Google 搜索 25 年最大升级：AI Mode 月活破 10 亿，Gemini 3.5 Flash 成新内核

pip install google-genai

from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="对比 ThinkPad X1 Carbon、MacBook Air M4、Dell XPS 14 的续航时间和散热表现，给出购买建议",
)

print(response.text)

import json
from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

# 定义搜索工具（这里用模拟数据，实际可接入 SerpAPI / Google Custom Search API）
search_tool = {
    "name": "web_search",
    "description": "搜索网页获取最新信息，返回相关结果摘要",
    "parameters": {
        "type": "object",
        "properties": {
            "query": {
                "type": "string",
                "description": "搜索关键词"
            }
        },
        "required": ["query"]
    }
}

def web_search(query: str) -> str:
    """模拟搜索结果——实际项目中替换为真实搜索 API 调用"""
    mock_results = {
        "ThinkPad X1 Carbon 续航": "2026 款 X1 Carbon 官标续航 18 小时，实测约 14 小时",
        "MacBook Air M4 续航": "M4 版 Air 官标 20 小时，实测约 17 小时",
        "Dell XPS 14 续耐": "XPS 14 官标 13 小时，实测约 10 小时",
    }
    for key, value in mock_results.items():
        if key.lower() in query.lower():
            return value
    return f"未找到 '{query}' 的模拟结果，请接入真实搜索 API"

# 第一步：让 Gemini 拆解问题并生成子查询
decompose_prompt = """你是一个搜索策略专家。用户提出了一个复杂问题，
请将其拆解为 3-5 个独立的搜索子查询，每个子查询覆盖一个具体维度。
只输出 JSON 数组，不要其他内容。

用户问题：对比 ThinkPad X1 Carbon、MacBook Air M4、Dell XPS 14 的续航和散热"""

decompose_response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=decompose_prompt,
)

# 解析子查询
sub_queries = json.loads(decompose_response.text)
print("拆解出的子查询：", sub_queries)

# 第二步：并行执行搜索
search_results = {}
for sq in sub_queries:
    # 调用 function calling 版本
    result = web_search(sq)
    search_results[sq] = result

# 第三步：综合所有搜索结果，生成最终回答
synthesis_prompt = f"""基于以下搜索结果，综合回答用户问题。
要求：结构清晰，有数据支撑，最后给出明确的购买建议。

搜索结果：
{json.dumps(search_results, ensure_ascii=False, indent=2)}

用户原始问题：对比 ThinkPad X1 Carbon、MacBook Air M4、Dell XPS 14 的续航和散热"""

final_response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=synthesis_prompt,
)

print("\n=== 最终综合回答 ===")
print(final_response.text)

from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

# 配置工具
tools = [search_tool]  # 使用上面定义的 search_tool schema

config = {
    "tools": [tools],
}

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="2026 年京都樱花季最佳观赏日期是什么？帮我规划两日行程",
    config=config,
)

# 检查模型是否请求调用工具
if response.candidates[0].content.parts[0].function_call:
    fc = response.candidates[0].content.parts[0].function_call
    print(f"模型请求调用: {fc.name}，参数: {fc.args}")
    # 执行搜索，把结果喂回模型继续生成
    search_result = web_search(fc.args["query"])

    # 回传工具结果
    follow_up = client.models.generate_content(
        model="gemini-3.5-flash",
        contents=[
            {"role": "user", "parts": [{"text": "2026 年京都樱花季最佳观赏日期是什么？帮我规划两日行程"}]},
            {"role": "model", "parts": [{"function_call": fc}]},
            {"role": "function", "parts": [{"function_response": {"name": fc.name, "response": {"result": search_result}}}]},
        ],
        config=config,
    )
    print(follow_up.text)
else:
    print(response.text)