企业官网建设流程全解析

9 月 2 日（周三）凌晨，谷歌把 Gemini 3.8 Flash 端了上来。这是六周里第三个 Flash 版本——3.6、3.7、3.8 轮流上，几乎三周一版。发布当天，两个消息在开发者群里传得最凶：一是 DeepSWE 1.1 拿了 71%，只比 Claude Opus 5 低 3 个百分点；二是限时价格跟 3.7 持平，输入 0.75 美元、输出 3.75 美元每百万 token，大约是 Opus 5 的七分之一。

我手上正好有一个跑了两周的长任务 Agent，用的还是 3.7 Flash 的接入代码，想着换过去能省一笔。结果模型 ID 一换，控制台直接抛错：thinking_level 的 minimal 档在 3.8 上已经不存在了。翻完文档才意识到，这一代不是改个模型 ID 那么简单——接口在变、计费口径在变、连模型的「工作习惯」都变了。这篇把从零接入和从 3.7 迁移的完整路径写清楚，最后附 3 个避坑点。

发布前一天，华尔街日报先放了个料：谷歌内部工程师在 Jetski 平台上做编码评测时，更愿意选 3.8 Flash 而不是 Anthropic 的 Opus——写代码这事，内部人先投了票。发布当天，Antigravity 和 Managed Agents 的默认模型也直接换成了它，等于官方用行动表态：Flash 档就是现在的主推。至于网上「遭全网狂嘲」的热搜，嘲的不是跑分，而是它「单价没涨、单任务反而更贵」的隐性涨价套路——具体数字在下面的表里。

先看数据：便宜在哪，代价在哪

先给结论：3.8 Flash 不是 3.7 的简单升级，而是谷歌把同一套网络「调教」得更勤快了。官方博客的原话是 works harder——遇到复杂任务时拆更细的推理步骤、反复调用工具、自己检查中间结果。好处是长程任务完成率上去了，代价是 token 烧得更多。

这张表读出来的故事有两条。能力侧：3.8 把与 Opus 5 在 DeepSWE 上的差距压到了 3 个百分点以内（第三方口径 73.7%，只差 0.3），Terminal-bench 2.1 的 89.4% 甚至反超 Opus 5 的 89.1%，而价格只有后者的约七分之一。成本侧：Artificial Analysis 用真实任务实测，同一个任务 3.8 比 3.7 多烧约 30% 的 token（3.7 万 → 4.8 万），单任务成本从 0.40 美元涨到 0.58 美元，首字延迟平均 13.3 秒——同类模型的中位数只有 2.99 秒。翻译成人话：单价没涨，但「同样的活」更费 token、开口更慢。这正是网上吵翻天的「隐性涨价」说法的来源。

再补一个背景，帮你理解 71% 这个数字的含金量：DeepSWE 1.1 考的是「给一个真实的 GitHub issue，模型能不能自己端到端改完代码、跑通测试」。上一代 3.7 Flash 的成绩是 65.3%，3.8 直接跳到 71%，单代提升 5.7 个百分点——而 Opus 5 的 74% 是闭源旗舰堆了半年才到的位置。也就是说，谷歌靠「更勤快的推理习惯」，在 Flash 档上追平了旗舰档约八成的差距。网上流传的 73.7% 是第三方在更高推理档位下测出的口径，官方默认口径 71%，两个数字指向的结论一致：和 Opus 5 只差 3 个百分点以内。

价格窗口的来龙去脉也值得单独说：3.7 Flash 八月发布时就把限时价砍半到 0.75 / 3.75，3.8 延续同价，但谷歌明确标注 2026 年 12 月 31 日之后翻倍到 1.50 / 7.50。也就是说，现在到年底是明牌的锁价窗口——这也是我把迁移清单里的时间点单独拎出来的原因。

想了解其他几款的实测数据吗？第二部分有完整的对比表格——【关注后查看完整对比】

从零接入：3 段代码跑通

第 1 步：拿 Key，装 SDK

在 AI Studio（个人调试）或 Vertex AI（生产环境）里建一个 API Key，然后装官方 Python SDK：

pipinstallgoogle-genai

第 2 步：发出首次请求

fromgoogleimportgenai client=genai.Client(api_key="<YOUR_API_KEY>")resp=client.models.generate_content(model="gemini-3.8-flash",contents="给下面这个函数写 3 个单元测试，覆盖边界条件：\n\ndef parse_ts(line):\n # 从日志行里解析时间戳\n ...",config={"thinking_level":"low"},)print(resp.text)

