ChatGPT für Coding und Canvas

Canvas gibt ChatGPT einen Editor direkt neben dem Chat, in dem Code und Text in einem dauerhaften Dokument liegen, das Sie an Ort und Stelle überarbeiten, statt im Chatverlauf nach der letzten funktionierenden Version einer Funktion zu scrollen. Der Chat bleibt links, das Artefakt bleibt rechts, und Änderungen greifen chirurgisch: eine Variable umbenennen, einen Block refactoren, Inline-Kommentare ergänzen, ohne die ganze Datei neu zu generieren. Diese Lektion zeigt, wie Sie in Canvas tatsächlich arbeiten, wann Sie dazu greifen und wann zu Advanced Data Analysis oder Codex, und wie eine Person ohne Entwicklerhintergrund mitlesen und die Kontrolle behalten kann.

Was Canvas wirklich verändert

In einem normalen Chat ist jede Überarbeitung eine neue Nachricht. Das Modell druckt das gesamte Skript erneut aus, Sie kopieren es heraus und verlieren den Diff. Canvas macht aus diesem Artefakt ein lebendes Dokument. Fordern Sie eine Änderung an, und ChatGPT bearbeitet den bestehenden Text und hebt hervor, was sich verschoben hat.

Canvas öffnet sich automatisch, wenn ChatGPT entscheidet, dass eine Antwort substanzieller Code oder ein längerer Text ist, oder Sie erzwingen es mit „open this in canvas“. Im Editor haben Sie:

• Gezielte Inline-Bearbeitungen. Markieren Sie einige Zeilen, beschreiben Sie eine Änderung, und nur dieser Bereich wird aktualisiert.
• Code-bewusste Shortcuts. Ein Menü bietet Aktionen wie Kommentare ergänzen, Logs ergänzen, Bugs beheben, in eine andere Sprache portieren und Code prüfen.
• Versionsverlauf. Springen Sie zu einem früheren Stand zurück, wenn eine Änderung die Sache verschlechtert.

Die offizielle Übersicht steht im ChatGPT Canvas Hilfeartikel. Lesen Sie ihn einmal, dann lernen Sie beim Bauen.

Ein kleines Skript in Canvas bauen

Machen wir etwas Konkretes und wirklich Nützliches: ein Skript, das eine CSV mit Ausgaben liest und eine Kategorienübersicht ausgibt. Auch wenn Sie kein Python schreiben, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie das steuern und die Ausgabe prüfen.

Starten Sie in einer beliebigen ChatGPT-Unterhaltung:

Open a canvas. Write a Python script that reads expenses.csv with columns date,category,amount, sums the amount per category, and prints categories sorted from highest to lowest spend. Use only the standard library.

Canvas öffnet sich rechts mit etwa Folgendem:

import csv
from collections import defaultdict

def summarize(path: str) -> dict[str, float]:
    totals: dict[str, float] = defaultdict(float)
    with open(path, newline="") as f:
        for row in csv.DictReader(f):
            totals[row["category"]] += float(row["amount"])
    return dict(totals)

if __name__ == "__main__":
    totals = summarize("expenses.csv")
    for category, amount in sorted(totals.items(), key=lambda kv: kv[1], reverse=True):
        print(f"{category:<15} {amount:>10.2f}")

Jetzt überarbeiten Sie an Ort und Stelle. Das ist der Teil, der im reinen Chat nicht saubere funktioniert.

Einen Bereich bearbeiten, nicht die ganze Datei

Markieren Sie die print-Zeile in der Schleife und sagen Sie Canvas:

Also show each category's share of total spend as a percentage.

Canvas schreibt nur die Ausgabelogik und die dafür nötigen umliegenden Zeilen um und lässt summarize unberührt. Sie sehen die Änderung hervorgehoben. Wenn sie Ihnen nicht gefällt, macht der Versionsverlauf sie rückgängig.

Die eingebauten Code-Aktionen nutzen

Öffnen Sie das Shortcut-Menü von Canvas und wählen Sie „Add comments“. ChatGPT kommentiert die Funktionen, ohne dass Sie einen Prompt schreiben. Wählen Sie „Add logs“, und es fügt Logging ein, damit Sie nachvollziehen können, was das Skript zur Laufzeit tut. Das geht mit einem Klick, weil das Modell schon weiß, dass das Dokument Code ist.

