Come utilizzare l'API di Gemini 3.1 Pro

CometAPI
AnnaFeb 21, 2026
Come utilizzare l'API di Gemini 3.1 Pro

Una guida pratica, orientata al codice, a Gemini 3.1 Pro — cos’è, come chiamarlo (anche tramite CometAPI), i suoi controlli multimodali e dei “livelli di pensiero”, function-calling/uso di strumenti, consigli di vibe-coding e integrazioni con GitHub Copilot, VS Code, la Gemini CLI e Google Antigravity. Gemini 3.1 Pro sta spingendo avanti il confine dei grandi modelli multimodali con una storia focalizzata sugli sviluppatori: finestre di contesto più ampie, modalità di “pensiero” configurabili, function-calling/tool use migliorati e supporto esplicito per workflow agentici.

Che cos’è Gemini 3.1 Pro?

Gemini 3.1 Pro è il più recente livello “Pro” della famiglia Gemini 3: un modello nativamente multimodale, incentrato sul ragionamento, ottimizzato per compiti complessi, multi-step e uso agentico di strumenti. È presentato come un affinamento rispetto a Gemini 3 Pro con tre focus pratici: maggiore ragionamento/fondamento fattuale, migliore efficienza di token e modalità di esecuzione controllabili mirate ai workflow degli sviluppatori (codice, pianificazione, attività con retrieval). La scheda del modello e le pagine per sviluppatori lo descrivono come ottimizzato per comportamento di ingegneria del software, pipeline agentiche e input multimodali (testo, immagini, audio, video e repository).

Perché ti interessa: la combinazione di una finestra di contesto da un milione di token (su molte varianti dei provider), primitive di function-calling esplicite e controlli del “livello di pensiero” offre ai team costi e output più prevedibili, dai prototipi rapidi all’orchestrazione di agenti in produzione. CometAPI sta già esponendo la 3.1 Pro tramite marketplace API e bridge compatibili con OpenAI, offrendo modelli di accesso pay-as-you-go.

Come usare l’API di Gemini 3.1 Pro (CometAPI)?

Cosa mi serve prima di iniziare?

Checklist (prerequisiti)

  • Un account CometAPI e una chiave API CometAPI (conservala nelle variabili d’ambiente).
  • Facoltativamente un progetto Google Cloud / Google AI Studio e una chiave API Gemini se vuoi chiamare Google direttamente (non necessario passando da Comet).
  • python 3.9+ o node 18+, curl disponibile per test rapidi.
  • Un meccanismo sicuro di gestione dei segreti: variabili d’ambiente, vault o archivio di segreti nel CI.
  • Conferma l’ID modello Comet per Gemini 3.1 Pro nella tua console Comet (ad es. "google/gemini-3.1-pro" o un alias specifico di Comet).

CometAPI supporta chiamate nel formato nativo di Gemini, oltre che nel formato chat di OpenAI. CometAPI semplifica il cambio modello, offre una singola base URL e SDK, e può ridurre l’attrito di integrazione in stack multi-vendor.

Di seguito due esempi concreti e pronti al copia-incolla: prima chiamare Gemini via CometAPI (client compatibile con OpenAI), e poi chiamare Gemini tramite l’endpoint HTTP ufficiale di Google. Sostituisci YOUR_API_KEY con la chiave del tuo provider e imposta i nomi dei modelli alla variante disponibile presso il provider (es. gemini-3.1-pro-preview dove esposta).

Esempio: chiamare Gemini 3.1 Pro usando CometAPI (curl + Python)

Curl (wrapper compatibile con OpenAI usando la base URL CometAPI)

# curl example: CometAPI (OpenAI-compatible)curl https://api.cometapi.com/v1/chat/completions \  -H "Authorization: Bearer YOUR_API_KEY" \  -H "Content-Type: application/json" \  -d '{    "model": "gemini-3.1-pro-preview",    "messages": [      {"role":"system","content":"You are a concise programming assistant."},      {"role":"user","content":"Write a Python function to fetch CSV from a URL and return pandas DataFrame."}    ],    "max_tokens": 800  }'

Python (client compatibile con OpenAI configurato con base_url di CometAPI)

from openai import OpenAI  # or openai-python-compatible SDK offered by your platformclient = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.cometapi.com/v1")resp = client.chat.completions.create(    model="gemini-3.1-pro-preview",    messages=[        {"role": "system", "content": "You are a concise programming assistant."},        {"role": "user", "content": "Write a Python function to fetch CSV from a URL and return pandas DataFrame."}    ],    max_tokens=800,)print(resp.choices[0].message.content)

Motivazione: CometAPI espone un bridge compatibile con OpenAI in molta della loro documentazione, che ti consente di riutilizzare il codice client di OpenAI cambiando semplicemente base_url e il nome del modello. È comodo per esperimenti multi-provider e prototipazione rapida.

