重點摘要

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

• 對很多編碼代理而言，low比大家預期中更適合作為預設值。

• 透過 GitHub Copilot 執行的重度代理迴圈，可能因為 14 倍計費而變得貴得多。

• 在 We0 AI，模型選擇只係工作流程嘅一部分，其餘在於產品如何被說明、呈現及發現。

gemini-3.5-flash 看起來很容易呼叫。

正因如此，也很容易低估它。即使只是把預覽版時期的程式碼作小幅遷移，仍可能產生較差的輸出、不同的成本結構，以及更昂貴的多輪迴圈，而且完全不會拋出任何明顯錯誤。

本指南聚焦於最重要的三個陷阱、可避免它們的程式碼寫法，以及一個你可以快速調整使用的實用 MCP 風格代理迴圈。

陷阱 1：thinking_level 的預設值由 high 降至 medium

這很危險，因為完全不會當機。

你把舊程式碼移植過來，請求仍然會回傳，但模型已不再以你原先假設的推理層級運作。

舊版與新版的思維模型

值

作用

何時使用

minimal

最低限度推理

自動完成、分類、單次完成

low

已重新調校以配合程式碼與代理任務

編碼代理、MCP 工具迴圈、多步驟工作流程

medium

新預設值——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，但預設值已經不再相同。

較安全的移植方式

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
        }
    },
)

反直覺的建議

對很多編碼代理工作流程而言，應先由 low 開始，而不是 high。

實際原因很簡單：

• 更快

• 更便宜

• 對工具密集型編碼迴圈而言，往往已經足夠好，或表現相若

陷阱 2：GitHub Copilot 以 14 倍價格計算 Gemini 3.5 Flash

這是本文中成本最高的陷阱。

問題不在模型的標價，而是在 GitHub Copilot 內部的高級請求乘數。一旦以代理方式使用 Flash，成本結構就會迅速改變。

這就是為甚麼很多團隊會把路徑拆開：

• 輕量互動式使用會留在 Copilot 內

• 重度迴圈及批次式工作流程則透過直接 API 進行

架構本身就成為成本控制手段。

陷阱 3：思考保留會自動推高多輪 Token 帳單

Gemini 3.5 Flash 會在多輪對話之間延續內部推理。

這有助提升連貫性，但亦意味這些思考內容可能會持續出現在之後的 token 計算之中。

對長時間代理迴圈而言，這可能會大幅推高 token 用量。

實際緩解方法

• 在清晰的階段邊界重設聊天

• 先總結，再只延續真正重要的內容

• 對穩定指令及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

原文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、一個標準函式宣告格式，以及一個把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，並以文字形式傳回其內容。",
    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，並以文字形式傳回回應主體。",
    parameters={
        "type": "object",
        "properties": {
            "url": {
                "type": "string",
                "description": "完整限定的 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))

這條細小但關鍵的遷移規則是：你的函式回應必須同時對應原始呼叫中的 id 和 name。

何時應改用 Antigravity

手動建立工具迴圈對原型開發來說沒問題。但到了正式生產環境，你很快就會發現自己在重建編排、快取、路由、重試，以及可觀測性。

這就是為甚麼更重要的問題不只是「我能否接上這個模型」，而是「有多少 agent 基礎設施將要由我自己承擔？」

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：

• 小心替換模型 ID

• 有意識地設定 thinking_level

• 移除過時的採樣覆寫設定，除非評估結果證明有需要

在工具回應中對應 id 和 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

配合你的工具試用 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、文件和 agent 工作流程串連起來，你通常需要的不只是原始模型端點。

在 We0 AI，這個原則更進一步：agent 工作流程只完成了一半工作。其餘部分是透過文件、常見問題、產品頁面、展示內容，以及 SEO／GEO 版面，令產品變得易於理解、可搜尋、可推薦，並可帶來轉換。

常見問題

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，以免遷移時在不知不覺中降低輸出品質。

thinking_level 有哪些值？

• minimal 適用於非常輕量的任務

• low 適用於編碼和 agent 工作流程

• medium 作為面向消費者風格的預設值

• high 適用於更困難的推理和更深入的規劃

為甚麼 Gemini 3.5 Flash 在 GitHub Copilot 內的成本更高？

因為計費乘數改變了成本結構。對於大量使用 agent 的情況，這對成本的影響可能比基礎模型價格更大。

甚麼是 thought preservation？

這是指模型在多輪對話之間保留內部推理。這有助於提升多輪一致性，但亦會增加 token 成本隨時間上升的機會。

Gemini 3.5 Flash 適合用於 MCP 嗎？

是的，尤其當工具綱要、回應匹配、thinking_level 及 token 預算都經過審慎處理時。