Agentic Vision 模式
Agentic Vision 模式是基於 Gemini 3 Flash Agentic Vision 的智慧對話功能，讓 AI 能夠「主動調查」圖片內容，而非被動回答問題。
什麼是 Agentic Vision？
傳統的視覺 AI 只是被動地「看」圖片，然後立即給出答案。Agentic Vision 則將視覺理解轉變為主動調查過程——AI 會像偵探一樣，透過多個步驟來分析、驗證並回答你的問題。
Think → Act → Observe 循環
Agentic Vision 的核心是一個嚴謹的推理循環：
- Think（思考）：AI 分析你的問題和圖片，制定多步驟計畫
- Act（行動）：AI 編寫並執行 Python 程式碼來處理圖片——裁切放大、進行計算、計數物件、繪製標註
- Observe（觀察）：處理後的圖片被放回對話中，AI 檢視結果後再決定下一步
這個循環會持續進行，直到 AI 有足夠的信心給出最終答案。
主要功能
放大檢視（Zoom and Inspect）
當細節太小看不清楚時，AI 會自動偵測並裁切放大該區域：
- 儀表板上的讀數
- 產品標籤上的序號
- 照片角落的小字
視覺數學（Visual Math）
AI 可以進行多步驟計算，並使用 Python 確保精確度：
- 計算收據上的項目總和
- 根據圖表數據繪製新的視覺化圖形
- 測量圖片中的距離或比例
圖片標註（Image Annotation）
AI 可以直接在圖片上繪製標註：
- 箭頭指向重點區域
- 邊界框圈選特定物件
- 文字說明標籤
基本用法
- 選擇「Agentic Vision」模式
- 上傳圖片（可選）
- 輸入你的問題或任務
- AI 會顯示思考過程，並在需要時執行程式碼
- 可以繼續對話，進行後續提問
AI 會根據你的需求自動執行 Python 程式碼來分析圖片。
完成分析後，AI 會呈現視覺化結果與詳細說明。
對話設定
上下文深度
控制 AI 能「記住」多少對話歷史（1-10）：
- 1-3：適合簡單問答，節省 token
- 5（預設）：適合一般對話
- 10：適合複雜的多輪分析
在上下文中包含圖片
當啟用時，AI 在每次回應都會參考之前對話中的圖片。這有助於：
- 跨回合比較不同圖片
- 針對同一張圖進行多角度分析
注意
包含圖片會消耗較多 token，建議在不需要圖片參考時關閉。
AI 思考過程
在 AI 回應時，你可以看到「思考中」的展開區塊，點擊可查看：
- AI 的推理過程
- 計畫的執行步驟
- 程式碼執行結果
這讓你能夠理解 AI 是如何得出答案的，增加可信度。
程式碼執行
當 AI 執行 Python 程式碼時，會顯示：
- 完整的程式碼內容
- 執行結果（文字輸出或圖片）
程式碼在 Google 的安全沙箱中執行，支援常見的資料分析套件如 NumPy、Pandas、Matplotlib 等。
對話管理
開始新對話
點擊「新對話」按鈕會：
- 清除當前對話內容
- 重置對話上下文
- 自動儲存前一個對話（如有內容）
歷史記錄
每個對話都會自動儲存到歷史記錄中，包含：
- 對話縮圖（第一張圖片）
- 對話摘要（第一則訊息的前 200 字）
- 訊息數量
- AI 的思考過程
使用案例
資料分析
上傳包含數據的圖片（表格、圖表、報告），讓 AI 進行分析：
請分析這張銷售報表，計算各產品的總銷售額，
並以圓餅圖呈現各產品的佔比圖片處理
請 AI 處理或標註圖片：
請在這張建築平面圖上標出所有的安全出口，
並計算從最遠的房間到出口的最短距離教學輔助
上傳題目圖片，請 AI 詳細解說：
請一步一步解釋這道數學題的解法，
在需要的地方畫出圖解價格
Agentic Vision 模式使用 Gemini 3 Flash 模型，按 token 計費。啟用程式碼執行會略微增加 token 使用量，因為需要傳送程式碼和結果。
省錢技巧
- 減少上下文深度可降低每次請求的 token 量
- 不需要圖片參考時，關閉「在上下文中包含圖片」