必须从输入精简、输出约束、缓存复用三环节优化Gemini API调用：输入预处理删无效Token、结构化摘要、批量JSON合并；输出设max_output_tokens≤256、强制JSON格式、禁用流式；客户端缓存固定提示词哈希结果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要让Gemini API调用不轻易耗尽免费额度、避免单次请求触发TPM硬限导致服务中断，必须从输入精简、输出约束、缓存复用三个不可绕过的环节动手——这些操作直接影响每一分配额的利用率，且多数改动只需改几行代码。
输入文本预处理：先砍掉30%～90%的无效Token
第一步：用正则或轻量脚本清洗原始输入，删除所有HTML标签、连续空白符、全角标点、BOM头（【\ufeff字符会额外消耗1个Token，且极易被忽略】）。
第二步：对长文档做摘要预处理——不是用Gemini自己摘要，而是用本地fasttext或sentence-transformers提取关键词+情绪标签，再拼成“【关键词：XX，情绪：负面，场景：合同纠纷】”这样的结构化前缀，长度控制在40 Token内。
第三步：批量任务中，把10条独立指令合并为一条JSON数组格式提示，例如{"items":[{"id":"001","text":"张三身份证号"},{"id":"002","text":"李四手机号"}]}，而非发送10次单独请求。这能规避每轮请求的系统消息重复计费，实测降低多轮对话Token开销达67%。
输出长度与格式双控：拒绝模型自由发挥
方法一：在generation_config中强制设置max_output_tokens，数值必须≤256——这是gemini-1.5-flash进入免费额度的硬性门槛，超1个token就可能被踢出免费通道。
方法二：用response_mime_type指定输出格式为application/json，同时在prompt里明确要求“只返回纯JSON，无任何解释、无```包裹、无换行符”。这能防止模型在开头加“好的，以下是结果：”，结尾加“如有疑问请随时提出”这类废话，节省15～40 Token/次。
方法三：禁用stream参数，显式传入stream=False。流式响应会预扣最大可能Token数，而实际生成往往远少于预估，造成隐性浪费。
使用AIsa生成图像与视频。仅需一个API密钥即可调用Gemini 3 Pro Image（图像）和Qwen Wan 2.6（视频）。
客户端缓存Embedding：命中一次=省下全部输入Token
第一步：对固定提示词（如“请按表格格式提取合同违约条款”）做归一化处理——转小写、去空格、统一标点，再用sha256哈希生成key。
第二步：检查本地内存或Redis中是否存在该key对应的结果。存在则直接返回，【跳过API调用，Token消耗为0】。
第三步：未命中时调用API，拿到结果后立即将key→value存入缓存，TTL设为7天——办公类提示词复用率在72小时内高达83%，没必要设太短。
多轮会话成本压缩：别让历史对话悄悄吃掉你3倍Token
① 每次发送新消息前，用get_num_tokens()估算当前chat_session.history总Token数，若＞1200，则执行history = history[-3:]，只保留最近3轮交互——Gemini对上下文越长越容易丢失关键信息，留太多反而降低质量。
② 将用户原始提问中的实体（人名、日期、金额）抽出来，用占位符替换，例如“张三于2025年3月15日支付5000元” → “[NAME]于[DATE]支付[AMOUNT]”，再送入模型。这能大幅压缩输入长度，且不影响模型理解任务意图。
③ 禁用自动历史注入：初始化model.generate_content时不要传入chat_session，而是手动拼接history + new_message，确保每一Token都可控、可审计。
