เริ่มต้น Gemini 3 — ไม่ต้องติดตั้ง ไม่ต้องสร้างบัญชี

คุณไม่จำเป็นต้องใช้ Google Cloud project คุณไม่ต้องการ API keys และไม่จำเป็นต้องลงชื่อเข้าใช้ — เว้นแต่คุณต้องการประวัติการสนทนาถาวรหรือหน่วยความจำเฉพาะ Gemini 3 ถูกปรับใช้ล่วงหน้าและพร้อมใช้งานบนอินเตอร์เฟสของ MidassAI คู่มือนี้จะพาคุณผ่านการเริ่มต้น แชทจริงครั้งแรก — พร้อมบริบทที่ใช้งานได้ การให้เหตุผลหลายรอบ และการเรียกใช้เครื่องมือแบบเนทีฟ — ในเวลาไม่ถึงห้านาที ทุกขั้นตอนใช้สภาพแวดล้อมการผลิตจริง (v3.1.2 ณ เดือนมิถุนายน 2024) ไม่ใช่ sandbox หรือเดโม

ขั้นตอนที่ 1: เปิดหน้าจออินเตอร์เฟส (0:00–0:25)

ไปที่ https://app.midassai.com หากคุณเป็นผู้ใช้ใหม่ ข้ามการลงทะเบียน — คลิก "Continue as Guest" คุณจะเข้าสู่หน้าจอแชทโดยตรงโดยมี Gemini 3 ถูกเลือกเป็นโมเดลที่ใช้งานอยู่ (ตรวจสอบเมนูเลือกโมเดลที่มุมขวาบน — ควรแสดงว่า gemini-3-pro หรือ gemini-3-flash ขึ้นอยู่กับภูมิภาคและระดับโควตาของคุณ)

⚠️ ข้อควรระวัง: อย่าคลิก "Try Gemini 2" หรือ "Switch to Claude" โมเดลเหล่านั้นขาดโหมดเอาต์พุตที่มีโครงสร้างของ Gemini 3 การบังคับใช้-schema JSON และการจัดการเส้นทางค้นหาเว็บในตัว ตรวจสอบให้แน่ใจว่า ID ของโมเดลลงท้ายด้วย -3

ขั้นตอนที่ 2: ส่งพรอมต์แรกของคุณ (0:26–1:40)

พิมพ์พรอมต์นี้ตรงตามนี้ — มันถูกออกแบบมาเพื่อกระตุ้นพฤติกรรมหลักของ Gemini 3 พร้อมกันสามอย่าง:

นี่คือตัวอย่างพรอมต์สำหรับทดสอบระบบ: List three underrated cities in Southeast Asia for digital nomads. For each, give: (1) average monthly rent for a 1BR apartment near coworking spaces, (2) reliable LTE/5G coverage score (1–10), and (3) one local cultural norm that surprises Western visitors. Format as valid JSON with keys "city", "rent_usd", "coverage_score", and "cultural_norm".

กด Enter Gemini 3 จะตอบสนองใน ~1.8 วินาที (ความล่าช้าเฉลี่ยบนเซิร์ฟเวอร์ EU) คุณจะเห็น:

บล็อก JSON ที่ไฮไลต์ไวยากรณ์อย่างสะอาดตา (ไม่ใช่ markdown code fence — เป็น JSON ที่รันได้จริง),
ป้ายกำกับ "✅ Verified schema" เล็กๆ ถัดจากผลลัพธ์,
และแท็ก "🔍 Search used" แบบอินไลน์ — บ่งชี้ว่ามันดึงข้อมูลค่าเช่าแบบเรียลไทม์จาก Numbeo และเมตริกความครอบคลุมจาก Opensignal

นี่ไม่ใช่ภาพหลอน มันยึดโยงข้อมูลจริง มีประเภทข้อมูลชัดเจน และตรวจสอบย้อนกลับได้

ขั้นตอนที่ 3: เปิดใช้งานการติดตามผลที่ตระหนักถึงบริบท (1:41–3:10)

คลิกปุ่ม "+ Add context" ใต้ช่องป้อนข้อมูล วาง snippet นี้:

ใส่ข้อมูลบริบทเพิ่มเติมตามตัวอย่างนี้: text I'm planning a 3-month rotation across these cities. My budget is $1,800/month total, including rent, food, and transport. Prioritize places where I can work reliably without tethering.

ตอนนี้ถามว่า:

ส่งคำถามติดตามผลดังนี้: Re-rank the cities by fit for my budget and connectivity needs. Show net monthly surplus/deficit.

Gemini 3 จะ:

จำรายการ JSON ก่อนหน้าได้ทั้งหมด (ไม่ต้องวางซ้ำ),
คำนวณยอดรวมใหม่โดยใช้ อัตราแลกเปลี่ยนสด (เช่น IDR → USD ผ่าน XE API),
เอาต์พุตรายการอันดับใหม่ที่มีฟิลด์ surplus_usd และ deficit_usd — อีกครั้ง เป็น JSON ที่เข้มงวด

💡 เหตุผลที่ได้ผล: Gemini 3 รักษาบริบทที่มีสถานะและมีประเภทข้อมูลข้ามรอบการสนทนา — ต่างจาก v2 ที่ต้องการคำสั่ง /context ชัดเจน หรือการฉีด JSON ด้วยตนเอง

ขั้นตอนที่ 4: เรียกใช้เครื่องมือ (3:11–4:20)

พิมพ์:

พิมพ์คำสั่งเพื่อเรียกใช้เครื่องมือค้นหาเที่ยวบิน: Compare flight prices from Berlin to each of those three cities for departures between July 10–15, 2024. Return only origin, destination, cheapest nonstop fare, and airline.

