Rakenduste loomine Gemini 3.1 Pro-ga: Arendaja juhend API, kodeerimise ja vibe coding'u kohta

19. veebruar 2026 — Gemini 3.1 Pro on just välja tulnud ja see on üks tugevamaid saadaolevaid kodeerimismudeleid: 80,6% SWE-Bench Verified testis, 2887 Elo LiveCodeBenchis ja 1 miljoni tokeni suurune kontekstiaken hinnaga 2 dollarit miljoni sisend-tokeni kohta. See on tipptasemel kodeerimisvõime vaid murdosa kuludega.

See juhend on mõeldud arendajatele, kes soovivad sellega täna pihta hakata. Käsitleme API seadistamist, koodinäiteid Pythonis ja Node.js-is, mõtlemistasemeid, konteksti puhverdamist kulude optimeerimiseks ja seda, kuidas Gemini 3.1 Pro sobitub vibe coding'u töövoogudesse.

---

Alustamine

Valik 1: Google AI Studio (tasuta, seadistamist pole vaja)

Kiireim viis Gemini 3.1 Pro proovimiseks:

1. Minge lehele aistudio.google.com
2. Logige sisse oma Google'i kontoga
3. Valige mudelite rippmenüüst Gemini 3.1 Pro Preview
4. Alustage prompteerimist

AI Studio on tasuta koos päringupiirangutega — sobib prototüüpimiseks ja eksperimenteerimiseks.

Valik 2: API-võti (rakenduste loomiseks)

1. AI Studio-s minge jaotisse Get API Key → Create API Key
2. Hoiustage võti turvaliselt (ärge kunagi lisage seda versioonihaldusesse)
3. Installige SDK:

# Python
pip install google-genai

# Node.js
npm install @google/genai

---

Sinu esimene API-päring

Python

from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents="Write a Python function that finds the longest common subsequence of two strings. Include type hints and docstring."
)

print(response.text)

Node.js

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({ apiKey: "YOUR_API_KEY" });

const response = await ai.models.generateContent({
  model: "gemini-3.1-pro-preview",
  contents: "Write a TypeScript Express middleware that validates JWT tokens and extracts user info.",
});

console.log(response.text);

Mõtlemistasemetega (Thinking Levels)

# High thinking keeruliseks silumiseks
response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents="""
    This Go server has a race condition that causes intermittent 500 errors
    under load. Here's the relevant code:

    [paste your code here]

    Find the race condition and explain the fix.
    """,
    config={
        "thinking_config": {"thinking_level": "HIGH"}
    }
)

---

Kodeerimine Gemini 3.1 Pro-ga

Võrdlustestide kontekst

Enne võimekuste süvenemist vaatame, kus Gemini 3.1 Pro kodeerimismudelite seas asub:

Võrdlustest	Gemini 3.1 Pro	GPT-5.3-Codex	Claude Opus 4.6
SWE-Bench Verified	80,6%	76,2%	72,6%
Terminal-Bench 2.0	68,5%	77,3%	—
LiveCodeBench Pro	2887 Elo	—	—

See on 15% parem kui parimad Gemini 3 Pro Preview tulemused, kasutades paremate tulemuste saavutamiseks vähem väljund-tokeneid.

Koodi genereerimine

Gemini 3.1 Pro genereerib tootmiskõlblikku koodi paljudes keeltes. 1 miljoni tokeni suurune kontekst tähendab, enam võite kaasata oma olemasoleva koodibaasi kontekstiteadlikuks genereerimiseks:

# Laadi oma koodibaasi kontekst
with open("codebase_context.txt", "r") as f:
    codebase = f.read()

response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents=f"""
    Here is my current codebase:

    {codebase}

    Add a new API endpoint POST /api/users/bulk-import that:
    - Accepts a CSV file upload
    - Validates each row against the User schema
    - Inserts valid records in batches of 100
    - Returns a summary of successes and failures
    - Follow the existing patterns and coding style
    """,
    config={
        "thinking_config": {"thinking_level": "MEDIUM"}
    }
)

Silumine (Debugging)

Sisestage korraga vealoge, stäki jälitusi (stack traces) ja lähtekoodi. High mõtlemistase on keeruliste vigade puhul lisakulu väärt:

response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents="""
    Error: Connection pool exhausted after 30 seconds
    Stack trace:
    [paste stack trace]

    Relevant source files:
    [paste db.py, connection_pool.py, api_handler.py]

    This only happens under concurrent requests (>50 rps).
    Find the root cause.
    """,
    config={
        "thinking_config": {"thinking_level": "HIGH"}
    }
)

Koodi ülevaatus (Code Review)

Medium mõtlemistase annab tasakaalustatud ülevaateid ilma triviaalseid koodiosi üle analüüsimata:

response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents=f"""
    Review this pull request diff for:
    1. Bugs or logic errors
    2. Security vulnerabilities (SQL injection, XSS, etc.)
    3. Performance issues
    4. Adherence to project conventions

    Diff:
    {diff_content}
    """,
    config={
        "thinking_config": {"thinking_level": "MEDIUM"}
    }
)

---

1 miljoni märgise (token) suuruse konteksti eelis

Gemini 3.1 Pro 1 miljoni tokeni suurune kontekstiaken muudab seda, kuidas te koodiga suhtlete. Selle asemel, et sööta talle koodijuppe, saate laadida terveid projekte.

