企业官网建设流程全解析

写在前面

欢迎大家关注Rocky的知乎：Rocky Ding
《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

Rocky最新撰写的10万字AI Agent（AI智能体）深入浅出全维度解析文章：深入浅出完整解析AI Agent（AI智能体）的核心基础知识

AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群（涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识）欢迎大家加入：https://t.zsxq.com/33pJ0

大家好，我是Rocky。

核心导读

Gemini 3.8 Flash 的真正变化，不是又一次“参数更大、榜单更高”的常规升级，而是 Google 把一个很现实的工程选择摆到了台面上：当基础模型的单步智能已经接近成本上限时，能否用更多可控的推理步骤、工具调用和结果验证，把一个 Flash 模型推向长程编码与专业 Agent 工作流？

官方给出的答案是肯定的，但答案有条件。Gemini 3.8 Flash 在复杂任务上会“多想几步”，这会提高首轮正确率，却也可能消耗更多 token；0.75/3.75 美元的介绍价降低的是单位 token 价格，不是每个任务的总预算。与此同时，Gemini 3.8 Flash Cyber 把同一套基础智能接入漏洞发现、补丁生成和安全验证，并通过 Fairwind Program 将能力限定在受信防御者范围内。

我的判断是：Gemini 3.8 Flash 的核心产品形态已经从“便宜的聊天模型”转向“可调推理预算的 Agent 工作马”。它的跨周期价值，取决于开发者能否把循环次数、工具质量、验证器和上下文管理一起纳入成本模型。

说明：文中所有 benchmark 数字和真实部署案例均标注为 Google 官方披露；公开演示中的榜单位置、社区评价和“邪修/刷分”等表述只作为观察视角，不作为独立事实。

图 1：Google 官方发布页的总览图。它表达的是产品家族定位，而不是独立评测结论。

一句话介绍

Gemini 3.8 Flash 是 Google 面向长程编码和自治 Agent 的低单位价格工作马模型；它通过可调 thinking level、更多推理步骤和迭代工具调用换取任务成功率，而 Gemini 3.8 Flash Cyber 则把同一基础智能封装进受控的漏洞发现与自动修复系统。

1. 先看清楚：这是两个部署分支，不是两个完全独立的底模

Google 官方将 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber 同时发布，并明确说两者由相同的 foundational intelligence 驱动，再针对不同环境加入长时间运行的 Agent 循环。Flash 面向软件工程、自治 Agent 和企业工作流；Cyber 面向漏洞发现和自动修复，并通过 Fairwind Program 对受信防御者开放。

这个产品结构很值得注意。过去我们容易把“模型能力”理解成一个静态分数：同一个模型在所有任务上有一个固定的强弱排序。Gemini 3.8 的设计更接近一个可配置系统：基础模型提供通用推理，推理级别决定计算预算，工具与 harness 决定行动空间，安全策略决定可用边界。

可以把一次 Agent 任务的有效质量写成：

Q t a s k = Q m o d e l + Δ Q l o o p ( n , T , V ) − λ C t o k e n ( n ) Q_{task}=Q_{model}+\Delta Q_{loop}(n,\mathcal{T},V)-\lambda C_{token}(n)Qtask​=Qmodel​+ΔQloop​(n,T,V)−λCtoken​(n)

其中n是循环次数，\mathcal{T}是工具集合，V是验证器，C_token是输入、输出和中间推理 token 的总成本。Gemini 3.8 Flash 的主要工程赌注，是让\Delta Q_loop足够大，使额外循环带来的质量收益超过 token 与延迟代价。

核心原理和创新点

2. “更便宜”与“更省钱”不是同一个命题

Gemini 3.8 Flash 的官方介绍价为每百万输入 token 0.75 美元、输出 token 3.75 美元，并与 3.7 Flash 保持一致；该价格持续到 2026 年 12 月 31 日，2027 年 1 月 1 日起调整为 1.50/7.50 美元。这个时间边界必须写进任何成本比较，否则很容易把阶段性价格当成长期承诺。

