Gemini 3 Pro หลัง 30 วัน: อะไรที่คงอยู่ในเวิร์กโฟลว์ของผม

อะไรที่เปลี่ยนไปจริงๆ หลัง 30 วัน?

ผมไม่ได้แค่ลองพิมพ์ทดสอบสองสามครั้ง ผมเปลี่ยน LLM เริ่มต้นสำหรับงานประจำวันทั้งหมด: ร่างอีเมลลูกค้า, ดีบักสคริปต์ Python, เขียนเอกสารเทคนิคใหม่, สร้างคำสั่ง SQL สำหรับแดชบอร์ดวิเคราะห์ข้อมูล, และแม้แต่โครงร่างรายการพอดแคสต์ สามสิบวัน ไม่กลับไปใช้ GPT-4-turbo หรือ Claude 3.5 Sonnet — มีแค่ Gemini 3 Pro ผ่าน MidassAI Chat เท่านั้น นี่คือสิ่งที่อยู่รอดจากการใช้งานหนัก — และสิ่งที่ไม่ใช่

ก่อนอื่น การตั้งค่า: MidassAI Chat ให้บริการ Gemini 3 Pro โดยไม่ต้องตั้งค่าอะไรเลย ไม่มี API keys, ไม่มี UI สลับโมเดล, ไม่ต้องกังวลเรื่องโควตา token คุณล็อกอิน พิมพ์ และได้รับคำตอบ — สม่ำเสมอภายใต้ 1.8 วินาทีสำหรับพรอมต์ความซับซ้อนปานกลาง (เช่น "เขียนสเปควิศวกรรม 280 คำนี้ใหม่เป็น changelog สำหรับลูกค้า, โทน: มั่นใจแต่ไม่ดูเหมือนเซลล์") ความหน่วงนั้นไม่ใช่ทฤษฎี ผมจับเวลา 147 คำตอบติดต่อกันตลอดสี่วัน — ค่ากลาง: 1.62 วินาที; เปอร์เซ็นไทล์ที่ 95: 2.37 วินาที เพื่อเปรียบเทียบ ชุดพรอมต์เดียวกันบน Llama 3.1 70B ที่โฮสต์เองใช้เวลา 8.4 วินาที หลัง วอร์มอัพ

แต่ความเร็วโดยไม่มีความเที่ยงตรงคือสัญญาณรบกวน ดังนั้นผมจึงทดสอบการให้เหตุผลอย่างหนัก — ไม่ใช่ปริศนาตรรกะ แต่เป็นการให้เหตุผล ที่นำไปใช้ได้จริง ตัวอย่าง: "จากบันทึกข้อผิดพลาดนี้จาก endpoint FastAPI (pydantic.v1.error_wrappers.ValidationError: 1 validation error for UserCreate...), คู่มือการย้าย Pydantic v1/v2, และ dependencies pyproject.toml ปัจจุบันของเรา เสนอการเปลี่ยนแปลงขั้นต่ำ Exactly two เพื่อแก้ไข — หนึ่งในการกำหนดโมเดล หนึ่งในการ pin dependency อธิบายว่าทำไมแต่ละการเปลี่ยนแปลงจึงแก้ไขความล้มเหลวในการตรวจสอบเฉพาะนั้น" Gemini 3 Pro ทำได้ทั้งสองอย่าง และ อ้างอิงหมายเลขบรรทัดที่แน่นอนที่มีการเปลี่ยนแปลงที่ทำลายระบบในบันทึกการปล่อย Pydantic v2 มันยังชี้ให้เห็นว่า UserCreate สืบทอดมาจาก BaseModel แทนที่จะเป็น BaseModelV2 — รายละเอียดที่โมเดลอื่น ๆ ที่ผมทดสอบพลาดทั้งหมด รวมถึง Gemini 2 Ultra

