在 Vertex AI 上掌握 Gemini 3 任务自动化

Lisa Ernst · 18.03.2026 · 人工智能 · 11 分钟

Vertex AI 上的 Gemini 3 为开发者提供了一种实用的方式来构建能够推理、使用工具、处理复杂输入并可扩展到生产的多模态应用程序。Vertex AI 将 Gemini 视为一个更大的工作流的一部分，而不是一个独立的文本生成器，该工作流包括测试、访问控制、监控和部署。

Google Cloud 的 Vertex AI 平台提供了一个统一的环境，用于处理 Gemini 和其他基础模型。对于构建实际应用程序的团队来说，这很重要，因为开发不仅仅停留在提示阶段。身份验证、模型选择、评估、工具使用和生产推出都会影响 AI 系统是停留在原型阶段还是真正有用。

快速摘要：

统一平台： Vertex AI 将模型访问、测试、部署和操作工具集成在一个环境中。
现代 SDK 方向： Vertex AI 上的新 Gemini 工作流越来越侧重于 Google Gen AI SDK。
重要的迁移注意事项： Vertex AI SDK 中的旧版生成模块已弃用，并计划移除，因此新项目应避免基于过时的命名空间进行构建。
多模态功能： Gemini 3 可处理文本、代码、图像、音频、视频和 PDF（取决于模型变体）。
性能控制： 诸如 thinking_level 和 media_resolution 等参数有助于平衡质量、速度和 token 使用量。
自动化价值： 函数调用和代码执行等功能使 Gemini 在结构化任务自动化方面比简单的聊天用例更有用。

为什么 Vertex AI 上的 Gemini 3 很重要

Gemini 3 对于需要超出现有文本输出的应用程序尤其重要。在 Vertex AI 上，它可以用于多模态理解、密集推理工作流、代码辅助问题解决和类似代理的自动化。这使得它比最小的仅聊天设置更适合文档分析、工作流自动化、开发者工具和内部企业助手。

Vertex AI 还增加了许多团队最终需要的周边平台功能。包括通过 IAM 进行访问控制、在 Vertex AI Studio 中进行提示测试、操作监控以及从实验到生产系统的平滑迁移。对于开发者来说，这意味着更少的断开连接的工具。对于组织来说，这意味着对 AI 系统的引入和维护方式有更多的控制权。

重要的 SDK 更改和身份验证

最重要的技术更新之一是 SDK 的过渡。Vertex AI SDK 内的 Google 旧版生成式 AI 模块，包括 vertexai.generative_models、vertexai.language_models、vertexai.vision_models、vertexai.tuning 和 vertexai.caching，已弃用并计划移除。对于 Vertex AI 上的新 Gemini 集成，推荐的路径是 Google Gen AI SDK。

身份验证取决于您访问 Vertex AI 的方式，但常见的方法包括应用程序默认凭据 (ADC)、gcloud 凭据或受支持场景（如快速模式）中的基于 API 密钥的访问。在典型的 Google Cloud 项目中，您通常需要启用结算、激活 Vertex AI API，并拥有 roles/aiplatform.user IAM 角色或等效的自定义角色。像 GOOGLE_CLOUD_PROJECT、GOOGLE_CLOUD_LOCATION=global 和 GOOGLE_GENAI_USE_VERTEXAI=True 这样的环境变量通常在基于 SDK 的设置中使用。

与 Gemini 模型交互

Vertex AI 中的 Gemini API 用于通过 generateContent 等方法发送多模态请求并接收模型输出。根据所选模型，Gemini 可以处理文本、代码、图像、音频、视频和 PDF 的组合。这在构建需要汇总文档、检查屏幕截图、从混合媒体中提取含义或将推理与结构化自动化结合起来的系统时尤其有用。

模型选择很重要。例如，gemini-3.1-pro-preview 专为更高级的推理和代理工作流而设计，但它不支持图像输出。开发旧版预览版的用户还应注意，gemini-3-pro-preview 正在退役，如果应用程序仍依赖于它，那么迁移规划就很重要。

另一个值得关注的功能是代码执行。Gemini 不仅可以描述解决方案，还可以生成并运行 Python 代码作为工具，检查结果，并在此基础上继续迭代。这对于计算、结构化数据处理、转换逻辑以及其他推理受益于实际执行而非纯文本预测的任务特别有用。

优化交互和性能

Vertex AI Studio 帮助开发者在将提示集成到生产代码之前测试提示、比较行为并验证想法。这很重要，因为许多模型问题并非由模型本身引起，而是由不清晰的指令、不良的输入结构或错误的模型选择引起。Vertex AI 还增加了提示优化、评估工具和管理功能，随着项目的增长，这些功能会变得越来越有价值。

控制 Gemini 3 的行为

#!Gemini 3 引入了 thinking_level 参数，该参数让开发者能够更直接地控制模型应该使用的内部推理量。这有助于根据任务平衡响应质量、延迟和成本。

思考级别	说明	典型用例
`MINIMAL`	尽可能少地思考，专为低复杂度任务设计。	速度至关重要的吞吐量高的任务。
`LOW`	在保持响应高效的同时，降低推理深度。	简单的自动化、提取和轻量级转换。
`MEDIUM`	平衡速度和推理质量。	中等复杂的工作流，但仍需要良好的响应性。
`HIGH`	为更难的任务使用动态、更深入的推理。	多步规划、高级编码和复杂问题解决。

