Gemini 3.5 Flash API เปิดตัวพร้อมกับโมเดลเมื่อวันที่ 19 พฤษภาคม 2026 Flash เป็นโมเดลเดียวในตระกูล 3.5 ที่มีให้บริการในปัจจุบัน ส่วน Pro จะเปิดตัวในเดือนมิถุนายน คู่มือนี้สรุปขั้นตอนสำหรับนักพัฒนา: ขอคีย์, เรียกใช้งานครั้งแรก, ส่งอินพุตหลายรูปแบบ, เปิดสตรีมมิ่ง, ใช้เครื่องมือ, และทดสอบ API ด้วย Apidog
หากคุณเคยใช้ Gemini API มาก่อน รูปแบบการใช้งานยังเหมือนเดิม สิ่งที่ต้องเปลี่ยนคือชื่อโมเดลเป็น gemini-3.5-flash หากคุณเริ่มใหม่ สามารถเรียกใช้ Flash ได้ภายในประมาณ 10 นาที
คุณได้อะไรจาก Gemini 3.5 Flash API
สิ่งที่ต้องรู้ก่อนเริ่มใช้งาน:
-
gemini-3.5-flash: พร้อมใช้งานแล้ว, เร็ว, ถูก, รองรับหลายรูปแบบ (multimodal) - Endpoint รูปแบบ OpenAPI-style เดิม: ใช้แทนในโปรเจกต์ที่เรียก Gemini 3 หรือ 3.1 ได้ทันที
- Free tier บน AI Studio: ประมาณ 1,500 คำขอต่อวันโดยไม่ต้องใช้บัตรเครดิต
ความสามารถหลักที่เปิดผ่าน Flash API:
- อินพุต 1M โทเค็น, เอาต์พุต 64K โทเค็น
- อินพุตข้อความ + รูปภาพ, เอาต์พุตข้อความ + โครงสร้าง
- การเรียกใช้ฟังก์ชันและเครื่องมือแบบเนทีฟ (83.6% MCP Atlas)
- การสตรีมคำตอบ เร็วกว่าโมเดลรุ่นใหม่ๆ ประมาณ 4 เท่าในแง่เอาต์พุตโทเค็นต่อวินาที
- คะแนนการดึงข้อมูลจากบริบทขนาดยาวอยู่ด้านบนของตาราง MRCR v2 ของ Google
- การให้เหตุผลจากแผนภูมิและเอกสาร (84.2% CharXiv)
สำหรับรายละเอียดราคา รวมถึงอัตราต่อโทเค็นและส่วนลดโหมดแบตช์ ดู คู่มือการกำหนดราคา Gemini 3.5 Flash
ขั้นตอนที่ 1: ขอ API Key ของ Gemini 3.5 Flash
เลือกได้ 2 เส้นทาง ขึ้นอยู่กับว่าคุณต้องการโควต้าฟรีหรือการใช้งานแบบ production
เส้นทาง A: Google AI Studio สำหรับแพ็คเกจฟรี
- ไปที่ aistudio.google.com
- ลงชื่อเข้าใช้ด้วยบัญชี Google
- คลิก Get API key ในแถบนำทางด้านซ้าย
- เลือกโปรเจกต์ที่มีอยู่แล้วหรือสร้างโปรเจกต์ใหม่
- คลิก Create API key
- คัดลอกคีย์และเก็บไว้ใน environment variable
ตัวอย่าง:
export GEMINI_API_KEY="YOUR_API_KEY"
ขั้นตอนนี้เหมือนกับ คู่มือการขอ API Key ของ Gemini ฟรี คีย์นี้ใช้กับ gemini-3.5-flash ได้ทันทีพร้อมโควต้าฟรีรายวัน
เส้นทาง B: Vertex AI สำหรับ production
สำหรับ workload ที่ต้องมี billing, IAM, และ audit logs:
- เปิดใช้งาน Vertex AI API ใน Google Cloud Console
- สร้าง service account พร้อมสิทธิ์
aiplatform.user - ดาวน์โหลด credentials JSON
- ยืนยันตัวตนผ่านคำสั่งนี้หรือใช้ไฟล์ JSON
gcloud auth application-default login
Vertex ใช้รูปแบบ SDK ต่างจาก AI Studio เล็กน้อย ทีมส่วนใหญ่มักเริ่มจาก AI Studio แล้วค่อยย้ายไป Vertex เมื่อต้องการการควบคุมระดับองค์กร
ขั้นตอนที่ 2: ติดตั้ง SDK
