Gemini API怎么算得更可靠？code_execution、运行结果与样本核对

让模型直接口算一列数字，得到一个看似合理的总数并不容易核对。Gemini API可生成并执行Python，再依据结果回答。本文使用人工样本检查完整链路，不处理真实财务数据，也不把代码执行工具当作自己服务器的任意Shell。

第一步：准备有确定答案的小样本

先选择容易人工复核的数据：1、2、缺失值和3，非空合计6，缺失数量1。明确缺失不能自动当零，编号和说明不属于数值。真实任务还要定义去重、单位和筛选条件，再考虑大规模处理。

官方工具执行Python，生成其他语言不等于能在此工具运行。环境的可用库和限制要按当前文档检查，不能默认支持本地文件、任意安装包或外网。

第二步：声明code_execution工具

按当前Interactions接口启用工具，示例模型采用官方页面中的gemini-4-hydrogen，需项目具备可用权限。使用兼容SDK和服务端凭据，未执行真实付费请求，不提供虚构token或耗时数据。

from google import genai
client = genai.Client()
interaction = client.interactions.create(
    model="gemini-4-hydrogen",
    input="values=[1,2,None,3]。请生成并运行Python，分别求非空合计、非空数量和缺失数量。不要把None当零，解释实际执行结果。",
    tools=[{"type": "code_execution"}],
)
for step in interaction.steps:
    if step.type == "code_execution_call":
        print(step.arguments.code)
    elif step.type == "code_execution_result":
        print(step.result)

第三步：检查代码是否真的实现规则

读取代码中的过滤条件、求和字段和缺失处理，不能仅看到sum就认为口径正确。模型可能修改算法多次，应记录最终成功执行的版本及其结果，不把较早失败版本的代码与较晚答案拼在一起。

代码应针对提供数据，不凭空创建更多记录。文件任务要核对实际读取的文件与行数，不能用人工硬编码的几个数字代替全量文件后仍声称完成全量计算。

第四步：区分执行成功与答案正确

检查code_execution_result是否成功、输出是否对应当前调用，再与自然语言答案比较。模型写出代码而没有执行结果，只能算代码草案。执行报错但最后仍给出数字，需要明确标为未验证。

验收：非空合计6；非空数量3；缺失数量1。再增加一个负数和一个空值，先人工计算预期，再检查是否仍按同一规则。示例是测试计划，不填写未运行结果。

第五步：扩展真实任务并保留证据

样本通过后再替换脱敏资料，保存输入身份、代码、运行输出和最终答案。异常数据应单列，不能用忽略所有异常来制造成功。输出量大时保留完整结果文件与摘要，而不是截取前几行当全量。

真实工作中确定性计算和数据口径都重要；Python跑通也可能算错字段。完成标准是规则清楚、代码对应、执行成功、样本及汇总可复核。不要将此教程的API工具与Colab导出混淆，后者运行环境和权限是另一个流程。

官方资料

资料核对日期：2026年11月15日。

• Google：Code execution