Die Aktion „Fix bugs“ sollten Sie gut verstehen. Canvas scannt das aktuelle Dokument, schlägt Korrekturen vor und erklärt jede davon. Der Code wird dabei nicht ausgeführt, das Modell schließt also auf wahrscheinliche Bugs, nicht auf beobachtete Fehler. Dieser Unterschied ist wichtig und führt direkt zum nächsten Werkzeug.

Canvas vs. Advanced Data Analysis vs. Codex

Diese drei überlappen sich, und die falsche Wahl kostet Zeit. Hier die klare Aufteilung.

Canvas ist ein Editor. Es schreibt und überarbeitet Code und Text, führt Ihr Python aber nicht gegen Ihre Daten aus. Hier formen Sie ein Artefakt, das Sie woanders ausführen.

Advanced Data Analysis (die Funktion, die früher als Code Interpreter auftrat) führt Python in einer Sandbox aus. Laden Sie Ihre expenses.csv hoch, und ChatGPT führt das Skript aus, zeigt echte Ausgaben, plottet Charts und fängt tatsächliche Laufzeitfehler ab. Nutzen Sie es, wenn Sie Ergebnisse aus Daten brauchen, nicht nur Quellcode. Siehe den Advanced Data Analysis Hilfeartikel.

Codex ist der Software-Engineering-Agent von OpenAI. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → arbeitet über ein ganzes Repository, läuft in seiner eigenen Umgebung, führt Tests aus und kann Pull Requests öffnen. Er ist für echte Codebases und Aufgaben über mehrere Dateien gebaut, nicht für ein einzelnes Snippet. Details in der Codex-Dokumentation.

Ein praktischer Workflow verkettet sie. Entwerfen und verfeinern Sie das Skript in Canvas. Wechseln Sie zu Advanced Data Analysis, um es auf der echten CSV laufen zu lassen und die Zahlen zu bestätigen. Steigen Sie auf Codex um, wenn das Skript ein Projekt mit Tests, Abhängigkeiten und Versionskontrolle wird.

Canvas zuverlässig machen

Canvas ist nur so gut wie die Vorgaben, die Sie ihm geben. Ein paar Gewohnheiten verhindern, dass es abdriftet.

Setzen Sie Ihre Vorgaben früh fest

Nennen Sie im ersten Prompt, was nicht verhandelbar ist: Sprachversion, erlaubte Libraries, Stil und Zielumgebung. Das „Use only the standard library“ oben hat verhindert, dass Canvas nach pandas greift, was eine Installation erzwungen hätte, die Sie nicht wollten. Wenn Sie das auslassen, schleichen sich bei späteren Änderungen Abhängigkeiten ein.

Custom Instructions und Projects tragen den Kontext weiter

Wenn Sie immer Type Hints, Docstrings in einem bestimmten Format oder einen bestimmten Stil der Fehlerbehandlung wollen, legen Sie das in Custom Instructions ab, damit jede Canvas-Session es erbt. Für eine längere Arbeit nutzen Sie ein Project: Es hält zugehörige Chats, Dateien und Instructions zusammen, sodass das Canvas, das Sie morgen öffnen, die Konventionen von heute kennt.

Prüfen, nicht vertrauen

Canvas führt Code nicht aus, ein Skript kann also perfekt aussehen und trotzdem scheitern. Zwei günstige Absicherungen:

1. Lassen Sie Canvas unten einen kleinen Test oder einen Beispiel-Input ergänzen, verschieben Sie die Datei dann in Advanced Data Analysis und führen Sie sie wirklich aus.
2. Nutzen Sie „Review code“ für eine Kritik und lesen Sie diese Kritik dann selbst. Das Modell markiert oft seine eigenen Edge Cases: leere Dateien, fehlende Spalten, nicht-numerische Beträge.

Für unser Skript ist eine gute Folgeänderung:

Handle a missing file and rows where amount is not a number. Skip bad rows and print how many were skipped.

Canvas patcht summarize und den Entry Point, ohne die Formatierungslogik anzutasten, die Sie schon abgenommen haben.

Von Canvas zu etwas Lauffähigem

Ein Skript in einem Editor ist ein Entwurf. Der Weg in die Produktion hängt davon ab, was Sie bauen.

Für eine persönliche, wiederkehrende Aufgabe

Wenn Sie diese Ausgabenübersicht wöchentlich wollen, sind Sie nicht darauf beschränkt, sie von Hand auszuführen. ChatGPT unterstützt geplante Tasks, die einen Prompt wiederkehrend auslösen können. Sie können ChatGPT bitten, Sie zu erinnern, die neueste CSV einzuwerfen und die Analyse erneut laufen zu lassen, und machen so aus einem Einmalskript eine Routine.