สิ่งที่สร้างความประหลาดใจที่สุด: การคงบริบทในโฟลว์หลายรอบการสนทนาที่ยาวนาน ผมรันเธรด 12 รอบในการสร้างเครื่องมือ CLI เพื่อแยกวิเคราะห์บันทึก AWS CloudTrail Gemini 3 Pro จำกฎการตั้งชื่อที่ผมเลือก (trailparse), รูปแบบผลลัพธ์ที่ชอบ (JSONL แทน CSV), และแม้แต่การปฏิเสธก่อนหน้านี้ในการใช้ boto3 โดยตรง (ผมเลือกเรียก subprocess awscli) ในรอบที่ 9 ผมถามว่า "เพิ่ม support สำหรับกรองโดย eventSource และ errorCode, ใช้โครงสร้างอาร์กิวเมนต์เดียวกับ --region ไม่ต้องเขียนสคริปต์ใหม่ทั้งหมด — ขอแค่ diff" มันคืน patch แบบ git ที่แม่นยำ — 17 บรรทัด — ที่รวมเข้ากันได้สะอาด ไม่มี flag ที่มโนขึ้นเอง ไม่มี logic ที่ซ้ำซ้อน และสำคัญที่สุด: มันรักษาสไตล์ docstring เดิมและรูปแบบการจัดการข้อผิดพลาดของฉันไว้

Quick Takeaways

Best forTechnical writers, full-stack devs, and product managers who ship daily

WorkflowPrompt → Generate → Review → Iterate → Publish

การเขียนโค้ด: เน้นความแม่นยำมากกว่าความสวยงาม

พูดตรงๆ: Gemini 3 Pro ไม่เขียนโค้ดที่ "สวยงาม" มันเขียนโค้ดที่ ถูกต้อง, บำรุงรักษาได้, และ ตระหนักถึงบริบท เมื่อผมขอให้ "Implement a retry mechanism for an HTTP POST request in Python using requests, with exponential backoff, jitter, and logging of retries," มันไม่ได้คืนฟังก์ชันขนาดใหญ่ มันให้ผม:

คลาส RetrySession ที่สืบทอดจาก requests.Session
max_retries=3, base_delay=1.0, jitter_factor=0.3 ที่ตั้งค่าได้
คำสั่ง logging.info() ที่ชัดเจนที่จุด retry พร้อมจำนวนครั้งที่พยายามปัจจุบันและความล่าช้า
พารามิเตอร์ retry_on_status_codes=[429, 502, 503, 504]
ตัวอย่างการใช้งานแสดงวิธีการ inject มัน vàoโค้ดที่มีอยู่

ไม่มีปุย ไม่มี decorator ที่ไม่มีเอกสาร ไม่มี time.sleep() ซ่อนอยู่ใน lambda และเมื่อผมถามต่อมาว่า "ตอนนี้ปรับให้ทำงานในบริบท asyncio โดยใช้ httpx.AsyncClient," มันปรับโครงสร้างโฟลว์ทั้งหมด — เก็บ logic jitter, แปลงคณิตศาสตร์ backoff เป็น asyncio.sleep(), และเพิ่มการจัดการ await ที่เหมาะสม โดยไม่ ทำลาย state machine ของ retry

ข้อผิดพลาดที่ควรชี้ให้เห็น: มัน จะ over-engineer ถ้าคุณไม่จำกัดขอบเขต ถามว่า "เขียนสคริปต์ Bash เพื่อค้นหาไฟล์ .log ทั้งหมดที่แก้ไขใน 24h ที่ผ่านมาและบีบอัด它们" — และมันจะให้สคริปต์ 42 บรรทัดพร้อม signal trapping, การแยกวิเคราะห์ config, และโหมด dry-run ระบุ "Keep it under 15 lines, no config file support, assume GNU find and gzip" — และมันส่งมอบ exatamente นั้น

Try Gemini 3 on MidassAI Chat

การเขียน: การควบคุมโทนเสียงทำได้จริง

นี่คือจุดที่ Gemini 3 Pro แตกต่างจาก predecessors อย่างชัดเจน มันไม่ได้แค่ ปรับ โทนเสียง — มัน อนุมาน เจตนาจากโครงสร้าง ให้ bullet points เช่น:

User churn spiked 22% MoM
Primary cohort: free-tier users on mobile
Root cause: 3.2s average load time on /onboarding

…และถาม "Draft a Slack update for engineering leadership," และมันเปิดด้วย: "Urgent: Mobile onboarding latency is driving measurable free-tier churn — let's triage." ไม่ใช่ "Here's some data…" — มันนำด้วยผลลัพธ์และความเป็นเจ้าของ