Google GenAI SDK อย่างเป็นทางการมีให้สำหรับ Python, Node.js, Go และ Java
# Python
pip install -U google-genai
# Node.js
npm install @google/genai
# Go
go get google.golang.org/genai
หากไม่ต้องการใช้ SDK คุณสามารถเรียก REST endpoint โดยตรงได้ ดูตัวอย่าง curl ในขั้นตอนถัดไป
ขั้นตอนที่ 3: เรียกใช้ Flash ครั้งแรก
Python
import os
from google import genai
client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
response = client.models.generate_content(
model="gemini-3.5-flash",
contents="Explain how OAuth 2.0 PKCE flow works in 3 short paragraphs."
)
print(response.text)
Node.js
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({ apiKey: process.env.GEMINI_API_KEY });
const response = await ai.models.generateContent({
model: "gemini-3.5-flash",
contents: "Explain how OAuth 2.0 PKCE flow works in 3 short paragraphs.",
});
console.log(response.text);
curl
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts": [{"text": "Explain how OAuth 2.0 PKCE flow works in 3 short paragraphs."}]
}]
}'
หลังจากเรียกสำเร็จ คุณสามารถเพิ่มฟีเจอร์อื่น เช่น streaming, multimodal input, function calling หรือ JSON schema ได้ทันที
การสตรีมคำตอบ
Flash สร้างเอาต์พุตได้เร็ว การเปิด streaming ช่วยให้ UI แสดงผลระหว่างที่โมเดลกำลังตอบ
Python
stream = client.models.generate_content_stream(
model="gemini-3.5-flash",
contents="Write a 5-step tutorial on writing a REST API client in Go."
)
for chunk in stream:
print(chunk.text, end="", flush=True)
Node.js
const stream = await ai.models.generateContentStream({
model: "gemini-3.5-flash",
contents: "Write a 5-step tutorial on writing a REST API client in Go.",
});
for await (const chunk of stream) {
process.stdout.write(chunk.text);
}
สำหรับ REST endpoint ให้เปลี่ยน suffix จาก :generateContent เป็น :streamGenerateContent
อินพุตหลายรูปแบบด้วย Flash
Gemini 3.5 Flash รับรูปภาพพร้อมข้อความได้ คะแนน CharXiv Reasoning 84.2% ทำให้เหมาะกับงานอ่านแผนภูมิ, dashboard, และเอกสารภาพ
Python: ส่งรูปภาพจากดิสก์
import os
from google import genai
from google.genai import types
client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
with open("dashboard.png", "rb") as f:
image_bytes = f.read()
response = client.models.generate_content(
model="gemini-3.5-flash",
contents=[
types.Part.from_bytes(data=image_bytes, mime_type="image/png"),
"Extract every metric in this dashboard as a JSON object."
