使用 Gemini 3.1 Pro 構建應用程式：API、Coding 與 Vibe Coding 開發者指南

2026 年 2 月 19 日 — Gemini 3.1 Pro 剛剛發布，它是目前最強大的程式碼編寫模型之一：SWE-Bench Verified 達到 80.6%、LiveCodeBench 達到 2887 Elo，且擁有 100 萬 Token 上下文窗口，價格僅為 每百萬輸入 Token 2 美元。這意味著您能以極低的成本獲得前沿等級的程式碼編寫能力。

本指南適合希望從今天開始使用它進行構建的開發者。我們將涵蓋 API 設置、Python 和 Node.js 的程式碼範例、思考層級、用於成本優化的上下文快取，以及 Gemini 3.1 Pro 如何融入 Vibe Coding 工作流程。

---

快速入門

選項 1：Google AI Studio（免費，無需設置）

嘗試 Gemini 3.1 Pro 最快的方法：

1. 前往 aistudio.google.com
2. 使用您的 Google 帳戶登入
3. 從模型下拉選單中選擇 Gemini 3.1 Pro Preview
4. 開始輸入提示詞

AI Studio 提供免費使用（有速率限制），非常適合原型設計和實驗。

選項 2：API 金鑰（用於構建應用程式）

1. 在 AI Studio 中，前往 Get API Key → Create API Key
2. 安全地儲存金鑰（切勿將其提交至版本控制系統）
3. 安裝 SDK：

# Python
pip install google-genai

# Node.js
npm install @google/genai

---

您的第一個 API 調用

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);

使用思考層級 (Thinking Levels)

# 對於複雜的除錯使用高思考層級
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"}
    }
)

---

使用 Gemini 3.1 Pro 進行程式編寫

基準測試背景

在深入探討功能之前，以下是 Gemini 3.1 Pro 在程式碼模型中的地位：

基準測試	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	—	—

相比於之前的 Gemini 3 Pro Preview，它有 15% 的提升，且能使用更少的輸出 Token 產生更好的結果。

程式碼生成

Gemini 3.1 Pro 能生成跨語言的生產級程式碼。100 萬 Token 的上下文意味著您可以包含現有的程式碼庫，以進行上下文感知的生成：

# 載入您的程式碼庫上下文
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"}
    }
)

除錯 (Debugging)

將錯誤日誌、堆疊追蹤和原始碼一起輸入。對於複雜的 Bug，「高（High）」思考層級絕對值得額外的成本：

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"}
    }
)

程式碼審查 (Code Review)

「中（Medium）」思考層級提供了平衡的審查，而不會過度分析瑣碎的程式碼：

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"}
    }
)

---

100 萬 Token 上下文的優勢

Gemini 3.1 Pro 的 100 萬個 Token 上下文窗口改變了您與程式碼互動的方式。您不再需要提供程式碼片段，而是可以加載 整個專案。

上下文大小參考

您可以加載的內容	大約 Token 數
單一文件 (500 行)	~2K tokens
小型專案 (50 個文件)	~100K tokens
中型專案 (200 個文件)	~400K tokens
大型專案 (500 個文件)	~1M tokens

全程式碼庫分析

import os

def load_codebase(root_dir, extensions=('.py', '.js', '.ts', '.jsx', '.tsx')):
    """將所有源文件加載到單個上下文字符串中。"""
    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}
    """
)

這是您在使用 20 萬上下文的模型時，如果不進行分塊並失去跨文件上下文，就無法做到的事情。

---

思考層級：低、中、高

思考層級讓您可以控制每次請求的 成本與品質之間的權衡。

層級	使用場景	Token 開銷	成本影響
低 (Low)	自動補全、簡單查詢、格式化、分類	極小	~1x
中 (Medium)	程式碼審查、摘要、中度分析、內容生成	中等	~2-3x
高 (High)	複雜除錯、多步驟推理、架構決策	顯著	~5-10x

實務準則

• 低：「將此 JSON 轉換為 TypeScript 介面」—— 不需要深度推理。
• 中：「審查此 PR 以查找 Bug 和安全問題」—— 需要分析但不需要詳盡無遺。
• 高：「此分佈式系統在負載下存在間歇性的等效性 Bug。這裡有 15 個文件……」—— 需要深度的跨文件推理。

# 根據任務複雜度切換思考層級
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]}
        }
    )

---

成本優化

上下文快取 (Context Caching)

如果您的應用程式重複查詢相同的程式碼庫或文件，上下文快取可將輸入成本降低 75%：

定價	標準	快取
輸入 (每 1M tokens)	$2.00	$0.50
輸出 (每 1M tokens)	$12.00	$12.00

# 為您的程式碼庫建立快取上下文
cached_content = client.caches.create(
    model="gemini-3.1-pro-preview",
    contents=[{"role": "user", "parts": [{"text": codebase}]}],
    ttl="3600s"  # 快取 1 小時
)