Gemini 3 จะเรียกใช้เครื่องมือ flight_search โดยอัตโนมัติ (ผสานรวมกับ Skyscanner's Partner API) คุณจะเห็น:

ไอคอนโหลดหมุนระบุว่า "Fetching live fares",
จากนั้นตาราง ภายในแชท — ไม่ใช่ลิงก์ ไม่ใช่สรุป — พร้อมราคาแบบเรียลไทม์ อัปเดตทุกชั่วโมง

ไม่ต้องคัดลอกวาง ไม่ต้องสลับแท็บ ผลลัพธ์ของเครื่องมือถูกแยกวิเคราะห์ ทำให้เป็นมาตรฐาน และฝังอยู่ — พร้อมสำหรับคำถามถัดไปของคุณ เช่น "ตัวเลือกไหนทำให้ฉันมีวันทำงานเหลือมากที่สุดในเดือนกรกฎาคม?"

ขั้นตอนที่ 5: ส่งออกและนำเซสชันของคุณกลับมาใช้ใหม่ (4:21–5:00)

คลิกเมนู ⋯ → "Export as JSON Schema" คุณจะได้รับไฟล์ .json ประกอบด้วย:

ประวัติการสนทนาเต็มรูปแบบ (พร้อมประทับเวลาและ ID โมเดล),
เมตาดาทาการเรียกใช้เครื่องมือทั้งหมด (tool_used, api_version, latency_ms),
และนิยาม schema ที่สอดคล้องกับ OpenAPI 3.1 ที่นำกลับมาใช้ใหม่ได้สำหรับโครงสร้างการตอบสนอง

คุณสามารถเสียบ schema นี้โดยตรง vàoการตรวจสอบ zod ของแอป Next.js ของคุณ หรือป้อนให้ JsonOutputParser ของ LangChain

สรุปประเด็นสำคัญ

เหมาะที่สุดสำหรับDevelopers, product managers, and ops teams building AI-native workflows

ระยะเวลาเห็นผลUnder 5 minutes, zero config

จุดแตกต่างหลักStateful JSON + live tool chaining in one turn

บทความนี้เหมาะสำหรับใคร

วิศวกรฟรอนต์เอนด์ ที่ต้องการส่งมอบคุณสมบัติ AI ซึ่งต้องการผลลัพธ์ที่คาดการณ์ได้และมีประเภทข้อมูล — ไม่ใช่ข้อความอิสระ
ผู้จัดการผลิตภัณฑ์ ที่ต้องการตรวจสอบเวิร์กโฟลว์ที่ขับเคลื่อนด้วย LLM ก่อนที่จะคอมมิทกับการผสานรวมแบ็กเอนด์
ผู้ก่อตั้งสตาร์ทอัพ ที่ทำ PoC แบบ lean: หาก MVP ของคุณต้องการการยึดโยงข้อมูลจริง การใช้เครื่องมือ และเอาต์พุตที่มีโครงสร้าง Gemini 3 จะลดเวลาพัฒนาได้ ~70% เมื่อเทียบกับการต่อชั้น RAG + function-calling แยกกัน

มัน ไม่ เหมาะสำหรับผู้ใช้ที่ต้องการการวิเคราะห์เอกสารบริบทยาว (>128K โทเค็น) — นั่นเป็นขอบเขตของ Gemini 3 Ultra และไม่เหมาะสำหรับการปรับใช้แบบออฟไลน์; Gemini 3 ต้องการเลเยอร์การอนุมานที่จัดการโดย MidassAI (ซึ่งจัดการการจำกัดอัตรา การจัดการเส้นทางสำรอง และการตรวจสอบความสอดคล้องของ schema โดยอัตโนมัติ)

เริ่มใช้งาน MidassAI

ขั้นตอนถัดไป

เมื่อคุณทำห้าตอนนี้เสร็จสิ้น คุณจะมีพื้นฐานที่ใช้งานได้ จากที่นี่ สามารถขยายเพิ่มเติมด้วย:

ช่องความจำเฉพาะ: ติดตั้งความชอบของผู้ใช้ ("ชอบตัวเลือกมังสวิรัติ", "แพ้: ถั่วลิสง") กับแชทในอนาคต,
รั้ว-guardrails พรอมต์: บังคับใช้นโยบายความปลอดภัย (เช่น "ห้ามแนะนำคำแนะนำทางการแพทย์") ผ่านไดเรกทีฟ @policy แบบอินไลน์,
การประเมินแบบแบทช์: อัปโหลดพรอมต์ทดสอบ 50 รายการและเปรียบเทียบความแม่นยำของ Gemini 3 กับโมเดลเดิมของคุณ — พร้อมไฮไลต์ diff แบบเคียงข้างกัน

ไม่มีเลเยอร์นามธรรม ไม่ต้องคอนฟิก YAML แค่พรอมต์ → การตอบสนอง → การกระทำ นั่นคือคำสัญญาของ Gemini 3 — และมันเริ่มต้นตอนนี้

เริ่มต้น Gemini 3: แชทแรกของคุณใน 5 นาที