]
)
print(response.text)
ประเภท MIME ที่รองรับ:
image/pngimage/jpegimage/webpimage/heicimage/heif
ไฟล์ PDF และวิดีโอใช้งานได้ผ่าน types.Part.from_uri()
การเรียกใช้ฟังก์ชันและเครื่องมือด้วย Flash
Function calling คือจุดที่ Flash เหมาะกับ agent และ workflow อัตโนมัติ คะแนน MCP Atlas 83.6% หมายความว่า Flash เลือกเครื่องมือที่ถูกต้องได้อย่างน่าเชื่อถือมากกว่ารุ่น 3.1
Python
from google.genai import types
weather_tool = types.Tool(
function_declarations=[{
"name": "get_current_weather",
"description": "Get the current weather for a city.",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "City name"},
"unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
},
"required": ["city"]
}
}]
)
response = client.models.generate_content(
model="gemini-3.5-flash",
contents="What's the weather in Singapore right now?",
config=types.GenerateContentConfig(tools=[weather_tool])
)
for part in response.candidates[0].content.parts:
if part.function_call:
print(f"Call: {part.function_call.name}")
print(f"Args: {dict(part.function_call.args)}")
Flash จะส่งคืนอ็อบเจกต์ function_call พร้อมชื่อฟังก์ชันและอาร์กิวเมนต์ จากนั้นคุณต้อง:
- ตรวจสอบชื่อฟังก์ชัน
- validate arguments
- เรียกใช้ฟังก์ชันจริงในระบบของคุณ
- ส่งผลลัพธ์กลับเข้า conversation
- ให้โมเดลตอบต่อ
รูปแบบนี้ตรงกับที่ทีมใช้งานกับ Gemini 3 Flash API
เอาต์พุตที่มีโครงสร้างด้วย JSON mode
หากต้องการเอาต์พุตที่ parse ได้ ให้ตั้งค่า MIME type และ schema ของคำตอบ
response = client.models.generate_content(
model="gemini-3.5-flash",
contents="List 3 popular API testing tools with their pricing.",
config=types.GenerateContentConfig(
response_mime_type="application/json",
response_schema={
"type": "array",
"items": {
"type": "object",
"properties": {
"name": {"type": "string"},
"price_per_month": {"type": "number"},
"free_tier": {"type": "boolean"}
},
"required": ["name", "free_tier"]
}
}
)
)
import json
data = json.loads(response.text)
แนวทางนี้ช่วยลดการ parse ด้วย regex และลด retry loop ที่เกิดจาก JSON ไม่ถูกต้อง
การกำหนดราคา ณ เดือนพฤษภาคม 2026
อัตรา pay-as-you-go สำหรับ gemini-3.5-flash:
| ระดับ | อินพุต | เอาต์พุต |
|---|---|---|
| มาตรฐาน | ~1.50 ดอลลาร์ / 1M โทเค็น | ~9.00 ดอลลาร์ / 1M โทเค็น |
| อินพุตที่แคช | อัตราลดลง | ไม่มี |
| โหมดแบตช์ | ลด ~50% | ลด ~50% |
สำหรับ workload แบบ batch ที่ไม่ต้องการ latency แบบ real-time ให้พิจารณา โหมดแบตช์ของ Gemini API ซึ่งให้ส่วนลด 50%
สำหรับรายละเอียดการคำนวณราคาและตัวอย่างต้นทุนจริงของ SaaS workload หรือ agent loops ดู รายละเอียดการกำหนดราคา Flash และดูข้อมูลอ้างอิงอย่างเป็นทางการที่ Gemini Developer API pricing
การทดสอบ Gemini 3.5 Flash integration ด้วย Apidog
SDK call ที่ทำงานได้เป็นเพียงขั้นแรก Production integration ยังต้องทดสอบหลายส่วน:
- streaming chunks
- tool call payload
