Aniket Panjwani 是经济学家，也是 AI 工具的深度用户。他经营着 aieconomist.io，专门教经济学家和研究者用 AI 工具做研究。这篇文章讲的是他如何将 GPT Pro 真正嵌入工作流——不是当聊天工具，而是当终审法官。
为什么 GPT Pro 被低估了
GPT-5 Pro 是 OpenAI 最高 tier 的模型，特点是"用更多算力思考更久，给出持续更好的答案"。但大多数人没意识到它的真正价值。
一个 23 岁的数学爱好者用 GPT-5.4 Pro 单提示解决了困扰数学界几十年的 Erdős 问题。Wharton 的 Ethan Mollick 教授说，如果你在做复杂的学术工作，"现在没有任何替代品能替代 GPT Pro"。
但 Panjwani 指出，GPT Pro 的问题也很明显：
- 响应时间极长
- 在 Codex 的模型选择器里根本看不到 GPT Pro
- 这意味着你无法把代码库、业务上下文、研究资料直接喂给这个最强模型
正确的嵌入方式：审阅而非执行
Panjwani 的工作流是三段式：
第一阶段：迭代规划 用 Codex 和 Claude Code 反复迭代计划。他有一套自己创建和借用的 skills，在两个工具之间切换，直到对计划满意。
第二阶段：Codex 实现 把计划交给 Codex 执行，因为 Codex 在实现和工作方面比 Claude Code 更强。
第三阶段：GPT Pro 审阅 这是关键。不是让 GPT Pro 从头做，而是让它审阅已经迭代好的计划。触发条件有两个：
- 对计划的某个方面有技术、架构或产品层面的疑虑
- 计划涉及显著复杂的架构、技术或科学问题
经济学研究中的校准案例
Panjwani 举了一个具体例子：他和一位工业组织领域的知名经济学家合作，用 GPT Pro 审阅一个结构估计的计划。GPT Pro 提出了许多 nuances 和 objections，这位在 top five 经济学期刊发表过多篇论文的教授反思后认为都值得在计划中回应。
这个案例用来校准预期：GPT Pro 的思考质量可以达到什么水平。
但他也强调，GPT Pro 不是万能的：
- 在劳动经济学和政治经济学领域，实证方法对现在的 coding agent 来说已经相当简单，用 Pro 没优势
- Pro 不能写代码、查询数据集、然后根据发现更新——它没有交互式数据分析能力
- 即使给 PDF，直接 dump 进去问问题也得不到好答案，需要预处理提取关键部分
核心洞察
Panjwani 的核心观点是：你现有的 agentic coding 技能和上下文管理能力仍然至关重要，这可能是从 GPT Pro 获得好结果的关键。
GPT Pro 不是替代你的思考，而是放大你的思考。它最适合的位置是工作流的最后一步——当你已经用其他工具把问题结构化了，再让最强模型做最终判断。
这个模式可以复制到任何知识工作：学术研究、商业咨询、软件开发。关键是消除 GPT Pro 和 Codex 之间的摩擦，实现无手动复制粘贴的完整上下文传递。