Gemini 3.7 Flash 上手：给 Agent 换上新引擎，编码基准双位数提升 + 价格减半

2026 年 8 月 13 日，Google DeepMind 发布了 Gemini 3.7 Flash——距离 3.6 Flash 只隔了三周，官方称它是「迄今最强的编码与 Agent 工作引擎」。这次升级最有意思的地方在于：接口完全没变，能力全面变强，价格直接腰斩。如果你手上已经跑着基于 Gemini Flash 系列的 Agent，这可能是本季度最值得做的一次「零迁移成本」升级；如果你还在观望，本教程从收益评估、切换步骤到成本测算，带你完整走一遍。

📌 本教程适合：已经在用 Gemini API / AI Studio / Antigravity 跑 Agent 的开发者，或正在对比模型、准备迁移的团队。想看 Gemini 3.5 Flash 的 computer_use 能力可看《Gemini computer_use 上手》；想了解云端长任务托管 Agent 可看《Gemini Managed Agents》。

先看成绩单：3.6 → 3.7 Flash 到底强了多少

判断一次模型升级值不值得迁移，不要看宣传语，要看与「Agent 干活」强相关的基准。以下是官方公布的核心数字（均为 3.6 → 3.7 Flash 对比）：

基准	考察能力	3.6 Flash	3.7 Flash	提升
FrontierCode 1.1 Main	真实代码编写	34.4%	43.6%	+9.2pp
DeepSWE v1.1	软件工程任务	49.0%	65.3%	+16.3pp
WebDev Arena Elo	网页开发	1538	1588	+50
AutomationBench	自动化操作	17.0%	30.4%	+13.4pp
GDP.pdf	文档生成	22.0%	34.0%	+12pp
Terminal-bench 2.1	终端任务	78.0%	85.8%	+7.8pp

可以看到，几乎所有与 Agent 执行相关的指标都是双位数提升，其中 DeepSWE +16.3pp、AutomationBench +13.4pp 对长链路任务的收益最明显。更关键的是：输入价格从 $1.50 降到 $0.75 每百万 token，输出从 $7.50 降到 $3.75，且这个价格锁定到 2026 年 12 月 31 日，明年 1 月起才恢复原价。

注意：价格减半是「锁定期特惠」。12-31 之后恢复到 $1.50 / $7.50。如果你的用量规划到明年，成本测算要把「恢复原价」这个变量算进去，避免预算拍脑袋。

Step 1：盘点你的现状——什么在跑、谁在用

1 建立迁移清单，先别急着改代码

迁移前先回答三个问题，避免「改了个模型名就上线」的裸奔式操作：

1. 哪些服务在用 Gemini 系列模型？
   （Gemini API / AI Studio / Android Studio /
     Antigravity / 企业级 Agent 平台 / Spark）
2. 这些服务的关键路径是什么？
   例如：多步规划类、工具调用类、长文档类
3. 有没有正在用 3.6 Flash 的生产流水线？
   有的话，准备一份「回归用例集」

💡 回归用例集不必复杂：把线上真实请求里典型的 10-20 条 prompt + 对应工具 schema 存成 JSON，切换后逐条对比输出质量即可。这是迁移 Agent 模型性价比最高的验证方式。

Step 2：确认「变」与「不变」，预判风险点

2 同一套 API，能力参数要重新认识

3.7 Flash 沿用了 3.6 的 API 表面（端点、参数名、流式协议都不变），但有三处能力参数值得重新配置：

1. 上下文窗口：1M token 输入，64K token 输出
   （长日志、长文档类任务可以直接整段喂）
2. 思考级别：low / medium / high 三档
   （高思考=更慢更贵更准；低思考=快省）
3. 模型名：gemini-3.7-flash
   （与 3.6 是不同模型标识，需显式切换）

