本文记录了作者在开发画布笔记网站时，使用Claude Opus、Gemini Pro、Codex等模型均未能解决的Excel分析超时问题，最终通过转变思路，引导Gemini 3.1 Flash参考任务轮询模式，成功修改API调用逻辑的完整过程。适合遇到AI编程瓶颈、需要优化异步任务处理的开发者参考，并提供了具体的调试方法与协作思路。
Tags:
前面的文章《最近好忙...10万月访客的出海网站开始赚钱了》提到春节前后我花了一个多月上线了一个画布笔记网站。结果昨天测试时遭遇当头一棒：分析 Excel 文件时频频出现超时和报错。
一开始我为了省事，直接把问题现象反馈给AI修改。我用 Antigravity 调出了强大的 Claude Opus 4.6，结果Claude来回改了几次后，仍然没有解决问题。等把 Claude 的 Token 耗尽后，我只好回退代码，改用 Gemini 3.1 Pro 修改，结果改了好几版还是不行。最后我甚至切到 VS Code 的 Codex，重新详细描述了修改需求，结果没多久，Codex 直接提示"Your rate limit resets on Mar 9, 2026, 7:43 PM."。
就这样折腾了几个小时，Bug 没修好，我手头的几个"顶配"的 AI 额度全被榨干了。崩溃之余，我意识到：可能不是模型不够聪明，而是我的思路出了问题。
转变思路：从死磕报错，到寻找"参考逻辑"
这个时候，我突然想起同在画布笔记中的文生图功能同样需要较长生成时间，但并没有出现超时或报错。原来画布中，对文档进行总结或对 Excel 文件进行数据分析的时候，采用的是 Gemini 2.5 Flash 的流式生成模式，虽然生成过程中可以呈现逐步输出的效果，但是 API 端有一定的超时时间；而文生图模型是小排老师的生图模型 Z Image，采用的是任务轮询的方式，虽然没有呈现生成过程，但是不会出现超时，页面访问中断后还可以恢复任务。
我于是使用 Antigravity 的 Gemini 3.1 Flash，让它联网查询 Gemini 2.5 Flash 的API文档，并让它参考一下 Z Image 接口的实现方式：
Gemini 3.1 Flash 在回复中提及 Z Image 采用了"任务轮询"的模式：
简单来说，"流式生成"就像是一直连着打电话等对方说完，时间一长连接就容易掉线（超时）；而"任务轮询"就像是发短信交办任务，然后隔一段时间去问一句"做完了吗"，这样就不会一直占用通信通道导致超时了。
我于是让 Gemini 3.1 Flash 分析通过 Gemini 的这个 API 做数据分析或文档分析能否也采用任务轮询的模式。结果，它很快做了分析并给出了肯定的答案：
然后它还让我帮它调试提交异步分析任务和查询结果的CURL语句：
投喂精准上下文：用Postman为AI铺路
我于是在 Postman 中调试好这两个 CURL，把 AI 文档（链接）、API 密钥以及两个 CURL 的 API 示例、API 示例输入和 API 示例输出一并放在一个文件中发送给 Gemini 3.1 Flash：
结果它很快就完成了文档总结和数据分析的任务模式的修改。如果你不清楚怎样调试API，请参考我前面写的这篇文章：
这是刘小排老师在深海圈中教我们的思路。
编程思路：把 AI 当作你的 Partner
最近一年，各种强大的AI编程模型轮番上阵，即使是轻量级的 Gemini 3.1 Flash，其能力也早已不是两年前我们靠"复制粘贴"使用 GPT-4 的时代可以同日而语的。然而，当顶配大模型也无法解决问题时，不要盲目让 AI 去"猜"，而是要发挥我们人的作用。正如前面我在《崩溃了！AI把我的代码越改越乱！怎么办？》中提到的：
你自己要想办法把话说清楚
你要给自己留有余地
当我们把 AI 当做 Partner，与它进行更深入的沟通和引导，尽可能把需求、资料和测试结果等给AI说清楚，然后做好备份，让AI尽情地发挥，往往会更有利于问题的解决。
你现在AI编程最常使用的是哪个模型呢？有没有试过使用轻量级的模型来解决问题？欢迎交流。
没有评论:
发表评论