Esempio: chiamare Gemini tramite l’API ufficiale di Gemini (Node.js / HTTP)

Gli endpoint ufficiali di Gemini di Google sono i migliori per il set completo di funzionalità (controlli del livello di pensiero, function calling, caricamenti multimodali). Di seguito un esempio HTTP minimo usando la superficie API Gemini descritta nella documentazione sviluppatori di Google AI.

Sostituisci semplicemente la Base URL e la API Key nell’SDK ufficiale o nelle richieste per utilizzarla:

  • Base URL: https://api.cometapi.com (sostituisce generativelanguage.googleapis.com)
  • API Key: Sostituisci $GEMINI_API_KEY con $COMETAPI_KEY

Curl (API ufficiale Gemini — illustrativo)

curl "https://api.cometapi.com/v1beta/models/gemini-3-1-pro-preview:generateContent" \
  -H "x-goog-api-key: $COMETAPI_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "contents": [
      {
        "parts": [
          {
            "text": "How does AI work?"
          }
        ]
      }
    ]
  }'

Parametri comuni da impostare

  • temperature (0.0–1.0) — casualità. Usa 0.0 per output di codice deterministici.
  • max_output_tokens / max_tokens — budget di lunghezza dell’output.
  • top_p — nucleus sampling.
  • presence_penalty / frequency_penalty — scoraggia la ripetizione.
  • thinking_level o variante del modello — determina la profondità del ragionamento (es. -low, -medium, -high o thinking_level esplicito). Usa il livello di pensiero più basso che soddisfa le esigenze di accuratezza per controllare costi/latency.

Quali sono le capacità multimodali di Gemini 3.1 Pro?

Quali modalità supporta Gemini 3.1 Pro?

Gemini 3.1 Pro accetta testo, immagini, video, audio e PDF in molte build di anteprima — e può generare output testuali che fanno riferimento o riassumono contenuti multimodali. Comet supporta l’inoltro di input multimodali a Gemini — tramite URL di immagine, caricamento file (API file di Comet) o permettendo a Gemini di leggere file memorizzati in cloud storage.

Come dovrebbero pensare gli sviluppatori ai prompt multimodali?

  • Struttura i prompt multimodali con blocchi di contesto chiari: per esempio, includi prima la breve istruzione testuale, poi allega metadati o puntatori per immagini/video/PDF.
  • Usa gli allegati multimediali e i campi di upload dei file dell’SDK invece di incorporare dati binari nei campi di testo — i client ufficiali e gli esempi dell’API Vertex AI / Gemini mostrano come passare gli allegati multimediali in modo pulito.

Esempio pratico (pseudocodice): mostra un’immagine più domanda

# Pseudocode — attach an image with a caption and ask a questionfrom google.gemini import GemSDK  # conceptual import; use official client per docsresponse = client.generate(    model="gemini-3.1-pro-preview",    inputs = [        {"type": "text", "content": "Summarize the visual diagram and list actionable next steps."},        {"type": "image", "uri": "gs://my-bucket/diagram.png", "alt": "system architecture diagram"}    ])print(response.text)

Suggerimenti pratici:

  • Usa gli allegati immagine per il triage di bug UI: allega uno screenshot e chiedi differenze o cause probabili.
  • Combina trascrizioni audio con esempi di codice per riassunti di registrazioni di interviste.
  • Quando invii artefatti di grandi dimensioni (video, grandi codebase), preferisci un approccio a fasi: carica gli asset (cloud storage), passa URL + un breve manifesto, e usa il modello per guidare una pipeline con retrieval anziché inserire tutto in un singolo prompt.

Quali sono i Thinking Levels (Low, Medium, High) e quando usarli?

Cosa sono i “thinking levels”?

La serie Gemini 3 introduce un parametro thinking_level che guida il budget computazionale/interno di chain-of-thought del modello. Pensalo come una manopola che scambia latenza + costo con maggiore profondità di ragionamento:

  • Low: ragionamento minimo, ottimizzato per throughput e compiti brevi deterministici.
  • Medium: ragionamento bilanciato — novità in 3.1 e ideale per molti workflow di ingegneria e analisi.
  • High: ragionamento più profondo, stile chain-of-thought dinamico; migliore per problemi complessi multi-step.
    (Esiste anche una nomenclatura minimal/max in altre varianti — consulta la documentazione del modello per le opzioni disponibili esatte per variante.)