四个要点：模型 ID 是gemini-3.8-flash；上下文窗口 1M token，适合整仓库塞进去做分析；输出上限 64K token；thinking_level 支持low/medium（默认）/high三档。

除了文本，它还吃图片、视频、音频和 PDF 输入（输出仍只有文本），知识截止到 2026 年 3 月。接入时容易漏的一点：模型内置了函数调用、Google 搜索、代码执行、URL 抓取等工具，Agent 场景下不用自己再套一层工具层，直接在请求里声明 tools 就行。

第 3 步：多轮对话走新交互接口

session=client.interactions.create(model="gemini-3.8-flash")r1=session.send("分析这个仓库的构建脚本，找出最慢的环节")r2=session.send("针对刚才的结论给一份优化清单")# 服务端保留上文

传统的 generateContent 还能用，但谷歌新推的 Interactions API 把多轮状态挪到了服务端（靠 previous_interaction_id 续接），不用再自己拼历史消息，对 Agent 场景友好得多。REST 形态是 POST /v1beta/interactions，非 Python 语言直接照这个端点封装即可——多轮会话的状态由服务端保存，相当于把 Agent 的对话历史托管了出去。

从 3.7 迁移：3 步清单

如果你和我一样是 3.7 Flash 的老用户，迁移不是改一行 model 参数，按下面 3 步走。

第 1 步：改掉 minimal 档

3.8 把 thinking_level 的minimal档位移除了，文档写得很直白：请求里带 minimal 会直接报错，最低只能从low起步。

# 3.7 的写法（3.8 上报错）config={"thinking_level":"minimal"}# 改成config={"thinking_level":"low"}

更隐蔽的变体是：很多 Agent 框架把档位写死在配置模板里，框架不升级的话，换了模型 ID 会一直撞 400。迁移前先全局搜一遍代码和配置里的 minimal。

第 2 步：重算 token 预算

works harder 的代价是每任务多烧约 30% token。如果你按 3.7 的用量做了成本预估，记得整体乘 1.3～1.4；延迟敏感的场景还要把首字延迟的差异算进去——13.3 秒是平均值，多轮工具调用链里每一轮都要吃这个延迟。

第 3 步：12/31 前锁价

0.75 / 3.75 是限时价，2027 年 1 月 1 日起翻倍成 1.50 / 7.50。要长期跑的长任务、批处理、无人值守 Agent，窗口期内迁过去等于锁住三个半月的低价。反过来，谷歌明确说 3.7 会继续完整支持，官方文档里有一句很实在的话：不是每个工作流都需要这种强度的验证——短问答、简单工具调用这类效率型负载，留在 3.7 反而更划算。

3 个避坑点

坑 1：minimal 报错不是个例，是接口变更信号。我最初以为是参数写错，翻 GitHub issues 才发现 3.8 的模型卡直接指向 3.7 的架构文档——这一代是同一套网络的「行为重训」，不是新架构。所以除了 thinking_level，其他 3.7 专属参数也要逐个核对是否还在支持列表里，别只改报错的那一个。

坑 2：输出价含思考 token，长输出任务的账单会出乎意料。3.8 没有单独的 reasoning 计费项，思考 token 和输出 token 一起按 3.75 美元计。深度推理任务里思考 token 占比经常过半，跑完记得看 usage 字段里 thinking 相关的统计，把真实单价算出来再决定要不要长期用。

坑 3：首字延迟 13.3 秒是均值，不是上限。这个数字来自 Artificial Analysis 对真实任务的统计，对比同类模型 2.99 秒的中位数，差距接近 4 倍。交互式补全、Copilot 类场景基本劝退；无人值守的 Agent 任务无所谓——反正不用人盯着等。