🔑 官方提示：模型在多步规划上「明显更强」。这意味着你原来为了补偿规划能力而写的那些「每步强制确认」的 prompt，可以逐步放松——先保留，观察两轮再决定。

Step 3：切换模型名，跑回归用例

3 一行代码切到新引擎，重点盯多步任务

以 OpenAI 兼容的 Responses API 风格为例（不同 SDK 只是换模型名，逻辑相同）：

# 切换前
model = "gemini-3.6-flash"

# 切换后
model = "gemini-3.7-flash"

# 然后对你准备好的 10-20 条回归用例逐条跑，
# 重点对比三类任务：
#   ① 多步规划：是否拆得更细、更少走弯路
#   ② 工具调用：参数是否更准、失败重试是否更少
#   ③ 长文档：1M 上下文下是否还稳定引用原文

✅ 验收标准：回归用例「无退化」即可灰度。3.7 在长周期工程任务上提升幅度很大，但厂商自报数字建议以你的真实场景实测为准——这正是回归用例集存在的意义。

Step 4：按任务难度分配思考级别

4 三档思考级别，别让所有请求都跑满配

3.7 Flash 支持 low / medium / high 三档思考预算，这是继价格减半之后第二个省钱杠杆：

思考级别     适合场景                    参考用法
low         简单问答、格式化、提取      对话类 Agent 默认档
medium      一般 Agent 任务、单步工具调用  大多数工作流默认
high        复杂多步规划、代码审查、     关键任务、可接受
            长文档推理                   更高延迟时使用

# API 参考：在请求参数中设置 thinking_level
# （各 SDK 命名略有差异，按官方文档为准）

💡 工程化建议：给 Agent 加一个「任务难度 → 思考级别」的路由规则，例如按输入长度或步骤数量自动选档。大部分流量跑 low/medium，只有少数关键路径开 high，综合成本可以再降一截。

Step 5：吃满 1M 上下文——长任务不再切块

5 把整库文档、整月日志直接喂进去

1M token 上下文 + 64K 输出，意味着很多之前需要「检索-切块-拼接」的长任务，现在可以直接整段输入：

典型场景：
1. 代码库重构：把整个仓库核心文件喂进去做全局审查
2. 长日志分析：一天/一周的日志直接分析，不用抽样
3. 长文档翻译/摘要：整本书分章直喂，保持术语一致

注意事项：
- 输入 token 会随长度线性增加，长任务先算账再喂
- 超长输入建议配合思考级别 high，效果更稳
- 输出 64K 是上限，超长产出考虑分段生成

算账提醒：1M 上下文很诱人，但 100 万 token 输入按 $0.75/M 也要 $0.75/次。长任务要评估「整段喂」vs「检索后喂」哪个更划算——量大时结合检索能省下可观的成本。

Step 6：算清迁移 ROI，决定灰度节奏

6 把「能力提升」翻译成「钱和时间」

迁移决策最后都要落到数字上。用一张表对比迁移前后：

维度            迁移前(3.6)     迁移后(3.7)     收益
单次输入成本     $1.50/M        $0.75/M        省 50%
单次输出成本     $7.50/M        $3.75/M        省 50%
DeepSWE         49.0%          65.3%           返工率下降
AutomationBench 17.0%          30.4%           自动化完成率↑
长任务处理      需切块          1M 直喂          流程简化

灰度节奏建议：
第 1 周：非核心服务切 3.7，跑回归+监控
第 2 周：核心服务灰度 20%，对比关键指标
第 3 周：全量切换，并把 12-31 前的锁定价
        计入明年预算（恢复后按 2 倍预留）

📈 成本敏感型团队还可参考《DeepSeek V4 Pro》与《分层路由降本》做多模型组合；想了解 Agent 整体成本治理可看《Agent 成本优化》。

常见问题速查

你遇到的问题	原因 & 解决
免费版 Gemini 聊天界面找不到 3.7	3.7 Flash 主要在 API/AI Studio/Android Studio/Antigravity 等开发者入口，标准聊天 UI 的免费用户暂未开放
切到 3.7 后输出格式偶尔漂移	新模型多步规划更强，原 prompt 里过度约束的格式指令可适当精简，让模型按工具 schema 输出
高思考级别延迟变高	high 档天然更慢，只对关键任务开启；对话类场景保持 low/medium
明年价格恢复后成本扛不住	在锁定期内完成 prompt 优化与思考级别路由，把基础用量压下来再等下一轮升级

📚 更多教程 📰 智能体资讯

← 返回教程中心