更重要的是，官方文档明确提醒：复杂任务会执行额外推理步骤、迭代调用工具并验证结果，在高 effort 档位下可能使用更多 token。假设一次简单任务需要N个 token，而长程 Agent 任务经过k轮循环，每轮平均产生r_i个输入/输出与工具反馈 token，那么总成本近似为：

C t o t a l = p i n N i n + p o u t N o u t + ∑ i = 1 k p t o o l T i C_{total}=p_{in}N_{in}+p_{out}N_{out}+\sum_{i=1}^{k}p_{tool}T_iCtotal​=pin​Nin​+pout​Nout​+i=1∑k​ptool​Ti​

即使p_in与p_out不变，只要k或中间反馈T_i上升，单任务成本仍会增加。真正应该比较的是“解决一个任务的成本”，而不是“每百万 token 的价格”。

因此，Gemini 3.8 Flash 的成本控制接口不是简单的temperature，而是thinking_level：

• low：适合实时聊天、事件响应、草稿生成和快速数据分析；
• medium：官方推荐的复杂编码与 Agent 默认档位；
• high：适合深度推理、数学和困难多步任务；
• minimal：官方文档明确不支持。

图 2：官方综合评测图。发布方图表适合看能力覆盖面，不能替代完整的独立复现实验。

3. 它的核心方法：让模型在任务内部形成可验证闭环

“多走几步”不是简单增加回答长度，而是把任务拆成规划、行动、观察和修正的循环：

目标 -> 规划 -> 调用工具 -> 读取反馈 -> 局部验证 -> 修正计划 -> 继续执行

对单轮问答来说，多一步可能只是冗余；对长程软件工程来说，多一步可以是运行测试、查看编译错误、读取仓库上下文或比较补丁差异。模型能力从“生成一段可能正确的文本”转向“在环境反馈中逐步收敛到可接受状态”。

如果把环境状态记为s_t，工具动作为a_t，观察结果为o_t，则一个 Agent 循环可以抽象为：

s t + 1 = F ( s t , a t , o t ) , a t ∼ π θ ( a t ∣ s t , g ) s_{t+1}=F(s_t,a_t,o_t),\qquad a_t\sim\pi_\theta(a_t\mid s_t, g)st+1​=F(st​,at​,ot​),at​∼πθ​(at​∣st​,g)

g是最终目标，F是外部环境状态转移。循环的价值在于，模型不必在t=0一次性猜对所有细节，而可以利用o_t修正策略\pi_\theta。

但循环不是免费的智能。它有三个前提：工具必须返回可用反馈，验证器必须能区分“看起来完成”和“真的完成”，上下文必须能容纳不断累积的状态。如果这三点缺失，循环只会把错误重复更多次。

核心功能与应用场景

4. 长程编码：DeepSWE 的数字应该怎样读

Google 官方称 Gemini 3.8 Flash 在 DeepSWE v1.1 长程软件工程评测上，能够端到端解决复杂工程问题，并超过多数体量更大的前沿模型。官方还展示了在 Google Antigravity 中通过单一提示生成可运行游戏、DOS 版地图和基于 USGS 数据的地形可视化等案例。

图 3：DeepSWE v1.1 的官方评测图。它支持“长程软件工程是主战场”的产品判断，但仍需要关注任务集、工具权限和运行预算。

这里有一个容易被忽视的评价对象：最终通过率不只由模型决定，还由 harness 决定。一个更完整的工程指标应该是：

S u c c e s s R a t e = f ( M o d e l , T o o l s , V e r i f i e r , T i m e o u t , C o n t e x t ) \mathrm{SuccessRate}=f(\mathrm{Model},\mathrm{Tools},\mathrm{Verifier},\mathrm{Timeout},\mathrm{Context})SuccessRate=f(Model,Tools,Verifier,Timeout,Context)

