模型	有限/按产品开放	✅	✅
图片生成	有限	✅	✅
文件上传分析	✅	✅	✅
自定义 GPTs	✅	✅	✅
Search / Deep Research	Search 可用，Deep Research 额度较少	✅	✅（额度最高）

重要更新： GPT-4o 已于 2026-02-13 从 ChatGPT 中退役。现在在 ChatGPT 里更常见的是 GPT-5.x 通用模型、Thinking 模式和更高配的推理档位；API 中仍可能看到旧型号。

建议： 对于科研使用，Plus 版通常够用。如果你重度使用高级推理、Deep Research 或长时间多文件任务，再考虑 Pro。

1.2 模型选择🔗

在 ChatGPT 界面中，你可以选择不同的模型：

GPT-5.x 通用模型：ChatGPT 当前的主力体验。适合日常对话、润色、翻译、图片理解和通用分析。
Thinking / 高级推理模型：适合数学推导、复杂代码逻辑、多步分析和需要更谨慎结论的任务。
Pro 级高配推理：适合极复杂、长链条、容错率要求高的任务，通常只在更高付费档可用。
mini / fallback 模型：适合简单任务，也常在免费额度用尽后自动接管。

如何选模型？ 简单原则： - 日常问答、翻译、润色 → GPT-5.x 通用模型 - 需要深度思考、推理、数学 → Thinking / 高级推理模型 - 简单问题、快速回复 → mini / fallback 模型

1.3 核心功能详解🔗

文件上传与分析🔗

ChatGPT 可以直接上传文件（PDF、Word、Excel、CSV、图片、代码文件等），常用场景：

上传 PDF 论文 → 让它总结、翻译、提取关键信息
上传 CSV 数据 → 让它分析、画图、找异常值
上传代码 → 让它解释、调试、优化
上传图片 → 让它识别内容（图表、公式、实验结果）

代码执行（Code Interpreter / Advanced Data Analysis）🔗

ChatGPT 内置了一个 Python 沙盒环境，可以直接运行代码：

自动生成 Python 代码并执行
可以直接操作你上传的文件
生成图表并下载
支持 pandas、numpy、matplotlib、scipy 等常用库

这个功能非常适合用来快速做数据分析和可视化。

联网搜索🔗

ChatGPT 可以实时搜索互联网，获取最新信息。适用于：

查找最新的工具版本号
查找最新论文和新闻
查询实时信息（天气、新闻等）

注意： Search 模式会附带可点击来源链接；它通常比“凭模型记忆回答”可靠得多，但仍可能出现引文不完整、来源与结论不完全匹配等问题。

Canvas 功能🔗

Canvas 是 ChatGPT 推出的协作写作/编码界面：

文档写作时会在右侧打开一个编辑器，你可以直接在上面修改
可以对选中的文字让 AI 做局部修改
代码编写时支持语法高亮和直接运行
适合需要反复修改的长文本或代码

自定义 GPTs🔗

你可以创建或使用别人创建的"自定义 GPT"——预设好角色、指令和知识库的专用对话机器人：

学术润色 GPT：预设了学术写作风格指令
代码助手 GPT：专注于某种编程语言
文献分析 GPT：上传论文后按特定格式输出分析

在 GPT Store 中可以搜索和使用社区创建的 GPTs。你也可以自己创建：点击左上角 → Explore GPTs → Create。

Deep Research🔗

Deep Research 是 ChatGPT 的深度研究功能：

输入一个研究问题，它会自动搜索数十个网页
综合分析后生成一份详细的研究报告（可能需要几分钟）
适合文献调研、技术选型、市场调查
会附带引用或来源链接，便于你逐条核查

