Google AI Studio × Gemini API ——Gemini 3 Proでコスト90%削減する

{
  "contents": [{
    "parts": [
      { "text": "この画像に写っているオブジェクトを説明して" },
      { "inlineData": {
        "mimeType": "image/jpeg",
        "data": "base64_encoded_image..."
      }}
    ]
  }]
}

import anthropic
 
client = anthropic.Anthropic(api_key="YOUR_GEMINI_API_KEY")
 
response = client.messages.create(
    model="gemini-pro-with-thinking",
    max_tokens=16000,
    thinking={
        "type": "enabled",
        "budget_tokens": 10000
    },
    messages=[{
        "role": "user",
        "content": "階乗計算のアルゴリズムを説明して、複数の最適化パターンを提案して"
    }]
)

response = client.messages.create(
    model="gemini-pro",
    max_tokens=1000,
    messages=[{
        "role": "user",
        "content": "この JSON スキーマを説明して"
    }]
)

import anthropic
 
client = anthropic.Anthropic(api_key="YOUR_GEMINI_API_KEY")
 
# コードベースを長いシステムプロンプトとして定義
codebase_context = """
[Your entire codebase — 500,000 tokens worth of code]
"""
 
response = client.messages.create(
    model="gemini-pro",
    max_tokens=2000,
    system=[{
        "type": "text",
        "text": codebase_context,
        "cache_control": {"type": "ephemeral"}  # キャッシュ有効化
    }],
    messages=[{
        "role": "user",
        "content": "このコードベースで SQL インジェクション脆弱性を探して"
    }]
)
 
print(response.content[0].text)
print(response.usage)  # cache_creation_input_tokens / cache_read_input_tokens を確認

import anthropic
import json
import time
 
client = anthropic.Anthropic(api_key="YOUR_GEMINI_API_KEY")
 
# バッチリクエストのジョブを作成
requests = [
    {
        "custom_id": f"article-{i}",
        "params": {
            "model": "gemini-pro",
            "max_tokens": 1500,
            "messages": [{
                "role": "user",
                "content": f"Write an article about: {topic}"
            }]
        }
    }
    for i, topic in enumerate([
        "Machine Learning in 2026",
        "Quantum Computing Trends",
        "Future of AI"
    ])
]
 
# バッチジョブを送信
batch = client.beta.batch.upload_batch(
    request_format="openai_json",
    requests=requests
)
 
print(f"Batch created: {batch.id}")
 
# ポーリングで完了待ち（通常 5〜60 分）
while True:
    batch_status = client.beta.batch.retrieve_batch(batch.id)
    if batch_status.processing_status == "completed":
        break
    time.sleep(30)
 
# 結果取得
results = client.beta.batch.list_batch_results(batch.id)
for result in results:
    print(f"{result.custom_id}: {result.result.message.content[0].text}")

# MCP サーバー（お客さんのシステム側）
from mcp.server import Server
import anthropic
 
server = Server("DatabaseMCP")
 
@server.tool()
def query_database(sql: str):
    """ユーザーのデータベースに対してクエリを実行"""
    # DB 接続して SQL 実行
    return execute_sql(sql)
 
@server.tool()
def list_tables():
    """利用可能なテーブルを一覧"""
    return ["users", "orders", "products"]
 
# Gemini クライアント側
client = anthropic.Anthropic(api_key="YOUR_GEMINI_API_KEY")
 
response = client.messages.create(
    model="gemini-pro",
    max_tokens=2000,
    tools=[
        {
            "name": "query_database",
            "description": "Execute SQL query on database",
            "input_schema": {
                "type": "object",
                "properties": {
                    "sql": {"type": "string"}
                }
            }
        }
    ],
    messages=[{
        "role": "user",
        "content": "2026年1月の売上を集計して"
    }]
)
 
# Gemini が自動的に query_database を呼び出し、結果を返す

# Google AI Studio
from google.generativeai import GenerativeModel
model = GenerativeModel("gemini-pro")
 
# Vertex AI への移行（同じコード、エンドポイント変更のみ）
from vertexai.generative_models import GenerativeModel
model = GenerativeModel("gemini-pro")

import time
from tenacity import retry, stop_after_attempt, wait_exponential
 
@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=2, max=10)
)
def call_gemini_with_retry(prompt):
    return client.messages.create(
        model="gemini-pro",
        messages=[{"role": "user", "content": prompt}]
    )

# シナリオ: 毎日 100 件の社内ドキュメント要約
 
# オプション A: Context Caching + スケジュール
# - システムプロンプト（社内ガイドライン）をキャッシュ
# - 毎日の新規ドキュメント 100 件を通常 API で処理
# - トータルコスト削減率 60〜70%
 
# オプション B: Batch Mode
# - 夜間にまとめて 100 件送信
# - 翌朝に結果回収
# - トータルコスト削減率 50%
 
# ハイブリッド: Caching + Batch
# - キャッシュ有り + Batch Mode
# - 削減率 75% 程度