- multimodal request
- JSON schema validation
- retry เมื่อ error
- rate limit
- mock response สำหรับ downstream service
Apidog ช่วยจัดการ Gemini Flash API ใน workspace เดียว:
-
บันทึก Flash endpoint เป็น request: วาง URL เต็ม, แนบ
x-goog-api-key, แล้วกด Send -
เล่นซ้ำข้ามเวอร์ชันโมเดล: เปลี่ยน
gemini-3.5-flashเป็นgemini-3-flashใน request เดิมเพื่อเทียบผลลัพธ์ - ดู streaming response แบบ inline: แสดง chunks ที่สตรีมเข้ามาพร้อม timing
- ตรวจสอบ JSON schema: ใช้ assertion จับ response ที่เปลี่ยนหลังปรับ prompt
- mock Flash endpoint: สร้าง response จำลองเพื่อทดสอบ downstream code โดยไม่ใช้ quota
- สร้าง test scenario สำหรับ agent loops: เรียก Flash หลายครั้งพร้อมตรวจสอบ tool call ระหว่างขั้นตอน
วิธีเริ่มต้น:
- ดาวน์โหลด Apidog
- สร้าง request ใหม่
- ตั้ง URL เป็น Flash endpoint
- เพิ่ม header
x-goog-api-key - นำเข้า payload จากตัวอย่าง
curl - กด Send และบันทึกเป็น test case
การจัดการข้อผิดพลาดและ rate limit
รหัสข้อผิดพลาดที่ควร handle:
-
400: request ไม่ถูกต้อง เช่น
contentsผิดรูปแบบ หรือ MIME type ไม่รองรับ - 401: API key ไม่ถูกต้อง
- 403: quota หมด หรือโมเดลยังไม่เปิดใช้งาน
- 429: ถูกจำกัดอัตรา ให้รอสักครู่แล้วลองใหม่
- 500/503: server-side error ให้ retry ด้วย exponential backoff
ตัวอย่าง retry wrapper:
import time
from google import genai
def call_with_retry(client, model, prompt, max_retries=3):
for attempt in range(max_retries):
try:
return client.models.generate_content(model=model, contents=prompt)
except Exception as e:
if attempt == max_retries - 1:
raise
time.sleep(2 ** attempt)
โควต้า free tier รีเซ็ตทุกวัน โดย Flash มีประมาณ 15 คำขอต่อนาที และประมาณ 1,500 คำขอต่อวัน ส่วน production quota รีเซ็ตทั้งรายนาทีและรายวัน
สำหรับ workload ปริมาณมาก ให้พิจารณา batch mode หรือ fallback แบบแบ่งระดับไปยัง Gemini 3 Flash เมื่อถึงขีดจำกัด
การย้ายจาก Gemini 3.1 ไปยัง 3.5 Flash
โปรเจกต์ส่วนใหญ่เปลี่ยนแค่ชื่อโมเดล
# ก่อนหน้านี้
model="gemini-3.1-pro" # หรือ gemini-3.1-flash
# หลังจากนั้น
model="gemini-3.5-flash"
สิ่งที่ควรทดสอบหลังเปลี่ยนโมเดล:
- Tool schemas: ตรวจว่า schema เดิมยังทำงานกับ tool call ได้ถูกต้อง
- ความเร็ว streaming: Flash สตรีมเร็วขึ้นประมาณ 4 เท่า UI อาจต้อง throttle การแสดงผล
- Token budget: ขีดจำกัด 1M / 64K ยังเหมือนเดิม แต่ prompt เดิมอาจสร้าง output tokens ต่างจากเดิม
- รูปแบบการปฏิเสธ: safety behavior อาจต่างกันใน edge cases
สำหรับรายละเอียดรูปแบบ SDK เพิ่มเติม ดู คู่มือ Gemini 3.1 Pro API
รูปแบบการใช้งาน Flash ทั่วไป
1. วิเคราะห์เอกสารบริบทขนาดยาว
with open("large_report.pdf", "rb") as f:
pdf_bytes = f.read()
response = client.models.generate_content(
model="gemini-3.5-flash",
contents=[
types.Part.from_bytes(data=pdf_bytes, mime_type="application/pdf"),
"Summarize the financial outlook from this report in 5 bullet points."
