重點整理

• Gemini 3.5 Flash 最昂貴的錯誤，是無聲的預設值，而不是語法錯誤。

• 對許多程式設計代理而言，low 比大家預期中更適合作為預設值。

• 透過 GitHub Copilot 執行高頻代理迴圈，可能因為 14 倍計費而變得昂貴許多。

• 在 We0 AI，模型選擇只是工作流程的一部分。其餘在於產品如何被說明、呈現與發掘。

gemini-3.5-flash 看起來很容易呼叫。

也正因如此，它很容易被低估。即使只是將預覽版本時期的程式碼做小幅遷移，也可能產生更差的輸出、不同的成本結構，以及更昂貴的多輪迴圈，而且全程不會拋出任何明顯錯誤。

本指南聚焦於最重要的三個陷阱、可避免這些問題的程式碼寫法，以及一個你可以快速調整套用的實用 MCP 風格代理迴圈。

陷阱 1：thinking_level 的預設值從 High 降為 Medium

這很危險，因為什麼都不會當掉。

你把舊程式碼移植過來，請求仍然會回傳，但模型的推理層級已不再是你原本以為的那個水準。

舊版與新版的思維模型

值

作用

使用時機

minimal

最低限度的推理

自動補全、分類、單次完成

low

針對程式碼與代理任務重新調整

程式設計代理、MCP 工具迴圈、多步驟工作流程

medium

新的預設值 — 平衡

消費者聊天、一般問答

high

最大推理強度

高難度推理、除錯新型問題、數學、規劃

最容易犯的錯誤

response = client.models.generate_content(
    model="gemini-3-flash-preview",
    contents=prompt,
)

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=prompt,
)

第二段程式碼可以執行，但預設值已經和以前不同了。

更安全的移植方式

from google import genai
import os

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=prompt,
    config={
        "thinking_config": {
            "thinking_level": "high"  # or "low" for coding agents
        }
    },
)

違反直覺的建議

對許多程式設計代理工作流程來說，應該先從 low 開始，而不是 high。

實務上的原因很簡單：

• 更快

• 更便宜

• 對以工具為主的程式設計迴圈來說，通常已經夠用，或表現相近

陷阱 2：GitHub Copilot 對 Gemini 3.5 Flash 的計費是 14 倍

這是本文中成本最高的陷阱。

問題不在於模型的牌價，而是在 GitHub Copilot 內部的高級請求倍率。一旦以代理方式使用 Flash，成本結構就會很快改變。

這就是為什麼許多團隊會拆分路徑：

• 輕量的互動式使用留在 Copilot 內

• 高頻迴圈與批次型工作流程則走直接 API

架構本身就成了成本控管。

陷阱 3：思維保留會自動推高多輪 Token 帳單

Gemini 3.5 Flash 會在多輪對話中延續內部推理。

這會提升連貫性，但也代表那些思維內容可能持續出現在後續的 token 計算中。

對長時間的代理迴圈來說，這可能會大幅提高 token 使用量。

實務上的緩解方式

• 在清楚的階段邊界重設對話

• 摘要後只保留真正重要的內容往下傳遞

• 對穩定的指令與工具定義使用提示快取

• 持續觀察 thoughts tokens 與 prompt tokens 的比例變化

一個可運作的 Gemini 3.5 Flash MCP Agent

原始文章包含一個非常實用的端對端模式：一個讀取檔案工具、一個抓取 URL 工具、標準的函式宣告格式，以及一個將工具回應送回模型的迴圈。

工具定義

import os
import httpx
from pathlib import Path
from google import genai
from google.genai import types

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

read_file = types.FunctionDeclaration(
    name="read_file",
    description="讀取本機檔案並以文字形式回傳其內容。",
    parameters={
        "type": "object",
        "properties": {
            "path": {
                "type": "string",
                "description": "檔案的絕對路徑"
            }
        },
        "required": ["path"],
    },
)

fetch_url = types.FunctionDeclaration(
    name="fetch_url",
    description="擷取 URL 並以文字形式回傳回應主體。",
    parameters={
        "type": "object",
        "properties": {
            "url": {
                "type": "string",
                "description": "完整 URL"
            }
        },
        "required": ["url"],
    },
)