如果 Agent 拥有终端、浏览器、代码执行、测试和回滚能力，它解决的就不是“生成代码”问题，而是“在真实仓库中完成一次可验证变更”。这也是为什么 Google 把 Antigravity Agent、AI Studio、Android Studio、Stitch 和 Gemini Enterprise 都作为入口一起推出：模型能力需要嵌入运行环境，才能转化为工作流生产力。

5. 专业领域：从通用榜单转向任务闭环

金融和法律任务不能只看答案是否流畅。它们更关心数据引用、计算链条、法规适用范围和结果可审计性。官方把 Vals Finance Agent V2、Harvey’s Legal Agent Benchmark 和 HLE-Verified 放在同一组说明中，意图很清楚：Gemini 3.8 Flash 要证明自己能够处理跨领域、多步骤、带专业约束的任务。

公开报道引用了 HLE-Verified 的 54.9% 数字，并将其解释为与旗舰模型差距缩小。更严谨的表达应该是：在 Google 披露的 HLE-Verified 设置下，模型取得 54.9%；这个数字可以说明多领域推理能力达到一定水平，但不能直接换算成企业工作流的准确率，更不能替代金融与法律场景的人工责任链。

在企业 Agent 中，正确的评测对象应从“答案分数”升级为“任务闭环”：

1. 输入是否被正确解析；
2. 工具调用是否符合权限；
3. 中间计算能否被复核；
4. 最终结果是否满足业务规则；
5. 失败时能否安全停止并留下审计记录。

这套指标比单一 benchmark 分数更接近真实采购决策。

6. Gemini 3.8 Flash Cyber：网络安全能力的关键在防御闭环

Gemini 3.8 Flash Cyber 的定位不是“让模型自动攻击一切”，而是让防御者更快发现漏洞、生成补丁并验证修复。官方披露，它在 CyberGym 漏洞发现测试中超过 Gemini 3.5 Flash Cyber 和一些更大的前沿模型；在覆盖 20 种编程语言的内部代码库测试中，成功率超过 70%。

图 4：CyberGym 官方图表。它说明 Cyber 分支专门优化了漏洞发现，但官方内部评测条件与公开 benchmark 仍需分开。

修复侧的 CWE-Bench 更能体现防御闭环。官方给出的pass@1=47.2%与领先前沿模型47.8%接近，但成本显著更低。pass@1的含义是一次尝试就产生通过测试的补丁比例，它比“模型提出了一个可能修复”严格得多，但仍不等于补丁已经适合直接上线。

图 5：CWE-Bench 官方成本-效果图。真正值得关注的是 Pareto 关系：接近的修复质量是否能以更低运营成本获得。

Fairwind Program 则把模型能力接入组织级控制。Google 官方说明，Fairwind 将 Gemini 3.8 Flash Cyber 与 CodeMender harness 结合，用于发现、验证和修复漏洞；参与方需要限制访问人员、使用多因素认证，并把工具放在安全云环境中。这说明高风险 Agent 的最小交付单元不是一个 checkpoint，而是“模型 + 工具 + 权限 + 审计 + 回滚”。

7. 真实部署案例：强信号，但不是独立复现

Google 官方披露了三个很有分量的案例：Chrome Security 团队发现 3.8 Flash Cyber 生成的正确补丁数量是大型商业模型的 2.6 倍；Wiz 在内部渗透测试中召回率提升 7.5 至 9.7 个百分点，同时成本降低到其他前沿模型的约 1/2.3 至 1/5.2；Google Cloud Vulnerability Research 团队用不到两小时发现一个过去通常需要数月研究的关键基础漏洞。

图 6：Google 官方披露的真实漏洞发现案例。它是部署信号，不是公开可复现实验。

这些信息的价值在于证明模型已经进入真实安全团队的工作流，而不是停留在 benchmark 竞赛。但它们也有明确边界：比较对象、任务筛选、工具权限、人工介入比例和成本口径都由发布方定义，外部读者无法仅凭宣传页重建全部实验。因此，工程团队可以把它们当作“值得试点”的信号，却不应直接据此承诺同样的安全收益。