]
)
บริบท 1M โทเค็นของ Flash ช่วยให้จัดการ PDF ขนาดใหญ่ได้โดยไม่ต้องแบ่งไฟล์เป็นหลายส่วนในหลายกรณี
2. Agent loop พร้อม tool calling
conversation = [{"role": "user", "parts": [{"text": "Book me a flight to Tokyo"}]}]
while True:
response = client.models.generate_content(
model="gemini-3.5-flash",
contents=conversation,
config=types.GenerateContentConfig(tools=[flight_search_tool, booking_tool])
)
part = response.candidates[0].content.parts[0]
if not part.function_call:
print(part.text)
break
result = execute_tool(part.function_call)
conversation.append({"role": "model", "parts": [part]})
conversation.append({"role": "user", "parts": [{"function_response": result}]})
นี่คือรูปแบบลูปที่เกี่ยวข้องกับคะแนน Terminal-Bench 2.1 ของ Flash (76.2%) และเหมาะกับ agent ที่ต้องเรียกเครื่องมือหลายขั้นตอน
คำถามที่พบบ่อย
มีแพ็คเกจฟรีสำหรับ Gemini 3.5 Flash API หรือไม่?
มี ผ่าน Google AI Studio พร้อมโควต้ารายวันประมาณ 1,500 คำขอต่อวัน โดยไม่ต้องใช้บัตรเครดิต
Flash รองรับ OpenAI-compatible endpoints หรือไม่?
รองรับ Google มี OpenAI-compatible shim ที่ /v1beta/openai/ คุณสามารถตั้งค่า base_url ใน OpenAI SDK และใช้ Gemini API key ได้ ชื่อโมเดลยังคงเป็น gemini-3.5-flash
ใช้ Flash กับ LangChain หรือ LlamaIndex ได้หรือไม่?
ได้ ทั้งสองมี integration กับ Gemini ในตัว ให้ส่ง model="gemini-3.5-flash" ใน wrapper ที่ใช้งาน
Gemini 3.5 Pro จะเปิดตัวเมื่อไหร่?
มิถุนายน 2026 ตามประกาศเปิดตัวของ Google จนกว่าจะถึงตอนนั้น Flash เป็นโมเดล 3.5 เพียงรุ่นเดียวที่มีให้ใช้งาน
ขนาดรูปภาพสูงสุดสำหรับ Flash คือเท่าไหร่?
แนะนำที่ 3072×3072 รูปภาพที่ใหญ่กว่าจะถูก resample สำหรับงาน OCR หนักๆ ดู เวิร์กโฟลว์ Gemini 2.0 Flash OCR ซึ่งใช้รูปแบบเดียวกันได้
ทดสอบ streaming endpoints ใน Apidog ได้อย่างไร?
เปิด request, ตั้ง endpoint suffix เป็น :streamGenerateContent แล้ว Apidog จะแสดง SSE chunks ทันทีที่มาถึง เหมาะสำหรับดีบักคำตอบที่ไม่สมบูรณ์
ดู API logs ได้ที่ไหน?
ใน AI Studio ใต้เมนู “Activity” หรือใน Vertex AI ใต้ “Logs Explorer” สำหรับ production deployment
สิ่งที่ควรสร้างเป็นอันดับแรก
โปรเจกต์เริ่มต้นที่เหมาะกับสัปดาห์แรกของการใช้ Flash:
- บอทถามตอบ PDF: ใส่ PDF ลงในบริบท 1M แล้วถามคำถามพร้อมรับคำตอบแบบมีอ้างอิง
- pipeline แปลงแผนภูมิเป็น JSON: ส่งภาพ dashboard แล้วดึงข้อมูลเป็นโครงสร้าง
- ตัวแทนฝ่ายสนับสนุนลูกค้า: ใช้ function calling เชื่อม CRM และทำงานซ้ำๆ อัตโนมัติ
- ผู้ช่วย review code: ส่ง diff หลายไฟล์ แล้วให้เอาต์พุตแบบมี severity
- agent สำหรับ internal search: รวมบริบท 1M กับการเรียก API ภายใน
สำหรับทุกโปรเจกต์ ใช้ workflow เดียวกัน: เขียน prompt, ครอบด้วย SDK call, ตรวจรูปแบบ response ด้วย Apidog, แล้วค่อยนำไป deploy
Top comments (0)