Come scegliere un livello di pensiero?

  • Usa Low per chat ad alto throughput, istruzioni brevi o quando costi/latenza sono critici.
  • Usa Medium come predefinito per la maggior parte dei compiti degli sviluppatori che richiedono un grado misurato di ragionamento (questo è il nuovo “sweet spot” in 3.1).
  • Usa High quando risolvi puzzle, esegui catene logiche lunghe, pianifichi o quando vuoi esplicitamente alta fedeltà ed accetti maggiore latenza e consumo di token.

Come impostare il livello di pensiero in una richiesta

curl "https://api.cometapi.com/v1beta/models/gemini-3-1-pro-preview:generateContent" \
  -H "x-goog-api-key: $COMETAPI_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "contents": [{ "parts": [{ "text": "Explain quantum physics simply." }] }],
    "generationConfig": {
      "thinkingConfig": {
        "thinkingLevel": "LOW"
      }
    }
  }'

Come implementare function calling e uso di strumenti con Gemini 3.1 Pro?

Che cos’è il function calling / tool use?

Il function calling (chiamato anche uso di strumenti) consente al modello di emettere oggetti “call” strutturati che dicono alla tua applicazione quale strumento o funzione esterna eseguire (per esempio, get_current_weather(location)) e con quali argomenti. Il modello può concatenare più chiamate, ricevere output degli strumenti e continuare a ragionare — abilitando comportamenti agentici. Gli SDK di Gemini offrono supporto incorporato per il loop modello→strumento (MCP/registro strumenti) in modo da poter automatizzare l’esecuzione in sicurezza.

Puoi dichiarare strumenti nella configurazione per abilitare il comportamento proxy. Tra gli strumenti integrati supportati ci sono le funzioni personalizzate google_search, code_execution e url_context.

Pattern sicuro per l’uso di strumenti

  1. Dichiara le interfacce degli strumenti: registra funzioni/strumenti con schemi chiari e tipi di argomenti validati.
  2. Lascia che il modello proponga le chiamate: il modello emette JSON strutturato che descrive quale strumento chiamare.
  3. L’host esegue solo strumenti consentiti: applica un allowlist e una convalida rigorosa.
  4. Ritornare gli output degli strumenti al modello: il loop dell’SDK alimenta la risposta dello strumento al modello così che possa continuare a pianificare/eseguire altre chiamate.

Guida all’integrazione di Gemini 3.1 Pro

GitHub Copilot

GitHub Copilot (Copilot) ha aggiunto il supporto per i modelli della famiglia Gemini ai livelli premium, permettendo ai team di scegliere Gemini come modello sottostante per la chat e i suggerimenti di Copilot. Ciò significa che gli utenti su piani idonei possono selezionare varianti di Gemini nel selettore di modelli di Copilot, beneficiando di miglioramenti a livello di modello senza cambiare l’estensione dell’IDE. Per i team, Copilot rimane un percorso gestito conveniente al ragionamento di Gemini dentro VS Code e altri editor supportati.

Gemini CLI e Code Assist

La Gemini CLI open-source espone i modelli Gemini al terminale; è leggera e integra i workflow esistenti (diff, commit, CI e esecuzioni headless su server). Usa la CLI per iterazioni rapide, scripting di esecuzioni agentiche o per incorporare il modello nei flussi DevOps. Gemini Code Assist è l’estensione per VS Code e l’integrazione IDE più ampia che porta suggerimenti di codice contestuali, review di PR e fix automatici direttamente nell’editor. Questi strumenti ti permettono di controllare selezione del modello, finestre di contesto e preferenze di livello di pensiero.

Visual Studio Code

Visual Studio Code e il suo marketplace ospitano sia GitHub Copilot sia Gemini Code Assist. Puoi installare Code Assist per Gemini o continuare a usare Copilot; ciascuno offre diversi compromessi (velocità, profondità, privacy). VS Code rimane la superficie più matura per generazione di codice interattiva, chat in-editor e integrazione diretta con esecuzioni locali o harness di test.

