上周，我正面对一个庞大的重构项目——大概有 40 个文件需要更新某个特定的 API 端点，另外还有一份 12 页的产品规格说明书需要转换成结构化的 Jira 需求池。一开始我手动搞，复制粘贴了一个小时后，我意识到这进度肯定要爆工期了。
之前我一直在用那些更重量级的模型来写代码和处理知识型工作，但我总是撞上同一堵墙：经常下午干到一半就触发了速率限制（rate limit），或者明明我只需要一段 JSON 代码，模型却给我洋洋洒洒生成 2000 字的解说。一气之下，我换到了 Gemini 3.5 Flash，想看看牺牲点质量换速度到底值不值。
42 分钟后，我彻底被折服了。它的速度、质量，还有那超强的续航能力，彻底改变了我日常的工作效率。下面我就来聊聊我平时到底是怎么用它的，以及那些让我效率起飞的工作流。
为什么 3.5 Flash 改变了我的工作流
工程界有句老话：“好、快、省，三者只能选其二”。但在深度体验了 3.5 Flash 之后，我感觉谷歌完全无视了这条规矩。你既能得到前沿级别的性能，速度又快得离谱，而且还极其省 token。
对我来说，最大的实际收益就是速率限制的问题。用重量级模型的时候，我经常下午干到一半工作流就断了，因为达到了用量上限。而 Gemini 3.5 Flash 能让你在触发速率限制前进行更长时间的连续工作，这就让它真的能扛得住日常的高强度使用。我一下午都可以保持同一个会话不断。
第二大收益是 token 效率。我以前用的模型往往很啰嗦——明明只需要代码，非要给我来几段解释。3.5 Flash 的 token 效率明显更高，废话少了很多。它给我想要的东西然后就打住，这意味着我花在解析回复上的时间少了，也不再把 token 预算浪费在凑字数的废话上。
工作流 1：批量重构引擎
先说我为啥一开始会被迫尝试 3.5 Flash 吧。我需要更新几十个文件里的 API 端点。
我没有一个文件一个文件地改，而是写了个简单的 shell 脚本，把需要的文件全抓出来，然后批量喂给 API：
# 抓取所有包含旧端点的文件
grep -rl "api.v1.example.com" ./src > files_to_update.txt
# 批量喂给 Gemini
while read -r file; do
echo "Updating $file..."
cat "$file" | gemini-cli \
--model gemini-3.5-flash \
--prompt "Replace all instances of 'api.v1.example.com' with 'api.v2.example.com'. Update the authentication headers to use Bearer tokens instead of API keys. Return ONLY the updated file contents, no explanations."
> "$file.updated"
done < files_to_update.txt
这里的关键在于提示词：“Return ONLY the updated file contents, no explanations.”（仅返回更新后的文件内容，不要解释）。因为 3.5 Flash 太省 token 了，它真的会乖乖听话。我大概 15 分钟就跑完了 40 个文件。要是按我以前的工作流，这得花 3 个小时。
我踩过的坑： 一开始我没加“不要解释”这句，结果模型非常“热心”地把每个文件都用 markdown 代码块包起来，还附带了修改摘要。这直接搞崩了我的自动化流程。所以，对输出格式一定要指令明确。
工作流 2：文档转结构化数据
我手头的第二个任务，是把那份 12 页的产品规格说明书转成 Jira 需求池。我把文档贴进 Gemini 网页版，用了这样的提示词：
Take this product specification and convert it into a structured JSON array of Jira tickets. Each ticket should have:
- summary: a concise ticket title
- description: the relevant requirements from the spec
- story_points: estimate based on complexity (1, 2, 3, 5, 8, or 13)
- epic: which epic this belongs to
- dependencies: array of ticket summaries this depends on
Output valid JSON only, no markdown formatting.
