我正在搞一个原型，需要从视频流里拉取数据，并快速生成一个 API 后端，结果搞到一半卡壳了。按我平时的套路——手动起一个 FastAPI 服务器，然后再死磕视频抽帧，这怎么也得折腾好几个小时。之前老听说 Google 新出的 Gemini 3.5 系列和 Omni 的视频能力有多神，所以我就想试试，看 Google I/O 上吹的牛到底值不值得我花时间去踩坑。
提前剧透：有些功能确实惊艳到我了，但也有些气得我直接想关浏览器。下面是我真实的上手体验，包括我踩过的坑和摸索出的解决办法。
痛点：速度太慢，多模态太折腾
我的核心诉求很简单：我需要一个写代码不摸鱼的模型（响应得快），而且我需要它能直接理解视频，别让我写上百行的预处理代码。Gemini 3.5 系列承诺的正是这些。Flash 是他们主打速度的编程模型，而 Omni 是他们的多模态生成引擎，据说不仅懂物理、科学和文化背景，还能让你像聊天一样修改生成的内容。
准备工作：搞懂工具在哪
在敲代码之前，你得先搞清楚这些工具到底藏在哪。Google 把它们散布在好几个平台上，真的挺绕的。这里给你整理了一份最省事的上手指南：
- Google AI Studio：这就是你的沙盒。你可以免费用它的网页界面测试提示词。打开 aistudio.google.com，登录，然后在模型下拉菜单里选 Gemini 3.5 Flash 就行。
- 免费 API Key：在 AI Studio 左侧边栏点“Get API Key”。你会拿到一个适配 Google GenAI API 的密钥，3.5 Flash 和 Omni 都有相当充裕的免费额度。
- Gemini CLI：如果你跟我一样是终端重度用户，可以装个 Gemini CLI（
npm install -g @anthropic-ai/gemini-cli——没错，这命名确实挺迷的，但目前包名就是这个）。配上你的 API Key，就能当本地编程助手用了。 - Antigravity 2.0：这是 Google 搞的智能体 IDE。那些深度的编程工作流都在这儿，但目前还在逐步开放中。我后面的体验会细说。
工作流 1：用 Gemini 3.5 Flash 生成 API
我决定先测测 Flash 的编码功底，让它帮我写个需要的 REST API。我打开 Google AI Studio，丢进去这么一段提示词：
写一个 FastAPI 应用，包含以下接口：
1. 接受视频 URL 上传
2. 使用 OpenCV 每隔 5 秒提取关键帧
3. 将元数据存入 SQLite
请包含所有必要的 import 语句和一个 Dockerfile。
第一感觉就是：快。Flash 真是人如其名——大概 4 秒钟就生成了整个应用，差不多 120 行 Python 代码。比起用那些大模型等个 15-20 秒才憋出同样的东西，这简直让人感动。
但这里我踩了第一个坑：我没指定 Python 版本。它生成的代码用了 match 语句，这是 Python 3.10+ 才有的语法。而我的部署环境跑的是 3.9。在本地运行报语法错误时，我才发现这个问题。
我接着补了一句：“确保兼容 Python 3.9。” Flash 瞬间就把 match 语句改成了 if/elif。修改后的 API 一次就跑通了。代码写得不算优雅——非常实用主义，样板代码一堆——但功能上没毛病。
大实话总结：Flash 确实快到能改变你的工作流。生成速度这么快，你完全可以通过不断调整需求来迭代，而不是在第一次写提示词时过度设计。这就好比手底下有个一分钟能打 500 字的初级程序员，虽然偶尔得靠你来纠正他对运行环境的想当然。
工作流 2：用 Gemini Omni 理解和生成视频
这就到了有意思但也让人抓狂的环节了。Gemini Omni 的宣传点是“允许你从任何输入创建任何内容，并使用对话语言自然地进行编辑”。它把对物理的理解与 Gemini 在历史、科学和文化背景上的知识结合在了一起。
我想用 Interactions API 测测它的视频生成和编辑能力。我先试了个简单的生成提示词：
import google.generativeai as genai
genai.configure(api_key='YOUR_API_KEY')
# 使用 Omni Flash 进行快速对话式视频生成
model = genai.GenerativeModel('gemini-omni-flash')
prompt = """
生成一段5秒的慢动作视频：一杯水从桌子上被碰倒。
玻璃杯碎裂的效果要逼真，水花向四周飞溅。
光线要温暖，就像傍晚的阳光透过窗户照进来。
"""
response = model.generate_content(prompt)
print(response.text)
第一个意外来了：API 调用没报错，但它返回的是一段文本描述，描述它将要生成什么样的视频，而不是直接把视频给我。我漏看了文档里很关键的一步——你需要显式指定视频输出模态，并且要处理异步生成的流程。