Agent 迴圈模式

tools = types.Tool(function_declarations=[read_file, fetch_url])

def execute_tool(call):
    if call.name == "read_file":
        return Path(call.args["path"]).read_text(encoding="utf-8")
    if call.name == "fetch_url":
        return httpx.get(call.args["url"], timeout=15).text[:50000]
    raise ValueError(f"未知工具：{call.name}")

def run_agent(task: str, max_turns: int = 8):
    history = [types.Content(role="user", parts=[types.Part(text=task)])]

    for _ in range(max_turns):
        response = client.models.generate_content(
            model="gemini-3.5-flash",
            contents=history,
            config=types.GenerateContentConfig(
                tools=[tools],
                thinking_config=types.ThinkingConfig(thinking_level="low"),
            ),
        )

        if not response.function_calls:
            return response.text

        history.append(response.candidates[0].content)
        tool_results = []
        for call in response.function_calls:
            result = execute_tool(call)
            tool_results.append(
                types.Part(
                    function_response=types.FunctionResponse(
                        id=call.id,
                        name=call.name,
                        response={"result": result},
                    )
                )
            )
        history.append(types.Content(role="tool", parts=tool_results))

這裡有一條小但關鍵的遷移規則：你的函式回應必須同時對應原始呼叫中的 id 與 name。

何時應該改用 Antigravity

手動建立工具迴圈對原型開發來說沒問題。但到了正式環境，你很快就會發現自己在重建協調、快取、路由、重試與可觀測性。

這就是為什麼更重要的問題不只是「我能不能把這個模型接進來？」，而是「我到底要自己承擔多少 Agent 基礎設施？」

快速遷移檢查清單

如果你正從 gemini-3-flash-preview 遷移到 gemini-3.5-flash，請明確檢查以下項目：

• 謹慎替換模型 id

• 有意識地設定 thinking_level

• 移除過時的取樣覆寫設定，除非評估結果證明它們有必要

在工具回應中對應 id 與 name

• 檢查 response.usage_metadata.thoughts_token_count

• 對於你仍然依賴但尚未支援的 API，保留 preview 版本

• 執行遷移前後評估

• 比較 Copilot 計費與直接 API 成本

搭配你的工具試用 Gemini 3.5 Flash

如果你的目標不只是測試提示詞，而是把檔案、程式碼儲存庫、API、文件與 Agent 工作流程串接在一起，那你通常需要的不只是原始模型端點。

在 We0 AI，這個原則還會再延伸一步：Agent 工作流程只完成了一半的工作，另一半則是透過文件、FAQ、產品頁、展示內容，以及 SEO / GEO 觸點，讓產品更容易被理解、搜尋、推薦與轉換。

常見問題

我要如何從 Python 呼叫 Gemini 3.5 Flash？

呼叫本身很簡短。真正重要的是明確設定 thinking_level，這樣遷移時才不會在無聲無息中降低輸出品質。

thinking_level 有哪些值？

• minimal 適用於非常輕量的任務

• low 適用於程式開發與 Agent 工作流程

• medium 作為偏向一般使用者風格的預設值

• high 適用於更困難的推理與更深入的規劃

為什麼 Gemini 3.5 Flash 在 GitHub Copilot 裡成本更高？

因為計費倍率改變了成本結構。對於高強度的 Agent 使用情境來說，這一點對成本的影響，可能比基礎模型價格還要大。

什麼是 thought preservation？

它指的是模型能在多輪對話中延續內部推理。這有助於提升多輪互動的一致性，但也會增加 token 成本隨時間上升的可能性。

Gemini 3.5 Flash 適合用於 MCP 嗎？

是的，尤其是在謹慎處理工具結構描述、回應比對、thinking_level 與權杖預算時。