对于多模态输入，media_resolution 提供了进一步的控制。较低的设置会减少 token 消耗和延迟，而较高的设置在模型需要检查细节（如密集屏幕截图、扫描的 PDF 或小型界面元素）时很有帮助。因此，性能调优不仅仅是关于提示；它还包括为工作负载选择正确的推理和媒体设置。

上下文管理和提示最佳实践

Gemini 3 模型支持大型输入上下文窗口，这使得它们对于长文档、大型提示链和更广泛的任务上下文非常有用。即便如此，提示的约束仍然很重要。清晰的指令、明确的约束和一致的系统级指导通常会产生比过于宽泛的提示更可靠的输出。对于接地的工作流，最好明确告诉模型可以使用哪些来源以及必须避免哪些假设。

另一个实际细节是多轮工作流中的思维签名。当工作流依赖于请求之间的持续推理时，这些签名必须得到正确保留。忽略它们可能导致请求错误或行为不一致。这在模型在多个轮次中处理中间步骤的代理或工具驱动的流程中尤其相关。

从开发到部署：实际应用

将 Gemini 与实际产品和业务工作流连接起来后，Gemini 在 Vertex AI 上的真正优势就更加清晰了。Gemini 可以与外部工具、内部系统和云服务结合使用，以自动化特定操作、支持内部用户或改善面向客户的体验，而不是仅仅回答孤立的提示。这就是 Vertex AI 成为不只是模型端点的地方。

案例研究：MOGUL.sg 的 MAIA

一个很好的例子是 MOGUL.sg 的 MAIA，这是一个在 WhatsApp 上用于房地产相关交互的 AI 助手。它展示了 Gemini 如何通过将模型推理与外部数据和结构化业务逻辑相结合，支持超越文本生成的对话工作流。

来源: cloud.google.com

此图像显示了一个基于智能手机的 AI 助手工作流，展示了 Gemini 驱动的系统如何在消息环境中支持真实的客户交互。

这样的例子很重要，因为它们展示了平台的实际方向。成功的部署通常会结合强大的模型、清晰的工作流设计、明确的工具使用以及为应用程序提供真正实用性的业务数据。

来源: firebase.google.com

Firebase AI Logic 通过帮助团队更安全、更高效地将 AI 功能集成到应用程序中，为移动和 Web 产品补充了 Gemini 开发。

企业功能和运营价值

Vertex AI 还为 Gemini 提供了企业级服务，包括评估工具、模型管理、提示工具以及运营监控。这些都不是小补充。它们帮助团队比较模型行为、跟踪迁移期间的变化，并降低将不稳定的提示逻辑直接推入生产的风险。对于有合规性、质量或可靠性要求的组织来说，这一层通常与模型本身一样重要。

这也是 Vertex AI 在任务自动化方面具有吸引力原因。您可以从简单的概念验证转向可衡量、可重复且更易于治理的工作流。实际上，这意味着更少的脆弱的提示技巧，更多的可演进的结构化系统。

常见问题解答

什么是 Vertex AI？

Vertex AI 是 Google Cloud 的 AI 平台，用于构建、测试、部署和运行机器学习及生成式 AI 应用程序。它提供对 Gemini 模型的访问，以及用于提示开发、监控、访问控制和生产工作流的工具。

什么是 Gemini 3？其主要功能是什么？

Gemini 3 是 Vertex AI 上的一个多模态模型系列，专为推理、工具使用和更广泛的输入处理而设计。根据不同变体，它可以处理文本、代码、图像、音频、视频和 PDF，而 thinking_level、代码执行和函数调用等功能使其更适合复杂自动化任务。

我如何通过 Vertex AI 进行身份验证以使用 Gemini？

您可以使用应用程序默认凭据、gcloud 凭据或受支持情况下的基于 API 密钥的访问进行身份验证。在典型的 Google Cloud 项目中，您还需要启用结算、激活 Vertex AI API，并拥有 roles/aiplatform.user IAM 角色或可比较的自定义角色。

用于优化 Gemini 3 性能的最重要参数是什么？

最重要的是用于推理深度的 thinking_level 和用于多模态输入保真度的 media_resolution。它们共同直接影响延迟、token 使用量和输出质量，尤其是在图像和文档密集型工作流中。

Gemini 3 是否可以生成和执行代码？

是的。Vertex AI 上的 Gemini 支持将代码执行作为一种工具，允许模型生成并运行 Python 代码，并根据结果进行迭代。这对于结构化推理、计算和转换任务特别有用。

我是否仍应使用旧版 Vertex AI 生成 SDK 模块？

新项目不应如此。Vertex AI SDK 中的旧版生成模块已弃用，因此对于以 Gemini 为中心的 Vertex AI 开发，更好的长期选择是 Google Gen AI SDK。

结论

Gemini 3 和 Vertex AI 的结合非常引人注目，因为它超越了原始模型访问。它使开发者能够在一个支持治理、测试和部署的平台上，构建多模态、具有推理能力、能够使用工具的 AI 系统。这使得它对于需要超越演示并且希望有一条从实验到生产的现实路径的团队来说尤其有价值。

对于探索 AI 自动化的组织来说，真正的优势在于控制。模型选择、身份验证、提示、运营工具和迁移策略都决定了最终结果。Vertex AI 将这些部分整合在一起，这就是 Gemini 3 比简单的独立模型端点更有用的原因。

来源: YouTube