翻完文档后，我找到了使用 Interactions API 的正确姿势：
from google.genai import interactions
session = interactions.start(
model="gemini-omni-flash",
modalities=["VIDEO", "TEXT"]
)
result = session.send(
"生成一段5秒的慢动作视频：一杯水从桌子上掉下去。"
)
# 视频以可下载的 URL 形式返回
video_url = result.media[0].url
生成大概花了 45 秒。结果如何？物理效果确实惊艳——水花飞溅的抛物线轨迹很真实，玻璃碎片的散落也合情合理。但是，玻璃杯本身看起来有点半透明，而不是完全透明的；而且那种“傍晚的温暖阳光”看起来更像是套了个廉价的橙色滤镜。
这时候就该 Omni 的对话式编辑大显身手了。我发了条跟进指令：
把玻璃杯改成完全透明，带有锐利的高光反射；
让光线感觉更自然——少点橙色，
多点黄金时刻的柔和阴影。
大概 30 秒后重新渲染完了。玻璃杯好多了——有了真正的透明感和光线折射。光影也改善了，阴影边缘更柔和了。虽然还不完美，但这种迭代循环真的很好用。我不需要把整个场景重新描述一遍，只要告诉它我想改哪里就行。
Omni 真正的闪光点：理解物理上下文。后来我让它生成“一个罗马士兵在雨中试图生火”，它准确地渲染出士兵在使用摩擦生火法，而不是穿越地用上了打火石和钢铁。这种文化和历史知识的融合是真的顶。
工作流 3：Antigravity 2.0（还没完全烤熟体验）
我搞到了 Antigravity 2.0 的体验资格，这是 Google 集成了 Gemini 3.5 Flash 的智能体 IDE。它的愿景是：模型不再只是建议代码，而是作为一个智能体，阅读你的代码库，跨文件修改，还能跑测试。
我给了它一个真实任务：“用 JWT 令牌给我现有的 FastAPI 应用加上身份验证。创建 auth 模块，更新 main.py 引入中间件，还要写测试。”
Antigravity 读取了我的项目结构，创建了 auth.py，修改了 main.py，还生成了 test_auth.py。整个“思考”过程大概就 20 秒。代码写得很扎实——用 python-jose 处理 JWT，用 bcrypt 正确地哈希了密码。
但接着我又撞墙了。测试文件里引用了一个根本不存在的 conftest.py。Antigravity 知道需要这玩意儿，但就是没建。我让它生成这个缺失的文件，它倒是生成了——但里面用的数据库 fixture 跟我现有的测试设置冲突了。
这其实是目前所有智能体编程工具的通病，不光是 Antigravity：前 80% 的工作干得漂亮，但最后 20% 的集成细节往往最要命，它们就是搞不对。最后我还是自己动手写了那个 conftest.py。
实用建议与诚实的局限性
跟这些工具死磕了一整天后，有些话我真希望一开始就有人告诉我：
真正管用的建议：
- 一定要提前说清楚环境限制。 Python 版本、操作系统、依赖版本——Flash 会自己做主，而且经常猜错。
- 迭代用 Omni Flash，别用完整版 Omni。 Flash 变体快到足以支撑有来有回的对话修改。完整版 Omni 是留给你需要最高画质时的最终渲染的。
- 写小脚本别低估了 Gemini CLI。 现在遇到一次性的代码生成，我都不切到 AI Studio 了，直接用它。只要确保你的
.gemini配置文件里填了 API Key 就行。 - Omni 编辑视频，一次只改一处。 在一个提示词里要求“把光线调暖，修一下玻璃杯，再加只猫”，出来的绝对是一团糟。一轮对话只改一个地方，效果才好。
诚实的局限性：
- Omni 生成的视频在时长和分辨率上仍有局限。 别指望能稳定生成超过 10 秒或 720p 以上的视频。这是个做原型的工具，不是工业级的视频生产线。
- Antigravity 2.0 潜力很大，但不稳定。 现在还替代不了你手头的 IDE。拿它搞搞从零开始的新项目还行，别在复杂的现有代码库里用它。
- 文档太散了。 Google 把信息拆分到了 AI Studio 文档、GenAI SDK 参考以及各个工具的单独指南里。做好深挖的准备吧。
- 免费额度的速率限制是硬伤。 我大概一小时生成了 15 个视频后，就触发 Omni 的生成限制了。测试的时候悠着点。
总结一下：Gemini 3.5 Flash 在编码速度上真不是吹的——它实打实地改变了我做 API 原型的方式。Omni 很迷人，但感觉还在 Beta 阶段；对话式编辑循环才是它的杀手锏，而不是原始的生成质量。至于 Antigravity？我会持续关注，但暂时还没打算把现在的开发环境换掉。潜力是有，但执行层面还得再迭代一版。