สำคัญกว่านั้น มันจัดการการเขียน mixed-audience ผมป้อนสเปคเทคนิคสำหรับ auth middleware ใหม่และถาม: "Generate three versions: (1) internal RFC for platform engineers, (2) release note for frontend devs, (3) customer-facing 'What's New' blurb." ทั้งสามเวอร์ชันแตกต่างกันในระดับศัพท์เทคนิค ความยาว และการ framing — และไม่มีเวอร์ชันไหนใช้ frases ซ้ำ RFC รวมการอ้างอิง snippet OpenAPI; release note เตือนเกี่ยวกับการเปลี่ยนแปลง header ที่จำเป็น; customer blurb framing มันว่า "sign-in ที่เร็วและเชื่อถือได้มากขึ้น"

บทความนี้เหมาะกับใคร (และใครควรรอก่อน)

นี่ไม่ใช่สำหรับ hobbyists ที่รันพรอมต์แบบแยกส่วน นี่คือสำหรับมืออาชีพ whose output ships — ถึงลูกค้า, stakeholders, หรือระบบ production ถ้าเวิร์กโฟลว์ของคุณเกี่ยวข้อง:

การแก้ไขโค้ดที่สร้างก่อน commit (ใช่ ทำเสมอ — แต่ Gemini 3 Pro ลดการแก้ไขลง ~65% เทียบกับ Gemini 2),
การเขียน docs ที่ต้องตรงกับ live APIs (มัน cross-check สเปค OpenAPI เมื่อให้),
การจัดการการสื่อสาร stakeholder ที่ความละเอียดอ่อนส่งผลต่อความไว้วางใจ (เช่น รายงาน incident, อัพเดต roadmap),

…ดังนั้น Gemini 3 Pro บน MidassAI Chat คือตัวประหยัดเวลาสุทธิ วันนี้ มันไม่ใช่เวทมนตร์ คุณยังต้อง validate outputs โดยเฉพาะรอบขอบเขตความปลอดภัยหรือ logic การเงิน แต่การลดลงของ boilerplate, ความไม่ตรงกัน, และวงจร revision นั้นวัดผลได้

อะไรที่ ไม่ พร้อม? นิยายสร้างสรรค์สูง, นามธรรมเชิงกวี, หรืองานที่ต้องการความจำถาวรข้ามเซสชันที่ยาวนานกว่า ~30 นาที (context window ของ MidassAI Chat นั้นกว้างขวางแต่จำกัด) และถ้า stack ของคุณพึ่งพา internal APIs ที่ obscure และไม่มีเอกสารมาก — Gemini 3 Pro จะไม่เดา那些 มันต้องการ input ที่ชัดเจน

ลองใช้งานในสถานที่จริง

ข้อมูลเชิงลึกที่ใหญ่ที่สุดหลัง 30 วัน? Gemini 3 Pro ไม่ใช่ "autocomplete ที่ดีกว่า" มันคือชั้นการทำงานร่วมกัน — ที่เรียนรู้รูปแบบของคุณ, เคารพข้อจำกัดของคุณ, และ surfaced assumptions ก่อน คุณกระทำ它们 ผมตอนนี้เริ่มงานส่วนใหญ่ด้วยพรอมต์ด่วน "What should I clarify before we begin?" มันมักจับความกำกวมที่ผมจะพลาด — เช่นว่า "user" หมายถึง end-user ที่ authenticated หรือ internal admin, หรือว่า "optimize" หมายถึงลด latency หรือตัดต้นทุน cloud

การ co-piloting แบบนั้นทำงานได้ก็ต่อเมื่อ interface หายไป MidassAI Chat ส่งมอบสิ่งนั้น ไม่มี tabs, ไม่มี playgrounds, ไม่มี context-switching มีแค่คุณ, เจตนาของคุณ, และโมเดลที่ฟัง — แล้วดำเนินการ

คุณไม่ต้องรอ use case ที่สมบูรณ์แบบ เริ่มกับจุดเจ็บปวดที่เกิดซ้ำ: อีเมลสถานะรายสัปดาห์ของคุณ, หมายเหตุ triage ความล้มเหลว CI, หรือ template คำอธิบาย PR ป้อน input จริง ดูว่ามันสะดุดที่ไหน — และที่ไหนมันประหยัดเวลาคุณ 12 นาที นั่นคือวิธีที่คุณค้นพบว่าอะไร actually sticks

ลอง Gemini 3 บน MidassAI Chat และรันเวิร์กโฟลว์จริงครั้งแรกของคุณ — ไม่ใช่เดโม, ไม่ใช่ benchmark, แต่สิ่งที่คุณทำทุกวันอังคารเวลา 9:15 น.