关键要点

• Gemini 3.5 Flash 中最昂贵的错误是静默默认值，而不是语法错误。

• 对于许多编码代理来说，low比人们预期的更适合作为默认值。

• 通过 GitHub Copilot 运行的重型代理循环可能会因为 14 倍计费而变得昂贵得多。

• 在 We0 AI，模型选择只是工作流的一部分。其余部分在于产品如何被解释、展示和发现。

gemini-3.5-flash 看起来很容易调用。

这也正是它容易被低估的原因。即使只是从预览版时代的代码做一次小迁移，也可能在完全不抛出可见错误的情况下，产生更差的输出、不同的成本结构，以及更昂贵的多轮循环。

本指南聚焦于最重要的三个陷阱、避免它们的代码形态，以及一个你可以快速改造的实用 MCP 风格代理循环。

陷阱 1：thinking_level 的默认值从高降到了中

这很危险，因为不会有任何东西崩溃。

你迁移了旧代码，请求依然会返回，但模型的推理水平已经不再是你原先假定的那样。

旧版与新版的思维模型

值

作用

何时使用

minimal

最低限度的推理

自动补全、分类、单次补全

low

针对代码和代理任务重新调优

编码代理、MCP 工具循环、多步骤工作流

medium

新的默认值——平衡型

面向消费者的聊天、通用问答

high

最大推理强度

高难度推理、调试新颖问题、数学、规划

最容易犯的错误

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

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

第二段代码可以运行，但默认值已经不再相同。

更安全的迁移方式

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
        }
    },
)

一个违反直觉的建议

对于许多编码代理工作流，应该从 low 开始，而不是 high。

实际原因很简单：

• 更快

• 更便宜

• 对于以工具为主的编码循环，通常已经足够好，或者表现相当

陷阱 2：GitHub Copilot 对 Gemini 3.5 Flash 按 14 倍计费

这是本文中成本最高的陷阱。

问题不在于模型的标价，而在于 GitHub Copilot 内部的高级请求乘数。一旦以代理方式使用 Flash，成本结构就会迅速变化。

这就是为什么许多团队会拆分路径：

• 轻量级交互式使用保留在 Copilot 内部

• 重型循环和批处理式工作流走直连 API

架构本身就成了成本控制手段。

陷阱 3：思维保留会自动抬高多轮 Token 账单

Gemini 3.5 Flash 会在多轮之间延续内部推理。

这会提升连贯性，但也意味着这些思维内容可能会持续出现在后续的 token 计费中。

对于长代理循环，这可能会显著提高 token 使用量。

实用的缓解方法

• 在清晰的阶段边界重置聊天

• 总结并只保留真正重要的内容继续传递

• 对稳定的指令和工具定义使用提示缓存

• 持续关注思维 token 与提示 token 的比例变化

一个可运行在 Gemini 3.5 Flash 上的 MCP 代理

原文包含了一个非常有用的端到端模式：一个文件读取工具、一个 URL 抓取工具、标准的函数声明结构，以及一个将工具响应回传给模型的循环。

工具定义

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="Read a local file and return its contents as text.",
    parameters={
        "type": "object",
        "properties": {
            "path": {
                "type": "string",
                "description": "Absolute path to the file"
            }
        },
        "required": ["path"],
    },
)

fetch_url = types.FunctionDeclaration(
    name="fetch_url",
    description="Fetch a URL and return the response body as text.",
    parameters={
        "type": "object",
        "properties": {
            "url": {
                "type": "string",
                "description": "Fully-qualified URL"
            }
        },
        "required": ["url"],
    },
)

Agent 循环模式

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"Unknown tool: {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))

这个虽小但至关重要的迁移规则是：你的函数响应需要同时匹配原始调用中的 id 和 name。

何时应该改用 Antigravity

手动构建工具循环对于原型来说没问题。但在生产环境中，你很快就会发现自己在重复构建编排、缓存、路由、重试和可观测性。

这就是为什么更重要的问题不仅是“我能把这个模型接进来吗”，而是“我到底要自己承担多少代理基础设施？”

快速迁移清单

如果你要从 gemini-3-flash-preview 迁移到 gemini-3.5-flash，请明确检查以下项目：

• 仔细替换模型 ID

• 有意识地设置 thinking_level

• 除非评估结果证明有必要，否则移除过时的采样覆盖设置

在工具响应中匹配 id 和 name

• 检查 response.usage_metadata.thoughts_token_count

• 对于你仍然依赖但尚不受支持的 API，继续保留预览版

• 运行迁移前后的评估

• 将 Copilot 计费与直接 API 成本进行比较

用你的工具试试 Gemini 3.5 Flash

如果你的目标不仅是测试提示词，还要把文件、代码仓库、API、文档和代理工作流连接起来，那么你通常需要的不只是一个原始模型端点。

在 We0 AI，这一原则还要再向前延伸一步：代理工作流只完成了一半工作。另一半是通过文档、FAQ、产品页面、展示内容以及 SEO / GEO 渠道，让产品变得可理解、可搜索、可推荐并可转化。

常见问题

如何通过 Python 调用 Gemini 3.5 Flash？

调用本身很简短。真正重要的是显式设置 thinking_level，这样迁移时才不会悄悄降低输出质量。

thinking_level 有哪些取值？

• minimal：适用于非常轻量的任务

• low：适用于编码和代理式工作流

• medium：作为面向消费者风格的默认值

• high：适用于更难的推理和更深入的规划

为什么 Gemini 3.5 Flash 在 GitHub Copilot 中成本更高？

因为计费乘数改变了整体经济性。对于高强度代理使用场景，这对成本的影响可能比基础模型价格本身更大。

什么是思维保留（thought preservation）？

它指的是模型在多轮对话中持续携带内部推理过程。这有助于提升多轮一致性，但也会增加令牌成本随时间上升的可能性。

Gemini 3.5 Flash 适合用于 MCP 吗？

是的，尤其是在谨慎处理工具模式、响应匹配、thinking_level 和令牌预算时。