Konteksti suuruse viide

Mida saab laadida	Ligikaudne tokenite arv
Üksik fail (500 rida)	~2K tokenit
Väike projekt (50 faili)	~100K tokenit
Keskmine projekt (200 faili)	~400K tokenit
Suur projekt (500 faili)	~1M tokenit

Kogu koodibaasi analüüs

import os

def load_codebase(root_dir, extensions=('.py', '.js', '.ts', '.jsx', '.tsx')):
    """Lae kõik lähtekoodi failid ühte konteksti stringi."""
    files = []
    for dirpath, _, filenames in os.walk(root_dir):
        for filename in filenames:
            if any(filename.endswith(ext) for ext in extensions):
                filepath = os.path.join(dirpath, filename)
                with open(filepath, 'r', errors='ignore') as f:
                    content = f.read()
                files.append(f"=== {filepath} ===\n{content}\n")
    return "\n".join(files)

codebase = load_codebase("./src")

response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents=f"""
    Analyze this entire codebase and identify:
    1. Architectural issues or anti-patterns
    2. Dead code that can be removed
    3. Functions that should be refactored
    4. Missing error handling at system boundaries

    Codebase:
    {codebase}
    """
)

See on midagi, mida te lihtsalt ei saa teha 200K kontekstiga mudelitega ilma tükeldamiseta ja failidevahelise konteksti kaotamiseta.

---

Mõtlemistasemed: Low, Medium, High

Mõtlemistasemed võimaldavad teil kontrollida kulu ja kvaliteedi suhet päringu kohta.

Tase	Kasutusjuhud	Tokenite lisakulu	Mõju kulule
Low	Automaatne täitmine, lihtsad otsingud, vormindamine, klassifitseerimine	Minimaalne	~1x
Medium	Koodi ülevaatus, kokkuvõtete tegemine, keskmine analüüs, sisu genereerimine	Mõõdukas	~2-3x
High	Keeruline silumine, mitmeetapiline arutlus, arhitektuurilised otsused	Märkimisväärne	~5-10x

Praktilised suunised

• Low: "Muuda see JSON TypeScript-liideseks" — sügavat arutlust pole vaja.
• Medium: "Vaata see PR vigade ja turvaprobleemide osas üle" — vajab analüüsi, kuid mitte ammendavat.
• High: "Selles hajussüsteemis on koormuse all vahelduv järjepidevuse viga. Siin on 15 faili..." — vajab sügavat mitme faili vahelist arutlust.

# Vaheta mõtlemistaset vastavalt ülesande keerukusele
def ask_gemini(prompt, complexity="medium"):
    levels = {"low": "LOW", "medium": "MEDIUM", "high": "HIGH"}

    return client.models.generate_content(
        model="gemini-3.1-pro-preview",
        contents=prompt,
        config={
            "thinking_config": {"thinking_level": levels[complexity]}
        }
    )

---

Kulude optimeerimine

Konteksti puhverdamine (Context Caching)

Kui teie rakendus pärib korduvalt sama koodibaasi või dokumentatsiooni, vähendab konteksti puhverdamine sisendkulusid 75%:

Hind	Tavaline	Puhverdatud
Sisend (1M tokeni kohta)	$2.00	$0.50
Väljund (1M tokeni kohta)	$12.00	$12.00

# Loo oma koodibaasi jaoks puhverdatud kontekst
cached_content = client.caches.create(
    model="gemini-3.1-pro-preview",
    contents=[{"role": "user", "parts": [{"text": codebase}]}],
    ttl="3600s"  # Puhverda 1 tunniks
)

# Järgmised päringud kasutavad puhverdatud konteksti
response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents="Find all SQL injection vulnerabilities in this codebase",
    cached_content=cached_content.name
)

Koodi töövoo kulude võrdlus

Eeldades 500K tokeni suurust koodibaasi konteksti + 1K päringut, 100 päringut päevas:

Strateegia	Päevane kulu
Gemini 3.1 Pro (ilma puhverdamiseta)	~$100
Gemini 3.1 Pro (puhverdamisega)	~$27
Claude Opus 4.6 (ilma puhverdamiseta)	~$750

Täiendavad optimeerimisnõuanded

1. Valige õige mõtlemistase: Kasutage Low-taset 80% ülesannete jaoks, Medium-taset 15% ja High-taset 5%.
2. Grupeerige sarnased päringud: Koondage koodiülevaatuse ülesanded, et amortiseerida konteksti laadimist.
3. Puhverdage agressiivselt: Kui pärite samu doku/koode rohkem kui 3 korda, puhverdage need.
4. Kasutage Gemini 3 Flash-i lihtsate ülesannete jaoks, mis ei vaja Pro-taseme arutlusvõimet.

