ChatGPT Work 与 GPT-5.6 指南：在浏览器中完成端到端数据科学

GPT-5.6 是 OpenAI 最新的模型家族，分为三个层级： Sol 用于深度推理，Terra 适合日常均衡工作，Luna 面向快速、轻量任务。

与之同时，OpenAI 发布了 ChatGPT Work，这是 ChatGPT 内部面向多步骤、以文件驱动的工作流程而打造的项目工作区。

ChatGPT Work 允许您上传文件、在多轮提示间保持上下文，并在浏览器中直接生成代码、可视化与交互式工具，无需本地环境。

在本指南中，我将带您在 ChatGPT Work 内从零构建一个完整的银行客户流失预测项目。

我们将上传真实数据集，对数据进行审计与清洗，并通过可视化进行探索。

随后，我们将训练并比较多种机器学习模型，评估最佳模型，并部署一个用于实时流失预测的交互式网页界面。

最终，您将获得一个完整的项目包：包含清洗后的数据、图表、模型结果及一个可用的演示，一切都在浏览器中完成。

什么是 ChatGPT Work？

ChatGPT Work 是 ChatGPT 内的一个专用智能体，专为超越简单问答的雄心勃勃的多步骤任务而设计。

它可以在您的应用与工作流程中收集信息，创建成品材料，如电子表格、幻灯片、文档与 Web 应用；并能通过拆解任务、独立完成子步骤，在复杂项目上持续工作数小时。

借助内置的Codex 技术，ChatGPT Work 不止回答问题，还能在 Web、移动端与桌面端真正完成工作。

您可以跟进其进度、回答提问、调整方向，并在其工作过程中批准重要操作。

ChatGPT Work 由 GPT-5.6 提供支持，擅长处理多步骤任务的推理，并能根据您的模板与参考文件创建材料，达到行业前沿水平。

它还支持定时任务，即使您不在，也能推动项目进展，例如将 Teams 或 Slack 的新消息转化为更新后的文档，并与团队共享变更。

步骤 1：将数据集上传到 ChatGPT Work

每个数据科学项目都从数据开始。本步骤中，我们将在 ChatGPT Work 中创建一个专用工作区，并导入银行客户流失数据集以开始处理。

在浏览器中打开 ChatGPT，点击 Work 选项卡。然后点击聊天窗口左下角的 Choose Project，选择 New project，将其命名为 Bank Customer Churn Prediction。

同时，请确保选择 GPT 5.6 Sol Light，因为这是一个简单任务，我们不需要高强度推理。

界面应显示 Work 选项卡处于激活状态，聊天底部显示您的项目名称，模型下拉菜单设为 5.6 Sol Light。

接下来，从 Kaggle 下载Churn_Modelling.csv。

要上传该文件，点击消息输入区域的加号（+）图标，从电脑中选择文件并将其附加到会话中。该文件会以电子表格卡片的形式显示在输入框上方，准备发送。

步骤 2：使用 GPT-5.6 进行数据审计与清洗

原始数据很少完美。在构建模型之前，我们需要了解所用数据并修复可能影响结果的问题。

将以下提示粘贴到输入框并按回车：

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

发送提示后，ChatGPT Work 将使用其内置技能与工具读取数据集、理解其结构，并提供结构化的审计摘要。

您还可以查看 ChatGPT Work 为生成该审计摘要所执行的各个步骤。

这些步骤会显示在对话线程中，展示模型如何分析数据、应用校验规则并得出结论。

在聊天窗口右上角，点击圆点按钮打开 Outputs 面板。

该面板会显示两个生成的文件：一个清洗后的 CSV 文件和一份完整的 Markdown 审计报告。

步骤 3：在 ChatGPT Work 环境中创建数据可视化

仅有数字并不能完整讲述故事。此步骤中，我们将把清洗后的数据转化为展示客户流失模式的图表。

我们将创建一系列可视化，展示总体流失分布、按不同客户分群的流失率，以及留存与流失客户在数值特征上的比较。

我们还会生成相关性热力图，以查看数值变量之间的关系。

粘贴如下提示：

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

随后，ChatGPT Work 将生成用于分析与绘图的 Python 代码，并将所有内容编译为一份专业的 PDF 报告。报告包含每张图及其解释，还有关键发现的摘要。

