最近新出的gemini 3 怎么样

下面是实际的gemin的 Api 接口调用的代码。发现他可以给出链接，虽然所有的网页端的LLM 都有网页检索功能，但是作为API 调用形式的LLM ，我还是头一次遇到。很赞，优秀

🚀 最新旗舰模型：Gemini 3 Pro

Google 在近期（2025 年 11 月）推出了第三代旗舰 AI 模型 Gemini 3.0，尤其是其预览版 Gemini 3 Pro。它被官方称为“最智能”的模型，主要在以下几个方面有显著提升：

• 更先进的推理能力： 能够更精准地掌握内容的深度和细微差异，解决复杂的难题。
• 多模态理解： 具备强大的多模态能力，可以更好地理解和处理文本、图片、视频、音频和 PDF 等多种输入格式。
• Agent (智能体) 和编码能力： 增强了作为智能体的能力，在编程和自动任务处理方面的性能有所跃进。
• 全新的生成式 UI 体验： 在 Google 搜索等应用中，能根据查询生成动态的视觉版面配置、互动式工具和模拟情境。

💡 Gemini 2.5 系列模型的稳定与增强

在 3.0 系列推出之前，Gemini 2.5 系列模型也进行了重要更新，例如：

• Gemini 2.5 Pro (稳定版)： 具备自适应思考能力（“Thinking Mode”），即模型会先进行推理再响应，从而生成推理能力更强的回答。
• Gemini 2.5 Flash： 作为首个稳定的 Flash 模型，它是一个低成本、高性能的模型。

🛠️ 应用和开发者生态的深化

Gemini 不仅是一个模型，它也深入集成到 Google 的各种产品和生态中：

• Google 搜索集成： Gemini 3.0 正在逐步增强 Google 搜索的 AI 模式和 AI 摘要功能。
• Google Workspace (办公套件)： AI 助理（Gemini）内置于 Gmail、Docs、Slides、Sheets 等，帮助提高工作效率。
• AI 图像生成： 提供了新的图像生成和编辑模型（如 Nano Banana Pro），让用户可以更精准地控制和编辑生成的图像。
• 开发者工具： 提供了新的 API 功能，例如多工具使用（在同一请求中配置代码执行和 Google 搜索）、自定义视频预处理等。

总的来说，最新的 Gemini 模型正在往更智能的推理、更强大的多模态处理，以及更广泛的产品集成方向发展。

完整代码展示

import json
from openai import OpenAI
from openai import APIError, APIConnectionError, Timeout
import os

# --- 配置 ---
# 建议使用环境变量存储 API Key
API_KEY = "sk-JmUHFrwmr4hd1d lZIXrljhsn d7oJ2l3ktkwTvLEG"

# 初始化客户端
client = OpenAI(
    base_url="https://api.3 u.com/v1/",
    api_key=API_KEY
)


# --- 工具函数 ---

def clean_llm_response(response_content: str) -> str:
    """清理LLM响应，提取标准JSON内容"""
    if not response_content or not response_content.strip():
        return ""

    response_content = response_content.strip()

    # 1. 去除代码块标记 (```json/```)
    if response_content.startswith("```json"):
        response_content = response_content[7:].strip()
    if response_content.endswith("```"):
        response_content = response_content[:-3].strip()

    # 2. 替换中文引号为英文双引号
    return response_content.replace("“", "\"").replace("”", "\"").strip()


# --- 核心处理函数 ---

def process_question_with_llm(question: str) -> dict:
    """
    使用LLM处理单个问题，根据拓竹专家Prompt进行信息补充、分析。

    Args:
        question: 原始的用户问题字符串。

    Returns:
        解析后的 JSON 字典结果，或包含错误信息的字典。
    """
    if not question:
        return {"错误": "输入问题为空"}

    # 完整且严格的 Prompt，确保返回 JSON
    prompt = f"""
    请根据以下要求处理原始用户问题："{question}"
    
    """

    cleaned_result = ""
    try:
        response = client.chat.completions.create(
            # 请替换为有效的模型名称
            model="gemini-3-pro-preview-thinking-*",
            messages=[
                {"role": "system", "content": "你是拓竹3D打印专家，仅输出标准JSON，无其他文字。"},
                {"role": "user", "content": prompt}
            ],
            timeout=30
        )

        result = response.choices[0].message.content.strip()
        if not result:
            return {"原始用户问题": question, "错误": "LLM返回内容为空"}

        cleaned_result = clean_llm_response(result)
        return json.loads(cleaned_result)

    except (APIError, APIConnectionError, Timeout) as e:
        error_type = type(e).__name__
        return {"原始用户问题": question, "错误": f"API调用失败 ({error_type})：{str(e)}"}
    except json.JSONDecodeError as e:
        error_type = type(e).__name__
        return {"原始用户问题": question,
                "错误": f"JSON格式错误 ({error_type})：{str(e)}，内容：{cleaned_result[:100]}..."}
    except Exception as e:
        error_type = type(e).__name__
        return {"原始用户问题": question, "错误": f"处理失败 ({error_type})：{str(e)}"}


# --- 示例调用 ---

if __name__ == "__main__":
    test_question = "我的拓竹3d打印机死机了怎么办？"
    print(f"--- 正在处理问题: {test_question} ---")

    analysis_result = process_question_with_llm(test_question)

    print("\n--- LLM 分析结果 ---")
    # 使用 json.dumps 格式化输出字典结果，更易读
    print(json.dumps(analysis_result, ensure_ascii=False, indent=4))
    print("----------------------")

    if "错误" in analysis_result:
        print("\n**注意：API调用或解析失败，请检查模型名称和API Key**")