---

Vibe Coding Gemini 3.1 Pro-ga

Vibe coding on praktika, kus kirjeldate loomulikus keeles, mida soovite, ja lasete tehisintellektil koodi genereerida. Gemini 3.1 Pro on siin eriti tugev, sest ta mõistab disaini eesmärki, mitte ainult süntaksit.

Kuidas Gemini "vibe"-ist aru saab

Hostingeri meeskond märkis, et Gemini 3.1 Pro tõlgib "suuna, stiili ja toote eesmärgi" koodiks. Kui paluti luua portfoolio sait sünge kirjandusliku teemaga, arutles ta atmosfääri tooni üle, et kujundada sobiv liides.

SVG genereerimine

Tähelepanuväärne funktsioon: Gemini 3.1 Pro genereerib animeeritud SVG-sid otse tekstikirjeldustest. Kuna SVG-d on kood, püsivad need teravana igas resolutsioonis:

response = client.models.generate_content(
    model="gemini-3.1-pro-preview",
    contents="""
    Create an animated SVG logo for a tech startup called "Pulse AI".
    Design requirements:
    - Minimalist, modern style
    - Blue-to-purple gradient
    - Subtle pulse animation on the icon
    - 200x60px viewport
    - Clean, sharp edges
    """
)

# Salvesta SVG otse faili
with open("logo.svg", "w") as f:
    f.write(response.text)

Täisrakenduste loomine

Kombineerige Gemini 3.1 Pro kodeerimisvõime AI rakenduste ehitajaga nagu NxCode, et jõuda ideest valmis rakenduseni:

1. Kirjeldage oma rakendust loomulikus keeles
2. Gemini genereerib koodibaasi (frontend + backend + andmebaas)
3. Vaadake üle ja täiustage vibe coding promptide abil
4. Lansseerige otse tootmiskeskkonda

See töövoog on eriti võimas, sest Gemini 1M kontekstiaken mahutab teie kasvavat koodibaasi täielikult, kui te seda järk-järgult täiendate.

---

Platvormide integratsioon

GitHub Copilot

Gemini 3.1 Pro on nüüd saadaval GitHub Copilotis:

1. Avage GitHub Copiloti seaded
2. Valige mudelivalijast Gemini 3.1 Pro
3. Kasutage ridasiseseid täiendusi (inline completions) ja vestlust nagu tavaliselt

Gemini CLI

Terminalipõhiseks arenduseks:

# Installimine
npm install -g @anthropic-ai/gemini-cli

# Kasutamine
gemini --model gemini-3.1-pro-preview "Refactor this function to use async/await"

# Koodi torutamine (piping)
cat src/server.js | gemini --model gemini-3.1-pro-preview "Review this code"

VS Code

Saadaval Copilot laienduse kaudu. Valige mudelite rippmenüüst Gemini 3.1 Pro ridasiseste soovituste ja vestluse jaoks.

Google Antigravity

Google'i agendipõhine arendusplatvorm sügava Gemini integratsiooniga. Parim keerukate, mitmeetapiliste AI-agentide loomiseks, mis vajavad tööriistade kasutamist ja pikaajalisi töövoogusid.

---

Nõuanded ja parimad tavad

1. Alustage Medium mõtlemistasemega, minge High-tasemele vaid vajadusel — see säästab 3–5 korda tokenite pealt.
2. Laadige kogu kontekst kohe alguses — Gemini saab 1M tokeniga hästi hakkama; ärge filtreerige liiga agressiivselt.
3. Kasutage konteksti puhverdamist korduvate analüüside puhul (koodiülevaatus, dokumentatsiooni Q&A, testide genereerimine).
4. Olge väljundvormingu osas konkreetsed — "Tagasta ainult kood, ilma selgitusteta" säästab väljund-tokeneid.
5. Kombineerige Gemini 3 Flash-iga kahetasandilises süsteemis: Flash lihtsate täienduste jaoks, Pro keeruka arutlusvõime jaoks.
6. Lisage näiteid oma promptidesse — Gemini 3.1 Pro järgib hästi mustreid.
7. Määrake programmeerimiskeel ja raamistik selgesõnaliselt — "Kirjuta TypeScriptis, kasutades Next.js 15 koos App Routeriga".
8. Vaadake genereeritud kood üle — 80,6% SWE-Bench tulemus on muljetavaldav, kuid mitte 100%. Testige ja kontrollige alati.

---

Kokkuvõte

Gemini 3.1 Pro pakub arendajatele tipptasemel kodeerimisvõimekust soodsa hinnaga. 1 miljoni tokeni suurune kontekstiaken on tõeline mängumuutja koodibaasi tasemel analüüsiks ning mõtlemistasemed annavad täpse kontrolli kulu ja kvaliteedi üle.

Lisateabe saamiseks selle kohta, kuidas tehisintellekt arendustööd muudab, vaadake meie vibe coding'u juhendit ning Cursor vs Windsurf vs Claude Code võrdlust. Gemini 3.1 Pro täieliku ülevaate saamiseks väljaspool kodeerimist vaadake meie põhjalikku juhendit.