Google Antigravity

Google Antigravity è un IDE e piattaforma agent-first che tratta gli agenti come cittadini di prima classe, offrendo un “Mission Control” per l’orchestrazione di agenti, automazione del browser integrata e una UI per progetti multi-agente. Antigravity e Gemini CLI servono esigenze diverse: Antigravity è una superficie IDE completamente agentica; la Gemini CLI è nativa del terminale ma si integra in Antigravity e VS Code tramite estensioni e server MCP (Model Context Protocol). L’ecosistema Antigravity è pensato per team che vogliono orchestrazione agentica intensa e una superficie visiva più opinionata.

Chi dovrebbe usare cosa?

  • Prototipazione rapida & modifiche su singolo file: Gemini CLI + test locali o Copilot per velocità.
  • Ragionamento profondo, ricerca di lunga durata: API di Gemini (Vertex) con livello di pensiero alto e function-calling.
  • Orchestrazione agentica & automazione multi-step: Antigravity per gestione visiva o una pipeline di agenti personalizzata usando function calling + MCP.
  • Esperimenti multi-provider / controllo dei costi: Usa CometAPI o gateway simili per cambiare modelli o provare Flash vs Pro in modo economico.

Considerazioni di design per l’integrazione:

  • Sicurezza: evita di inviare segreti o PII nei prompt. Usa account di servizio con token a scope limitato per chiamate lato server.
  • Locale vs cloud: esegui funzionalità leggere dell’assistente in locale (completamenti veloci) ma instrada analisi multimodali pesanti al cloud.
  • Controllo utente: esponi “spiega questo suggerimento” e controlli di rollback semplici per modifiche di codice prodotte dal modello.

Pattern di integrazione & architettura consigliata

App leggera (chat o assistant)

  • Client (browser/mobile) → microservizio backend → API Gemini (thinking_level=low)
  • Usa streaming/output parziali per la UX della chat. Valida gli input degli utenti e non consentire mai chiamate a strumenti grezze da client non fidati.

Backend agentico (workflow automatizzati)

  • Servizio orchestratore: registra un piccolo set di strumenti consentiti (lettura DB, runner job CI, API interne).
  • Lascia che Gemini pianifichi ed emetta chiamate agli strumenti; l’orchestratore esegue chiamate validate e ritorna i risultati. Usa livello di pensiero alto per le fasi di pianificazione e medio per i passi di esecuzione.

Pipeline di ingestione multimodale

Preprocessa e indicizza documenti, immagini o video di grandi dimensioni.

Quando scegliere Gemini 3.1 Pro?

Scegli Gemini 3.1 Pro quando ti servono:

  • ragionamento multi-step ad alta fedeltà su input multimodali;
  • orchestrazione affidabile di strumenti e workflow agentici;
  • migliori cicli di sintesi/modifica del codice negli IDE (via Copilot/CLI/Antigravity); oppure
  • prototipare confronti cross-provider con un gateway come CometAPI.

Se ti interessano throughput e costi, adotta una strategia mista: imposta medio come predefinito per la maggior parte dei workflow, basso per chat ad alto throughput e alto solo per compiti che dimostrabilmente richiedono ragionamento più profondo (pianificazione, dimostrazioni, sintesi multi-step).

Considerazioni finali: dove si colloca Gemini 3.1 Pro nello stack

Gemini 3.1 Pro raddoppia su ciò che i moderni LLM orientati agli sviluppatori devono offrire: comprensione multimodale, orchestrazione esplicita degli strumenti e controlli pragmatici per il budget di ragionamento. Che tu vi acceda direttamente tramite le API di Google e Vertex, tramite Copilot su piani premium, o tramite piattaforme multi-modello come CometAPI, le competenze critiche per i team sono le stesse: attenta orchestrazione del livello di pensiero, pattern sicuri di function-calling e integrazione in solidi workflow per sviluppatori (CLI, IDE, test automatizzati).

Gli sviluppatori possono accedere a Gemini 3.1 Pro tramite CometAPI già da ora. Per iniziare, esplora le capacità del modello nel Playground e consulta la guida API per istruzioni dettagliate. Prima di accedere, assicurati di aver effettuato l’accesso a CometAPI e di aver ottenuto la chiave API. CometAPI offre un prezzo molto inferiore rispetto al prezzo ufficiale per aiutarti a integrare.

Pronto a partire?→ Iscriviti a Gemini 3.1 Pro oggi !

Se vuoi conoscere altri consigli, guide e novità sull’AI, seguici su VK, X e Discord!

Accesso ai Migliori Modelli a Basso Costo

Leggi di più