您可以在 ChatGPT Work 内直接查看生成的文件或下载到本地审阅。

Outputs 面板将列出该 PDF 报告以及过程中生成的单个图表文件或代码笔记本。

步骤 4：构建与比较模型

在理解数据之后，就该训练模型来预测哪些客户可能流失了。

我们将构建规范的机器学习流水线，比较多种算法，并基于可靠指标选出最佳模型。

粘贴如下提示：

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

发送提示后，ChatGPT Work 将生成可复现的 scikit-learn 流水线脚本并运行它。

您将在对话线程中看到进度更新，涵盖各阶段：检查依赖库、运行流水线、仅在训练集上进行交叉验证，以及验证最终结果。

完成后，您将看到一张整洁的对比表，按指标对四个模型进行排名。

该表包含每个模型的准确率、精确率、召回率、F1、ROC-AUC 与 PR-AUC。

在本项目中，Gradient Boosting 模型表现最佳，在 PR-AUC 与 ROC-AUC 上领先。

步骤 5：评估预测模型性能

选出最佳模型后，我们需要查看其在未见过的数据上的表现。

我们将在未触及的测试集上进行完整评估，并创建便于理解的可视化结果。

粘贴如下提示：

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

发送提示后，ChatGPT Work 将在留出测试集上评估 Gradient Boosting 模型，并生成一份全面的 PDF 报告。

报告将包含四个可视化。

• 混淆矩阵热力图一目了然地显示真阳性、真阴性及错误预测数量。
• ROC 曲线展示在不同阈值下，模型对流失与未流失客户的区分能力。
• 精确率-召回率曲线突出捕捉流失与避免误报之间的权衡。
• 特征重要性图按重要程度对模型最倚重的变量进行排序，年龄、产品数量、活跃会员状态、账户余额与地理位置通常位居前列。

步骤 6：通过 ChatGPT Work Sites 直接部署 Web 应用

仅存在于报告中的模型不易共享。本步骤中，我们将把已训练的流失预测器变为任何人都可打开并测试的在线交互式 Web 应用。

粘贴如下提示：

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work 自带 Sites 功能，可让您直接在项目中构建并部署 Web 应用。

当您发送该提示时，ChatGPT Work 会先将模型输出与界面需求对齐，然后使用 HTML、JavaScript 与 CSS 创建应用。

它还会提供测试链接。该步骤耗时最长，因为需要将模型预测与精致的界面相连接，并即时响应用户输入。

点击链接后，Web 应用会在 ChatGPT 界面内打开。您将看到所有客户特征的输入字段，例如年龄、任期、账户余额与薪资。

您可以通过输入不同的数值进行测试，几毫秒内即可获得结果，显示客户更可能留存还是流失，以及对应的流失概率。

响应准确且迅速，能直观感受模型在真实用户数据上的表现。

这样，您无需编写任何后端代码或搭建服务器，即可为真实用户验证模型。

步骤 7：从 ChatGPT Work 导出最终项目与报告

每个扎实的项目都需要清晰的总结。本步骤中，我们将把已构建的一切整合为一份专业文档，完整呈现从原始数据到在线预测的全过程。

粘贴如下提示：

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

发送提示后，ChatGPT Work 会将整个项目合并为一份 PDF。

您将看到进度更新，显示其如何收集已验证的分析、模型结果、评估图表以及在线界面截图。

它还会生成两个示例客户画像：一个预测为留存，一个预测为流失，以证明演示有效。

完成后，Outputs 面板将列出最终报告 PDF。

报告涵盖数据审计、探索性分析、可视化、模型训练、模型对比、最终评估、关键结论、局限性、界面使用说明，以及两例可运行预测示例。

您可以直接在 ChatGPT Work 中打开，或下载后与他人分享。

ChatGPT Work 会将所有项目文件保存在 Outputs 面板中，但逐个下载可能较为繁琐。

最便捷的方式是让 ChatGPT Work 将所有内容打包为一个包含规范文件夹结构的 ZIP 文件。

粘贴如下提示：

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

发送提示后，ChatGPT Work 将收集所有生成文件，并将其整理到诸如 data、 visualizations、 reports、 modeling、 evaluation 与 web_interface 等文件夹中。

下载后，您可在本地解压并浏览项目的每一项产物，从原始的清洗数据到最终的在线预测应用，一应俱全。

结语

我认为 ChatGPT Work 将改变数据科学的工作方式。

一切都在浏览器里完成，无需安装、无需配置环境，也不再有依赖烦恼。

您只需上传文件、发送提示，随后即可看到它清洗数据、绘制图表、训练模型并部署在线应用，流程一气呵成。

它与Claude Code 等工具的体验相似，但胜在速度与简洁。无需任何配置、无需管理包，也不用等待内核启动。

只要与它对话，它就能为您搭建起来。

模型会分析数据、自我训练、自我评估，并通过一个可即时分享或测试的 Web 界面自助提供服务。

与本地使用VS Code、安装扩展、分散在各处的笔记本相比，我感觉这像是另一个世界。没有被环境占用的磁盘空间，没有版本冲突，也无需在十个工具间来回切换。您始终待在同一处，项目则在您身边不断生长。

对于想要从原始数据快速走到可用预测演示且不想动用终端的人而言，搭配 GPT-5.6 的 ChatGPT Work 是最快的路径。