# 後續查詢使用快取的上下文
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
)

程式編寫工作流程的成本比較

假設 50 萬 Token 的程式碼庫上下文 + 1K 查詢，每天 100 次查詢：

策略	每日成本
Gemini 3.1 Pro (無快取)	~$100
Gemini 3.1 Pro (有快取)	~$27
Claude Opus 4.6 (無快取)	~$750

更多優化技巧

1. 選擇合適的思考層級：80% 的任務使用「低」，15% 使用「中」，5% 使用「高」。
2. 批量處理相似請求：分組程式碼審查任務以攤銷上下文加載成本。
3. 積極使用快取：如果您對同一份文件/程式碼查詢超過 3 次，請快取它。
4. 使用 Gemini 3 Flash 處理不需要 Pro 等級推理的簡單任務。

---

Gemini 3.1 Pro 的 Vibe Coding

Vibe coding 是一種開發實踐，您用自然語言描述您想要的東西，然後讓 AI 生成程式碼。Gemini 3.1 Pro 在這方面特別強大，因為它理解 設計意圖，而不僅僅是語法。

Gemini 如何理解 "Vibe"

Hostinger 的團隊指出，Gemini 3.1 Pro 能將「方向、風格和產品意圖」轉化為程式碼。當被要求為一個憂鬱的文學主題建立作品集網站時，它會透過大氣的基調進行推理，以設計出相配的介面。

SVG 生成

一個亮點功能：Gemini 3.1 Pro 能直接從文本描述生成 動畫 SVG。由於 SVG 是程式碼，它們在任何解析度下都能保持清晰：

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
    """
)

# 直接儲存 SVG
with open("logo.svg", "w") as f:
    f.write(response.text)

構建完整應用程式

將 Gemini 3.1 Pro 的程式碼編寫能力與像 NxCode 這樣的 AI 應用構建器結合，即可從想法直接轉向已部署的應用程式：

1. 用自然語言描述您的應用程式
2. Gemini 生成 程式碼庫（前端 + 後端 + 資料庫）
3. 通過 Vibe Coding 提示詞進行審查和迭代
4. 直接部署 到生產環境

這種工作流程特別強大，因為 Gemini 的 1M 上下文窗口可以在您迭代時容納整個不斷增長的程式碼庫。

---

平台整合

GitHub Copilot

Gemini 3.1 Pro 現在已在 GitHub Copilot 中提供：

1. 開啟 GitHub Copilot 設定
2. 從模型選擇器中選擇 Gemini 3.1 Pro
3. 像往常一樣使用內聯補全和聊天功能

Gemini CLI

對於基於終端的開發：

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

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

# 管道傳輸程式碼
cat src/server.js | gemini --model gemini-3.1-pro-preview "Review this code"

VS Code

通過 Copilot 擴充功能提供。在模型下拉選單中選擇 Gemini 3.1 Pro 即可獲得內聯建議和聊天服務。

Google Antigravity

這是 Google 的 Agent 開發平台，與 Gemini 有深度整合。最適合構建需要工具使用和長時間執行工作流的複雜、多步驟 AI Agent。

---

技巧與最佳實踐

1. 從「中」思考層級開始，僅在需要時升級到「高」——這可以節省 3-5 倍的 Token。
2. 預先載入完整上下文 —— Gemini 處理 100 萬個 Token 的效果很好；不要過度預過濾。
3. 對任何重複的分析使用上下文快取（程式碼審查、文件 Q&A、測試生成）。
4. 明確指定輸出格式 —— 「僅返回程式碼，不要解釋」可以節省輸出 Token。
5. 與 Gemini 3 Flash 結合使用，建立兩層系統：Flash 用於簡單補全，Pro 用於複雜推理。
6. 在提示詞中包含範例 —— Gemini 3.1 Pro 非常擅長遵循模式。
7. 明確指定語言和框架 —— 「使用帶有 App Router 的 Next.js 15 並以 TypeScript 編寫」。
8. 審查生成的程式碼 —— 80.6% 的 SWE-Bench 雖然令人印象深刻，但並非 100%。務必進行測試和審查。

---

總結

Gemini 3.1 Pro 為開發者提供了 以預算友好價格獲得的前沿程式碼編寫能力。100 萬 Token 的上下文窗口是程式碼庫級別分析的真正遊戲規則改變者，而思考層級則提供了對成本和品質的精細控制。

有關 AI 如何改變開發的更多資訊，請查看我們的 Vibe Coding 指南 以及 Cursor vs Windsurf vs Claude Code 比較。若想全面了解 Gemini 3.1 Pro 除程式碼編寫以外的功能，請參閱我們的 完整指南。