8. 安全边界：为什么 Cyber 模型必须是受控能力

网络安全模型有天然的双重用途。漏洞发现和补丁生成对防守很有价值，但相同的代码理解、环境探索和工具调用能力，也可能被用于攻击自动化。Google 官方因此把 Gemini 3.8 Flash Cyber 放在 Fairwind Program 下，优先给政府机构、关键基础设施运营商和软件维护者等受信防御者。

此外，官方称 Gemini 3.8 系列在 CBRN 与网络攻击滥用方面提供安全缓解，并在 Gray Swan 的 prompt injection 测试上取得改进。这里应该区分两个概念：

• 能力边界：模型能否识别漏洞、写出补丁、执行工具动作；
• 使用边界：谁可以调用、调用什么工具、在什么环境执行、是否必须经过人工批准。

图 7：Gray Swan 相关安全评测图。提示注入鲁棒性是一个方向性信号，不能替代完整的红队和上线前审核。

对高风险 Agent，更合理的控制方式是能力分层：默认只读，补丁生成需要沙箱，写入生产环境必须经过测试与人工批准；所有工具调用保留不可篡改日志，失败时自动降级到人工处理。

未来长期价值

9. 这次升级的本质：把“智能”拆成模型能力与计算预算

Gemini 3.8 Flash 体现了一个越来越重要的趋势：模型能力不再是固定常数，而是推理预算、工具反馈和验证策略共同决定的函数。

I n t e l l i g e n c e e f f e c t i v e = g ( B a s e M o d e l , T h i n k i n g L e v e l , L o o p C o u n t , T o o l Q u a l i t y , V e r i f i e r ) \mathrm{Intelligence}_{effective}=g(\mathrm{BaseModel},\mathrm{ThinkingLevel},\mathrm{LoopCount},\mathrm{ToolQuality},\mathrm{Verifier})Intelligenceeffective​=g(BaseModel,ThinkingLevel,LoopCount,ToolQuality,Verifier)

这会改变模型选型。对于实时问答、简单分类和短文本生成，低 effort 的 Flash 可能是更好的选择；对于复杂代码迁移、法律分析和漏洞修复，高 effort 的 3.8 Flash 可能以更多 token 换取更高首轮成功率；对于有严格安全要求的网络防御，还必须加入 Fairwind/CodeMender 这样的访问与验证层。

图 8：公开演示中的产品与榜单上下文截图。它帮助理解社区关注点，但不替代官方评测原表。

10. 给工程团队的落地方法

第一，按任务定义推理预算。不要把所有请求都固定在 high；先用 low/medium 评估成功率，再把高价值失败样本升级到 high。

第二，统计单任务总成本。日志中至少记录输入 token、输出 token、思考 token、工具反馈 token、循环次数、墙钟时间和人工接管次数。

第三，把验证器当成一等公民。代码 Agent 需要测试、静态检查和回滚；金融 Agent 需要算式与数据来源；法律 Agent 需要引用和适用条件；安全 Agent 需要补丁测试、权限隔离和人工批准。

第四，使用“模型 + harness”做 A/B，而不是只换模型名。保持工具、上下文、超时和验证策略一致，才能知道收益来自底模还是来自更好的循环设计。

图 9：公开演示中的多任务能力展示。它适合做阅读线索，不应被当成受控 benchmark。

9 张代表性配图

价值评级

Gemini 3.8 Flash 的长期价值，不在于某个时间点的第几名，而在于它把三件事连接起来：可调推理预算、长程 Agent 循环和低单位价格。Gemini 3.8 Flash Cyber 又进一步证明，同一个基础智能可以通过领域训练、工具 harness 和访问控制，变成面向防御的专业系统。