2. ChatGPT 最适合做什么（和不适合做什么）🔗

2.1 ✅ ChatGPT 擅长的任务🔗

任务	效果评级	说明
英文润色	⭐⭐⭐⭐⭐	语法修正、表达优化，几乎是完美的润色工具
翻译（中↔英）	⭐⭐⭐⭐⭐	学术翻译质量很高，远超 Google Translate
代码生成	⭐⭐⭐⭐	Python/R/Bash 脚本生成质量不错
代码解释	⭐⭐⭐⭐⭐	解释别人的代码非常清楚
头脑风暴	⭐⭐⭐⭐	激发思路、列举可能性
文本摘要	⭐⭐⭐⭐⭐	快速总结长文档的核心内容
格式转换	⭐⭐⭐⭐⭐	JSON↔CSV、表格整理等数据格式转换
概念解释	⭐⭐⭐⭐	快速了解陌生领域的入门知识
邮件起草	⭐⭐⭐⭐⭐	正式邮件、回复审稿人信件

2.2 ❌ ChatGPT 不擅长的任务🔗

任务	风险等级	说明
直接让模型“凭记忆列文献”	🔴 高风险	不联网或不给原文时，仍可能编造论文标题、作者、DOI
使用 Search / Deep Research 查文献	🟡 中风险	通常能给出真实来源，但仍要核对引文是否真正支持结论
精确数学计算	🟡 中风险	简单计算可能出错（可用 Code Interpreter 解决）
最新信息查询（不开搜索）	🟡 中风险	不用 Search 时容易落后
专业领域深度问题	🟡 中风险	可能给出表面正确但实际有误的回答
计数和排列	🔴 高风险	"这个句子有多少个字"这类问题经常出错
生成实验数据	🔴 禁止	绝对不能用 AI 编造实验数据——这是学术不端

3. 高级使用技巧🔗

3.1 自定义指令（Custom Instructions）🔗

在 ChatGPT 设置中，你可以设定"自定义指令"——每次对话都会自动附带这些指令：

"关于你"（What would you like ChatGPT to know about you?）：

我是一名生命科学领域的研究生，研究方向是蛋白质结构与功能。
我日常使用 Python 进行数据分析，使用 Linux 服务器进行计算。
我的编程水平中等，熟悉 pandas、numpy、matplotlib。

"你希望如何回复"（How would you like ChatGPT to respond?）：

- 回答要简洁准确，避免过多废话
- 代码请添加简要注释
- 如果我问的是中文，请用中文回答；英文问则英文答
- 涉及学术内容时，请注明信息来源或建议我去哪里验证
- 如果你不确定某个信息，请明确告诉我

3.2 多轮对话策略🔗

ChatGPT 会记住整个对话历史。善用这个特点：

渐进式细化：先给出粗略需求 → 看初步结果 → 指出需要修改的地方 → 逐步完善
建立上下文：先上传你的论文/数据 → 然后在此基础上提问
中途纠偏：如果回答偏了，直接说"不对，我想要的是……"

示例——渐进式论文润色：

第 1 轮：请帮我润色以下段落的英文表达：[粘贴原文]
第 2 轮：很好，但"demonstrate"这个词用得太多了，请替换为更多样的表达
第 3 轮：请再检查一下时态一致性，这篇论文用的是过去时
第 4 轮：最后，请确保所有专业术语使用准确

3.3 高效的科研对话模板🔗

模板 1：论文段落润色🔗

请润色以下学术论文段落：

[粘贴你的英文段落]