真实任务长什么样：能跑，短板也明显

公开实测里最有参考价值的一组来自腾讯云开发者社区 9 月 3 日的三项目实录：三个全栈项目全程无人干预，总花费约 30 元人民币。挑几个有信息量的细节：

• Markdown 写作图床（Express + Sharp + better-sqlite3）：5 分钟开发完并跑通测试，87.87 KB 的图片自动转 WebP 压到 12.13 KB（压缩率 86.2%），还自己实现了 SHA-256 秒传去重——重复上传直接返回原链接，不占额外磁盘。
• 3D 烟花仿真系统：要求上万颗粒子维持 60 帧，压测时把同屏活跃粒子拉到 4 万颗（要求的 4 倍），依然稳定 120 帧。
• 3D 动画短片：遇到 Canvas 导出视频只录画布、丢失 HTML 字幕的问题，模型自己搭了一套双层复合录制管线，把字幕和协议标签压进视频帧。

跑得动、能自主解决问题，这是它强的一面。短板同样清楚：前端视觉表现偏弱（配色和字体「AI 味」重）、首字延迟明显、和国产模型比没有价格优势——同样的任务交给 GLM-5.3、Kimi K3，效果未必差。另外它 6 周发 3 版，迭代快得文档都有点跟不上，接入时别只信博客，以模型卡和 API 文档为准。

还有一组数字值得放进成本语境：Artificial Analysis 实测它的输出速度约 305 tokens/s，在主流模型里属于快的一档——也就是说它慢在「开口」（首字延迟），快在「开口之后的输出」。这个特性决定了它的适用形状：一次性长输出任务体验尚可，多轮短交互会很难受。把「输出快、开口慢、token 烧得多」三个特征叠在一起看，3.8 Flash 的画像就很清晰了：它是为无人值守的长任务设计的，不是为人机对话设计的。

什么时候换、什么时候别换

按任务类型给结论，不按人分。先看一张 Flash 档横向表——把同价位的轻量档模型摆在一起，选型逻辑会清楚很多：

横向读这张表：谷歌的定价策略是美元计价、全球统一，国产这边是人民币计价、贴身肉搏——绝对单价上国产 Flash 档更便宜，而且中文场景体验往往更好。但如果你要的是 1M 上下文加长程 Agent 稳定性，3.8 Flash 的限时价窗口反而是当下值得先锁的。具体怎么选：

• 换：长程 Agent 无人值守任务、批量代码审查、高吞吐离线任务。这类任务吃满 1M 上下文和 64K 输出，对首字延迟不敏感，还能在 12/31 前锁住限时价。
• 先别换：低延迟交互场景（补全、聊天、IDE 内联）；前端视觉要求高的任务；已经在国产生态里跑得好好的负载——GLM-5.3-Flash 用 1/40 的价格、Qwen3.8-Flash 输入只要 1 元/百万 token，性价比不见得输。
• 折中：把 3.7 留着跑效率型负载，3.8 只切给验证型任务，跑两周对比 usage 数据再决定要不要全量迁。

最后说点看法。旗舰模型在拼能力上限，Flash 档在拼「每分能力花多少钱」——3.8 Flash 最值得注意的信号不是跑分，而是谷歌把 Antigravity 和 Managed Agents 的默认模型都换成了它，等于官方自己用脚投票。但对开发者来说，换模型的正确姿势永远是先算自己的 token 账，别只盯着单价表。Artificial Analysis 的智能指数里它排在 636 个模型的 27 位左右，是「性价比梯队」的尖子，不是「能力天花板」——想清楚你要的是哪个，再动手不迟。

延伸阅读：Claude Code 额度缩水 17%：9/14 生效前，4 款 AI 编程工具成本横评
DeepSeek V4 Pro 正式版上线：DeepSWE 7.3→62.7 的 Agent 实测，3 步迁移 API + 8/17 涨价前省钱清单
Grok 4.6 API 接入踩坑实录：价格砍半是真的，但 5 个坑让我多花了 3 倍钱

📌系列文章

• Qwen3.8-Flash 实测：125B 只激活 6B，输入 1 元/M，4 个场景验证多模态 MoE
• GLM-5.3-Flash 正式版迁移踩坑：免费窗口今天截止，1/40 的价格也有 5 个坑
• 匿名模型 OX Alpha 横评：DeepSWE 80% 反超 Fable 5 与 GPT-5.6 Sol，免费窗口最后 2 天
• GLM-5.3 vs Fable 5 vs GPT-5.6 Sol：6 项基准横评，743B 国产编程模型的正面硬刚

看完有收获？点个关注 👆 我会持续分享更多AI编程实战教程。