日常使用AI模型时我会在Kula AI聚合平台（leadhi.cn）上同时调几个模型做对比。最近一个月把Gemini 3.5深度用进了各种工作场景，踩了不少坑也积累了不少解决方法。这篇文章把最常见的问题和对应的解法整理出来，希望帮后来的人少走弯路。
坑一：输出跑偏但看起来很对
这是最隐蔽也最危险的一个坑。
你给Gemini 3.5一个任务，它输出了一段看起来非常专业、逻辑清晰、格式工整的内容。你读了一遍觉得没问题。但如果仔细核对会发现其中有一两个细节是它自己编的——数据不对、引用不存在、结论过于武断。
InfoQ测评指出过这个问题：推理模型存在提供看似合理但无法核实的细节的概率。Gemini 3.5在这方面比前代有改善但没有完全解决。
解法： 在提示词里加否定约束——"不确定的内容标注需要验证""不补充我没有要求的信息""涉及具体数据请说明来源或标注待确认"。这三条约束能有效抑制它自信补充未验证内容的倾向。
养成习惯：涉及事实性信息的内容一定要自己核对一遍。
坑二：长文档处理质量下降
Gemini 3.5的上下文窗口支持100万tokens。很多人觉得窗口大就可以把很长的文档一次性丢进去处理。
实测下来文档越长输出质量越容易出现波动。InfoQ测评指出推理模型处理长上下文时存在质量衰减。具体表现为：文档前半部分的提炼质量明显高于后半部分，或者在长文档中间位置出现遗漏。
解法： 分段处理。把长文档按主题或时间段拆成几段分别处理，最后再让模型帮忙合并。分段后每段的质量明显高于一次性处理全文。合并环节用模型做也不费时间。
具体分多长合适？我的经验是单次处理控制在3000到5000字左右效果最稳定。超过这个长度质量波动开始明显。
坑三：格式不一致
同一个提示词跑两次，输出格式可能不一样。第一次给你表格，第二次给你分点列表。第一次是三段式结构，第二次变成了四段式。
这对需要标准化输出的场景很困扰。如果你在做模板化的文档整理，每次格式不一致就意味着每次都要手动调整。
解法： 在提示词里把输出格式写死。明确要求"以Markdown表格输出""按以下固定结构输出：1. 2. 3.""不要改变输出结构"。Gemini 3.5对明确格式约束的遵从度很高。
另一个技巧：用few-shot。给一个你满意的输出样本让它参考格式。这比任何文字描述都有效。
坑四：多轮对话中早期指令失效
Gemini 3.5的多轮上下文保持能力整体不错。但在对话轮次超过10轮之后，早期的指令约束可能会被"遗忘"。
比如你在第一轮设定了"输出简洁直接不要修辞"，前几轮它一直遵守。但聊到第十轮之后你发现它的输出开始变啰嗦，修辞手法也回来了。
解法： 两种方式。一是在关键轮次重复一下核心约束——不用完全重复第一轮的全部设定，只需要把最重要的约束再说一遍。二是定期开新对话。如果一个任务的对话已经很长了，把中间结果导出来开一个新对话继续。
坑五：代码生成中的版本问题
Gemini 3.5在代码生成上的能力不错。但它有一个常见的坑：生成的代码可能使用了你项目中不支持的库版本或API版本。
比如它可能用了Python 3.12的新特性而你的项目还在用3.9。或者它用了某个库的最新API而你的项目锁定的是上一个大版本。它不知道你的项目环境。
解法： 在提示词里明确你的技术栈版本。"使用Python 3.9""使用React 18""使用MySQL 8.0"。版本信息越具体它生成的代码越兼容。
还有一个兜底的做法：生成的代码先在本地跑一遍再看能不能用。别直接复制到生产代码里。
坑六：任务拆解粒度不合适
让Gemini 3.5帮你拆解复杂任务时，它拆出来的粒度可能不合适。有时候太粗——一个子任务包含太多工作量。有时候太细——拆成几十个微小任务导致调度开销大增。
解法： 在提示词里给粒度约束。比如"每个子任务应该能在30分钟内完成""每个子任务涉及不超过3个文件的修改""总共拆成5到10个子任务"。这些约束帮它找到合适的拆解粒度。
坑七：中文输出偶尔有翻译腔
Gemini 3.5的中文能力比前代有明显提升。但在某些场景下偶尔会出现翻译腔——句子结构偏英文习惯，用词不够自然。
比如它可能说"这是一个关于需要注意的事项"而不是"以下几点需要注意"。或者"基于以上的原因我们可以得出"而不是"综上所述"。
解法： 在提示词里加一句"请用自然流畅的中文输出，避免翻译腔"。简单但有效。
如果对中文质量要求很高，可以让它输出后再用另一个模型做一轮润色。
坑八：对隐含假设的处理
Gemini 3.5会倾向于按最常见的情况来处理你没有明确说明的隐含假设。但你的实际情况可能跟最常见的情况不同。
比如你让它优化SQL但没说数据量，它可能按小数据量给出建议。你让它写技术方案但没说预算，它可能按充裕预算来设计。
解法： 把你认为理所当然的约束条件都写出来。你觉得显而易见的东西对模型来说不是。上下文越完整它的输出越贴合你的实际情况。
跟其他模型对比
在这些坑方面不同模型的表现不一样。
GPT-5.5在格式一致性上最好。同一个提示词跑十次格式几乎不变。但在中文自然度上偶尔也不如人意。
Gemini 3.5 Flash在长文档处理的速度上碾压。但质量衰减问题确实存在。
DeepSeek V3在代码版本兼容性上问题更少。可能是因为它的训练数据中包含更多不同版本的代码。
一点感受
踩坑不可怕，同一个坑踩两次才可怕。把这些坑的解法固化到你的提示词模板里，每次用的时候直接套模板，能避免大部分问题。
先在非关键任务上试错，积累经验后再用到重要工作上。这个顺序适用于所有AI工具的落地实践。
