用途
本技能是一份面向生产环境的 Gemini 3 Pro 高级功能指南，帮助开发者将模型能力从基础文本生成扩展到函数调用、内置工具、结构化输出、上下文缓存、批处理与框架集成等场景。适用于需要构建生产级 AI 应用、集成自定义工具、启用搜索接地、安全执行代码、要求结构化 JSON 输出、优化成本或进行规模化批处理的开发者。
主要能力
- 函数调用（Function Calling）：使用 OpenAPI 3.0 格式声明自定义工具，模型可调用 Python 函数并返回结果。
- 内置工具（Built-in Tools）：包括 Google 搜索（google_search_retrieval）、代码执行（code_execution）、文件搜索、URL 上下文。
- 结构化输出（Structured Outputs）：通过 response_mime_type 与 response_schema 配合 Pydantic（Python）或 Zod（TypeScript）保证 JSON 结构。
- 思维签名（Thought Signatures）：管理多轮推理上下文；标准聊天由 SDK 自动处理，函数调用需按顺序返回签名，并行调用仅首个调用包含签名，图像编辑需在首部分及后续所有部分携带。
- 上下文缓存（Context Caching）：复用超过 2048 token 的大上下文，缓存 token 成本约降低 90%。
- 批处理（Batch Processing）：通过异步方式规模化处理多个请求。
- 框架集成：支持 LangChain、Vercel AI SDK、Pydantic AI、CrewAI。
使用方式
文档以任务形式组织，每个任务提供 Python 或 TypeScript 示例代码：
- 实现函数调用：定义 Python 函数，使用 genai.protos.FunctionDeclaration 声明，创建带 tools 的模型，处理 function_call 并回传 function_response。
- 使用内置工具：在模型 tools 参数中传入 {"google_search_retrieval": {}} 或 {"code_execution": {}}。
- 实现结构化输出：定义 Pydantic BaseModel 或 Zod schema，设置 generation_config 的 response_mime_type 为 application/json 及 response_schema。
- 设置上下文缓存：使用 genai.caching.CachedContent.create 创建缓存，通过 from_cached_content 复用，完成后调用 delete 清理。
- 实现批处理：使用 asyncio.gather 并发执行多个 generate_content 调用。
- 管理思维签名：在函数调用场景中按顺序保留并回传 thought_signature；必要时可使用 bypass 字符串 "context_engineering_is_the_way_to_go" 绕过验证。
- 集成框架：提供 LangChain（ChatGoogleGenerativeAI）、Vercel AI SDK（createGoogleGenerativeAI）、Pydantic AI（Agent）的调用示例。
适用场景
- 实现自定义工具/函数
- 启用 Google 搜索接地
- 安全执行代码
- 要求结构化 JSON 输出
- 通过缓存优化成本
- 批处理请求
- 构建生产应用
- 与 AI 框架集成
限制与注意事项
- 上下文缓存要求内容超过 2048 token。
- 思维签名在函数调用中必须按顺序返回；并行调用仅首个调用包含签名；图像编辑需在首部分及所有后续部分携带。
- 文档中的成本对比数据（如 100k tokens × 10 queries 从 $2.00 降至 $0.22，节省 89%）为示例说明，实际费用以官方定价为准。
- 生产环境建议实施错误处理（重试 ResourceExhausted、ServiceUnavailable）、限流（如 60 RPM）与成本监控。
- 相关技能包括 gemini-3-pro-api（基础设置、认证、文本生成）、gemini-3-multimodal（图像、视频、音频处理）、gemini-3-image-generation（图像生成）。
- 官方资源涵盖函数调用、接地、缓存、结构化输出等文档。