大概 8 秒钟，它就解析完了整个文档，吐出了 27 个结构完美的 Jira 任务 JSON。故事点（story points）的估算很合理，而且它还准确识别出了认证模块和用户资料功能之间的依赖关系。
确实有两个任务因为原始文档有歧义，我手动调整了一下，但这也就花 10 分钟，比起手动拆解 3 小时，简直不要太爽。
工作流 3：用 Computer Use 实现浏览器自动化
这个功能是真的惊到我了。Gemini 3.5 Flash 有个原生的 computer use（计算机使用）工具，真的能操控浏览器——读取屏幕、决定点哪里、执行多步骤的网页操作。
当时我需要从一个没有 API 的内部数据看板上拉取季度营收数据。平时，这意味着我要花 20 分钟点各种筛选器、导出 CSV、再调格式。我设置好 computer use 工具，给了它一个简单的指令：
Navigate to the revenue dashboard. Set the date filter to Q3 2024.
Select the "By Region" view. Export the data as CSV.
Save it to /reports/q3_revenue.csv.
我就往椅背上一靠，看着它操作界面：点日期选择器、选季度、切换视图、点导出。它不是完美无缺——中间点错了一次又退了回去——但大概 3 分钟就搞定了。在有人监督的情况下，它执行这种多步骤工作流是很靠谱的。
重要提醒： 我说了“在有人监督的情况下”。你必须盯着它在干嘛。它点错了一次，如果我没发现，它就会导出错误的数据集。把它当成一个动作很快的实习生：执行指令很利索，但你得核实它的产出。
工作流 4：长时间编程会话
在实际写代码时，除了最复杂的架构决策，我已经开始把 3.5 Flash 当作我的默认模型了。这是我典型的设置：
- 我开一个终端跑着 Gemini CLI
- 描述我要构建或修复的功能
- 根据输出的结果不断迭代
让这变得可行的是会话的长度。我可以连续工作好几个小时不卡壳。上周五，我连续四个小时都在写一个新的微服务——生成脚手架代码、写测试、调试错误——全在一个会话里搞定。
专门针对写代码，我发现这种提示词结构效果最好：
I'm building a [description]. Here's what I have so far:
[paste relevant code]
I need to [specific task]. Follow these rules:
- Use the existing code style
- Include error handling
- Write tests for the new functionality
- Don't add dependencies without asking first
“不要擅自添加依赖”这条规则至关重要。放任不管的话，模型为了少写 20 行代码，能开开心心地给你引入三个新库。
一线实战经验
经过几周的高强度使用，这是我总结出的经验：
1. 对输出格式必须极其明确。 如果你想要 JSON，就说“仅输出合法的 JSON”。如果你想要代码，就说“仅输出代码，不要解释”。模型很听话，但你得明确告诉它你要什么。
2. 用它搞定 80%，而不是 100%。 3.5 Flash 能极快地帮你搞定 80% 的工作，但剩下的 20%——边缘情况、微妙的业务逻辑、棘手的 bug——还是得靠你自己的脑子。别指望它包揽一切。
3. 批量发送请求。 因为它速度快、速率限制宽松，你可以连续发 10 个请求，而不是苦思冥想写一个完美的超长提示词。反正我用专注单一任务的提示词效果更好。
4. 密切监视 computer use 功能。 它很强，但并非万无一失。我遇到过它点错按钮、选错下拉菜单项，还有一次本来该点链接，它却把一个书签给删了。一定要盯着。
5. 复杂的架构决策还是留给重量级模型。 当我需要思考系统设计、数据建模或安全架构时，我还是会去用更重的模型。3.5 Flash 擅长执行；让大模型去搞战略。
实话实说的局限性
它也不是完美无缺。computer use 功能虽然惊艳，但依然需要监督。遇到有嵌套菜单的复杂 UI，它也会犯晕。我还注意到，当提示词真的有歧义时，3.5 Flash 会自己猜一个合理的答案，而不是反问你澄清——有时候这正是你想要的，但有时候这会让你走弯路。
另外，虽然 token 效率高是好事，但偶尔它会过于简略。如果你需要它详细解释某段代码为什么能跑通，你得明确要求它才行。
但说到日常的生产力——重构、文档处理、浏览器自动化和长时间编程会话——Gemini 3.5 Flash 已经成了我的默认工具。它的速度和续航能力意味着我真的是一整天都在用它，而不是抠抠搜搜地省着提示词用。说到底，正是这一点，而不是任何单一的功能，真正提升了我的效率。