用 AI 打造自动化与代码评估工作流

背景

最近我刷官方动态，发现各家都在往“让 AI 真正动手干活”的方向卷。Google DeepMind 给 Gemini 3.5 Flash 加上了 computer use 功能，OpenAI 也在搞 GPT Live 和更严谨的 代码评估。

老实说，以前用 AI 写代码或者做自动化，总觉得差口气，现在有了这些新能力，工作流终于能闭环了。如果你和我一样，受够了手动点点点和不靠谱的 AI 代码测试，这篇实战技巧应该能帮到你。

技巧一：用 Gemini 3.5 Flash 搞定 UI 自动化操作

• 适用场景

需要跨多个网页或软件进行重复性点击、填表、数据抓取，但又不想写复杂的 Selenium 或 Playwright 脚本。

• 怎么做

1. 接入 Gemini 3.5 Flash 的 computer use API。
2. 给模型提供当前屏幕的截图或 DOM 结构，并用自然语言下达指令，比如“帮我把这个表格里的数据导出成 CSV”。
3. 模型会输出具体的鼠标点击坐标或键盘操作序列，你的脚本只需负责执行这些动作，然后再截图反馈给模型，形成循环。

• 注意事项

Computer use 对屏幕分辨率和 UI 变化比较敏感。我建议你尽量保持操作窗口最大化，并且在关键步骤加入人工确认，免得它点错按钮把数据删了。

技巧二：用 Nano Banana 2 Lite 构建轻量多模态应用

• 适用场景

需要在移动端或边缘设备上跑一些简单的视觉加文本任务，比如识别发票、简单的图片问答，要求响应快、成本低。

• 怎么做

1. 去官方看看 Nano Banana 2 Lite 和 Gemini Omni Flash 的构建指南。
2. 把 Nano Banana 2 Lite 部署到你的轻量级服务器或端侧设备上，处理基础的图像特征提取。
3. 遇到复杂的推理任务时，再通过 API 路由给 Gemini Omni Flash 处理。这种大小模型搭配的 workflow 能省下不少 token 费用。

• 注意事项

端侧模型的上下文窗口通常比较小。传图片的时候，尽量先做裁剪或压缩，只保留核心区域，不然很容易超出限制或者导致响应变慢。

技巧三：优化你的 AI 代码评估测试集

• 适用场景

你在用 AI 辅助写代码，但发现它有时候看似写对了，一跑就报错，传统的单元测试覆盖不了 AI 生成的隐蔽 bug。

• 怎么做

1. 参考 OpenAI 关于 代码评估中去伪存真 的思路，重新审视你的测试用例。
2. 剔除那些碰巧通过的弱测试（noise），增加针对边界条件和异常处理的强测试（signal）。
3. 在评估 AI 生成的代码时，不仅看它能不能跑通，还要用静态分析工具检查它的复杂度和潜在的安全漏洞。

• 注意事项

不要盲目迷信 AI 自己生成的测试用例。我试过让 AI 给自己写的代码写测试，结果它经常放水。核心业务逻辑的测试，还是得自己把关。

小结

AI 工具更新太快，但核心逻辑没变：让模型做它擅长的事（理解意图、生成操作序列），让传统脚本做它擅长的事（精准执行）。把 Gemini 的 computer use 和严谨的代码评估结合起来，你的开发效率绝对能上一个台阶。