要求：
1. 保持学术写作风格
2. 修正语法和拼写错误
3. 优化句式结构，使逻辑更连贯
4. 保留所有专业术语，不改变原意
5. 标注你做了哪些主要修改

模板 2：代码调试🔗

以下 Python 代码报错了，请帮我找出问题并修复：

```python
[粘贴你的代码]

报错信息：

[粘贴错误信息]

请： 1. 解释错误原因 2. 给出修复后的完整代码 3. 说明修改了哪些地方

#### 模板 3：实验方案咨询

我正在设计一个实验来 [描述实验目标]。

已有条件： - [列出你已有的设备/试剂/数据]

请帮我： 1. 评估这个实验方案的可行性 2. 列出可能遇到的问题 3. 建议需要设置的对照组 4. 推荐相关综述和代表性原始论文，并尽量附上 DOI 或来源链接（我会逐条验证）

#### 模板 4：数据分析代码生成

我有一个 CSV 文件，包含以下列： - sample_id: 样本编号（字符串） - condition: 实验条件（A/B/C 三组） - measurement: 测量值（浮点数） - replicate: 重复编号（½/3）

请帮我写 Python 代码： 1. 读取数据，检查缺失值 2. 计算每组的均值和标准误（SEM） 3. 做 one-way ANOVA 统计检验 4. 绘制柱状图（bar plot）+ 误差棒（error bar）+ 散点 5. 图片保存为 publication-quality 的 PDF（字体大小 12pt，宽 8cm）

---

## 4. 科研场景实操

### 4.1 论文润色实例

**输入原文：**

The protein was expression in E. coli and purify by Ni-NTA column. We found the protein have a high thermostability.

**推荐 Prompt：**

请润色以下实验描述，保持 Materials & Methods 部分的学术写作风格（被动语态、过去时）：

The protein was expression in E. coli and purify by Ni-NTA column. We found the protein have a high thermostability.

**ChatGPT 输出示例：**

The recombinant protein was expressed in E. coli and purified using a Ni-NTA affinity chromatography column. The purified protein exhibited high thermostability.

主要修改： 1. "expression" → "expressed"（时态/词性修正） 2. "purify" → "purified"（时态修正） 3. "by" → "using"（学术表达习惯） 4. "We found" → 改为被动语态（学术风格） 5. "have" → "exhibited"（时态修正 + 学术用词） 6. 添加 "recombinant" 和 "affinity chromatography" 使描述更精确

### 4.2 代码生成实例

**场景：** 需要批量将 PDB 文件中的 B-factor 列替换为 pLDDT 分数

**Prompt：**

写一个 Python 脚本，完成以下功能： 1. 读取一个目录下所有的 .pdb 文件 2. 对每个 PDB 文件，将 B-factor 列替换为从另一个 CSV 文件读取的 pLDDT 分数 - CSV 文件格式：residue_number, plddt_score - PDB 中 B-factor 列位于第 61-66 列（固定格式） 3. 保存修改后的 PDB 到输出目录 4. 使用 argparse 接收命令行参数

请使用标准库，不依赖 BioPython。

### 4.3 数据可视化实例

**Prompt：**

生成一个 Python 脚本，读取附件中的 CSV 数据，绘制以下图表： - 组合图：scatter plot + violin plot - X 轴：不同的蛋白突变体（categorical） - Y 轴：酶活性（U/mg） - 配色使用 Nature 期刊常用色板 - 添加统计显著性标注（t-test, * p<0.05, ** p<0.01, *** p<0.001） - 输出为 300 dpi TIFF 格式，宽 18cm，高 12cm ```

实操演示🔗

练习 1：设置你的自定义指令🔗

打开 ChatGPT → 右上角头像 → Settings → Personalization → Custom Instructions
参照 3.1 节的模板，填入你自己的信息
开启一个新对话，测试效果

练习 2：用 Canvas 写一段代码🔗

新建对话，输入：请用 Python 写一个计算蛋白质分子量的函数，支持输入氨基酸序列
当 Canvas 打开后，尝试选中某段代码，让 AI 优化
点击运行按钮测试代码

练习 3：用 Deep Research 做文献调研🔗

输入：请帮我调研 2024-2025 年蛋白质结构预测领域的最新进展，重点关注 AlphaFold3 之后的新方法
等待几分钟，查看生成的报告
逐一验证引用是否真实存在，且与报告中的结论一致

本章小结🔗

✅ ChatGPT 提供了对话、文件分析、代码执行、联网搜索、Canvas、Deep Research 等丰富功能
✅ 2026 年的 ChatGPT 以 GPT-5.x 通用模型和 Thinking 模式为主，不要再按旧教程去找 GPT-4o/o1/o3
✅ 自定义指令和自定义 GPTs 能显著提升日常使用效率
✅ 善用多轮对话进行渐进式细化，而不是试图一步到位
✅ 论文润色、代码生成、数据分析是科研中 ROI 最高的使用场景
✅ 永远验证 AI 输出，尤其是文献引用和数值计算

延伸阅读🔗

ChatGPT 官方帮助文档（2026-04 访问）
OpenAI Cookbook — 官方使用示例
GPT Store — 探索社区创建的自定义 GPTs
相关章节：01 大模型基础认知、04 其他主流大模型