13.3 Google Gemini 提示策略

说明： 本节内容基于 2026 年初 Gemini 模型家族的能力编写。考虑到多模态模型的快速演进，在实际应用中请参考 Google 最新的开发者文档。

Google 的 Gemini 是从设计之初就采用原生多模态架构的大语言模型系列。本节深入介绍 Gemini 的核心特性和针对性的提示词优化策略。

13.3.1 Gemini 模型系列

Gemini 提供多个模型层级，覆盖不同的能力和成本需求：

模型	上下文窗口	核心特点	适用场景
Gemini 3.1 Pro Preview	1M tokens	最新预览、复杂推理与 agent 工作流	评估最新能力、前沿试验
Gemini 2.5 Pro	1M tokens	稳定旗舰、复杂推理与多模态	复杂分析、长文档
Gemini 2.5 Flash	1M tokens	低延迟、高性价比、具备推理能力	实时交互、批量处理
Gemini 2.5 Flash-Lite	1M tokens	成本优化、极速	高并发场景
Gemini 1.5 Pro	1M tokens	百万级上下文首创	超长文档处理
Gemini Nano	设备端	轻量级、离线运行	移动端本地应用

上下文窗口详解：Gemini 1.5 Pro 首次将百万级上下文（1M tokens）带入主流 API。对生产环境来说，通常优先选择 Gemini 2.5 Pro；Gemini 3.1 Pro Preview 更适合在可接受预览波动时做前沿评估。超长上下文非常适合整本书、多份长文档或长视频摘要类任务。

13.3.2 原生多模态能力

Gemini 的核心优势在于从架构层面就支持多种模态的融合处理。

多模态输入示例

注意：以下代码示例使用稳定版 gemini-2.5-pro。如果你要测试最新预览能力，可以在非生产环境中替换为 gemini-3.1-pro-preview。请始终参考 Google 官方文档获取最新的可用模型列表。

import os
import google.generativeai as genai

api_key = os.getenv("GEMINI_API_KEY") or os.getenv("GOOGLE_API_KEY")
genai.configure(api_key=api_key)

model = genai.GenerativeModel("gemini-2.5-pro")
product_image = b"<demo_image_bytes>"
audio_clip = b"<demo_audio_bytes>"

# 混合多种模态

response = model.generate_content([
    "请分析这张产品图片和用户反馈音频，给出综合评估：",
    product_image,   # PIL Image
    audio_clip,      # 音频文件
    "补充信息：这是一款智能手表，目标用户是运动爱好者。"
])

print(response)

支持的模态类型

图 13-3：Gemini 多模态处理流程

13.3.3 多模态提示词设计

图像理解与分析

请详细分析这张建筑图片：

[图片]

分析维度：
1. 建筑风格（古典/现代/后现代等）
2. 主要建筑材料
3. 设计特色和创新点
4. 预估建造年代

请用专业但易懂的语言解释，适合建筑爱好者阅读。

视频内容分析

请分析这段教学视频：

[视频]

分析要求：
1. 提取关键知识点（按时间戳标注）
2. 评估教学方法的有效性
3. 识别可能 confused 观众的部分
4. 生成 5 个检验理解的问题

输出格式：Markdown 带时间戳

跨模态推理

这是一份手写数学作业的照片：

[图片]

请完成以下任务：
1. 识别所有数学表达式
2. 检查计算过程是否正确
3. 对于错误的步骤，指出错在哪里并给出正确解法
4. 给出整体评分（满分 100 分）

13.3.4 超长上下文处理策略

Gemini Pro 系列的百万级上下文能力可以处理：

• Gemini 1.5 Pro（1M tokens）：约 75 万字的中文文本、整部小说

• Gemini 2.5 Pro / 3.1 Pro Preview（1M tokens 级）：约 75 万字的中文文本、长篇技术资料、多份长文档联合分析，以及较长时长的视频/音频理解任务

长文档处理最佳实践

<document>
以下是《三国演义》全文，共约 80 万字：
{entire_book_content}
</document>

<question>
请分析全书中诸葛亮的人物形象变化：
1. 出山前（隆中对之前）
2. 辅佐刘备时期
3. 托孤后独掌大权时期
4. 北伐时期

每个时期请引用原文中的具体章节和段落作为支撑。
</question>

信息检索模式

对于超长文档中的精确查找：

在上述文档中，找出所有提到"战略"或"策略"的段落，
并按以下格式列出：

| 位置 | 原文摘录 | 上下文主题 |
|-----|---------|-----------|

13.3.5 Google 生态集成

Gemini 与 Google 产品生态深度集成，可利用这些能力增强应用。

与 Google Search 结合

# 使用 Grounding 功能接入最新信息

import os
import google.generativeai as genai

api_key = os.getenv("GEMINI_API_KEY") or os.getenv("GOOGLE_API_KEY")
genai.configure(api_key=api_key)

model = genai.GenerativeModel("gemini-2.5-pro")

response = model.generate_content(
    "2024 年诺贝尔物理学奖得主是谁？获奖原因是什么？",
    tools=[{"google_search": {}}]  # 启用搜索增强
)

print(response)

与 Google Workspace 协作

你可以访问用户的 Google Drive 文档。

任务：
1. 阅读名为"Q3 财务报告"的 Google Sheets
2. 分析销售趋势
3. 生成一份摘要，可以直接粘贴到 Google Docs

13.3.6 结构化输出指定

Gemini 支持严格的输出格式控制：

import os
import google.generativeai as genai
from google.generativeai.types import GenerationConfig

api_key = os.getenv("GEMINI_API_KEY") or os.getenv("GOOGLE_API_KEY")
genai.configure(api_key=api_key)

model = genai.GenerativeModel("gemini-2.5-pro")
prompt = "对这段文本做情感分析并输出 JSON。"

config = GenerationConfig(
    response_mime_type="application/json",
    response_schema={
        "type": "object",
        "properties": {
            "sentiment": {"type": "string", "enum": ["positive", "negative", "neutral"]},
            "confidence": {"type": "number"},
            "keywords": {"type": "array", "items": {"type": "string"}}
        }
    }
)

response = model.generate_content(prompt, generation_config=config)

print(response)

13.3.7 提示词模板示例

综合分析模板

角色：资深数据分析师

任务：
分析提供的多模态数据，生成综合报告。

输入数据：
- 图片：[产品图片]
- 文档：[用户调研报告 PDF]
- 数据：[销售数据 CSV]

分析维度：
1. 产品视觉吸引力评估
2. 用户反馈主题分析
3. 销售数据趋势
4. 综合建议

输出要求：
- 结构化 Markdown 报告
- 包含数据可视化描述
- 可操作的建议清单

13.3.8 常见问题与解决方案

问题	解决方案
视频分析不够细致	指定具体时间段，或要求逐分钟分析
图像细节遗漏	要求“仔细观察图片的每个区域”
长文档遗忘开头	在问题中引用关键段落位置
输出过于冗长	明确字数限制，使用结构化输出

延伸思考

1. Gemini 的原生多模态能力意味着你可以在一个提示中混合文本、图像甚至视频。你认为哪个多模态组合在你的业务中最有实用价值？

2. 同样的任务，在 GPT、Claude、Gemini 上分别需要不同的提示词优化。维护多平台提示词的成本是否值得？你会如何管理？