Für Ihre eigenen Datenquellen

Wenn die Daten nicht in einer Datei liegen, die Sie hochladen, sondern in einem angebundenen System, erlauben Connectors ChatGPT, aus Tools wie Cloud-Laufwerken und ausgewählten Drittanbieter-Apps zu lesen, abhängig von Ihrem Plan und den Admin-Einstellungen. Statt „read expenses.csv“ wird die Aufgabe „summarize this month's expenses from the connected sheet“. Canvas entwirft weiterhin die Logik, Connectors liefern den Live-Input.

Für echte Software

Sobald die Arbeit über eine einzelne Datei hinauswächst, geben Sie sie in einem Repository an Codex weiter oder bauen die Logik als richtiges Programm gegen die OpenAI APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → neu. Dieselbe summarize-Funktion kann hinter einem Structured-Output-Call sitzen, damit ein anderes System sauberes JSON statt gedruckten Text erhält:

from openai import OpenAI
from pydantic import BaseModel

client = OpenAI()

class CategorySummary(BaseModel):
    category: str
    total: float
    share: float

class Report(BaseModel):
    rows: list[CategorySummary]
    skipped: int

resp = client.responses.parse(
    model="gpt-5",
    input="Summarize this expense data into per-category totals and shares.",
    text_format=Report,
)

print(resp.output_parsed.rows[0].category)

Das nutzt die Responses API mit Structured Outputs, sodass das Modell Daten zurückgibt, die zu Ihrem SchemaSchemaEin Schema ist der formale Bauplan, der festlegt, wie Daten in einer Datenbank, einer Datei oder einer Nachricht strukturiert, benannt, typisiert und miteinander verknüpft sind.Vollständige Definition ansehen → passen, statt Freitext, den Sie parsen müssen. In Canvas prototypen Sie die Idee, mit der API wird daraus eine verlässliche Komponente. Die vollständige Referenz steht unter platform.openai.com/docs.

Warum das für Nicht-Entwickler wichtig ist

Sie müssen die Schleife nicht schreiben, um das Ergebnis zu verantworten. In Canvas lesen Sie die hervorgehobenen Diffs, akzeptieren oder verwerfen sie und steuern in einfachem Deutsch: „zeige Prozentwerte“, „überspringe fehlerhafte Zeilen“, „erkläre diese Funktion in einem Satz“. Diese Feedbackschleife ist die eigentliche Fähigkeit. Das Modell übernimmt die Syntax, Sie übernehmen Absicht, Vorgaben und Prüfung.

Die Falle ist, Canvas-Output für fertig zu halten, weil er sauber aussieht. Sauberer Code kann falscher Code sein. Ihre Aufgabe ist, Vorgaben immer wieder zu benennen, das Skript irgendwo auszuführen, wo es tatsächlich läuft, und die Kritiken zu lesen, die das Modell liefert. Tun Sie das, und Canvas wird ein schneller, kontrollierbarer Weg, kleine Tools zu produzieren, die Sie verstehen, auch ohne Coding-Hintergrund.

Wichtigste Erkenntnisse

• Nutzen Sie Canvas, um an Ort und Stelle zu überarbeiten. Bereich markieren, Änderung beschreiben, nur dieser Teil wird aktualisiert, mit Versionsverlauf zum Rückgängigmachen. Hören Sie auf, im Chat ganze Dateien neu zu generieren.
• Wählen Sie das richtige Werkzeug: Canvas bearbeitet, Advanced Data Analysis führt gegen Ihre Daten aus, Codex übernimmt echte Repositories. Verketten Sie sie: entwerfen, ausführen, dann ausliefern.
• Legen Sie Vorgaben vorab fest (Sprache, Libraries, Stil) und schieben Sie wiederkehrende Konventionen in Custom Instructions oder ein Project, damit jede Session sie erbt.
• Vertrauen Sie nie ungetestetem Code. Canvas führt nichts aus, verschieben Sie das Skript in Advanced Data Analysis oder ergänzen Sie einen Test, bevor Sie sich auf die Ausgabe verlassen.
• Steigen Sie für die Produktion auf die API um. Nutzen Sie die Responses API mit Structured Outputs, wenn die Logik zu einer verlässlichen Komponente werden muss, die andere Systeme aufrufen.