这条路线也有明显风险。循环可能掩盖底模缺陷，更多 token 可能吞噬成本优势，发布方 benchmark 可能高估真实效果，专业领域的错误代价远高于普通聊天。真正成熟的产品不会只问“模型分数多高”，而会问：在给定预算、延迟、权限和验证器下，一个任务能否稳定完成，并且失败时是否可控。

因此，我给 Gemini 3.8 Flash 的评价是：A-，高价值但需要工程条件；Gemini 3.8 Flash Cyber 是高潜力的受控防御基础设施，而不是可以无条件开放的万能安全模型。值得立即跟踪和试点，尤其适合长程编码、企业 Agent、代码安全和需要可调推理预算的工作流；但在做采购或安全承诺前，必须用自己的任务集、工具链和成本日志复现实效。

推荐阅读

1. 深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2025年可以说是AI Agent全面落地应用的元年，因此Rocky在持续撰写对AI Agent的全维度解析文章：

深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解，同时不断跟进补充扩散模型的最新技术发展，希望能给大家带来帮助：

深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

3. 入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解，力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值：

入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

5. 深入浅出完整解析DeepSeek系列核心基础知识

Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析DeepSeek系列核心基础知识

6. 深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

7. 深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

8. 深入浅出完整解析Stable Diffusion（SD）核心基础知识

Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion（SD）核心基础知识

9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析，包括其在传统深度学习中的价值和在AIGC中的价值：

深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

10. 深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

对于AIGC时代中的“ResNet”——LoRA模型，Rocky进行了深入浅出的全面讲解：

深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

11. 深入浅出完整解析ControlNet核心基础知识

AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心，ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。

ControlNet正是让AI图像创作社区无比繁荣的关键一环，它让AIGC图像创作过程更加的可控，更有助于广泛地将AIGC算法解决方案应用到各行各业中：

深入浅出完整解析ControlNet核心基础知识

12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

AI绘画和AI视频是两个互相促进、相互交融的领域，2024年无疑是AI视频领域的爆发之年，Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析：

深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

13. 深入浅出完整解析AIGC时代Transformer核心基础知识

在AIGC时代中，Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向，成为AI技术架构大一统与多模态整合的关键核心基座，大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析：

深入浅出完整解析AIGC时代Transformer核心基础知识

14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

AIGC创作框架正是AIGC算法工作流的运行载体，目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代，PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架，到了AIGC时代，Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”：

深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

在AIGC时代中，如何快速转身，入局AIGC产业？如何成为AIGC/LLM/AI Agent算法/开发工程师？如何在学校中系统性学习AIGC/LLM/AI Agent知识，斩获心仪的AIGC/LLM/AI Agent算法/开发offer？

Don‘t worry，Rocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍，为大家答疑解惑，希望能给大家带来帮助：

手把手教你成为AIGC/LLM/AI Agent算法/开发工程师，斩获AIGC/LLM/AI Agent算法/开发offer！

16. AIGC产业的深度思考与分析

2023年3月21日，微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示，自从1980年首次看到图形用户界面（graphical user interface）以来，以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。

Rocky也认为，AIGC及其生态，会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期，未来随着AIGC的全面落地和深度商用，会深刻改变我们的工作、生活、学习以及交流方式，各行各业都将被重新定义，过程会非常有趣。

那么，在此基础上，我们该如何更好的审视AIGC的未来？我们该如何更好地拥抱AIGC引领的革新？Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点，希望能帮助各位读者对AIGC有一个全面的了解：

深入浅出全面解析AIGC时代核心价值与发展趋势（2025年版）

17. AI算法工程师的独孤九剑秘籍

为了方便大家实习、校招以及社招的面试准备，同时帮助大家提升扩展技术基本面，Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:

【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍（持续更新中）

18. 深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识

GAN系列模型作为传统深度学习时代的最热门生成式Al模型，在AIGC时代继续繁荣，作为Stable Diffusion/FLUX系列大模型的“得力助手”，广泛活跃于AlGC图像创作的产品与工作流中：

深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识