在完成 LINE Bot 的 Multi-Agent Orchestration 架構 之後，原本的圖片分析功能是直接將圖片送到 gemini-2.5-flash 做識別。但 Google 在 2026 年 1 月發布了 Gemini 3 Flash 的 Agentic Vision 功能，讓模型不再只是「看」圖片，而是能主動寫 Python 程式碼來放大、裁切、標註圖片。
這讓我想到一個有趣的使用場景：
使用者傳一張照片，說「幫我把咖啡標記出來」，AI 不只回覆文字描述，還會畫出 bounding box 標註在圖片上，把標註後的圖片傳回 LINE。
本文記錄了實作這個功能的完整過程，包括踩到的坑和解決方案。
Agentic Vision 是什麼？
傳統的圖片分析是靜態的：丟圖片給模型，模型回傳文字描述。
Agentic Vision 把圖片理解變成一個主動的調查過程，使用 Think → Act → Observe 循環：
Agentic Vision 流程 │
│ │
│ 1. Think - 分析圖片，規劃要怎麼深入調查 │
│ 2. Act - 寫 Python 程式碼（裁切、放大、標註、計算） │
│ 3. Observe - 觀察程式碼執行結果（包括生成的標註圖片） │
│ 4. 重複以上步驟直到完成分析 │
└─────────────────────────────────────────────────────────────┘
技術核心
模型： gemini-3-flash-preview
關鍵功能： code_execution 工具 — 讓模型能寫並執行 Python 程式碼
輸出： 除了文字分析，還能回傳模型生成的標註圖片
# 啟用 Agentic Vision 的 API 呼叫
response = client.models.generate_content(
model="gemini-3-flash-preview",
contents=[image_part, "幫我把咖啡標記出來"],
config=types.GenerateContentConfig(
tools=[types.Tool(code_execution=types.ToolCodeExecution)],
thinking_config=types.ThinkingConfig(thinkingBudget=2048),
)
)
# Response 包含多種 part：文字、程式碼、執行結果、標註圖片
for part in response.candidates[0].content.parts:
if part.text: # 文字分析
if part.executable_code: # 模型寫的 Python 程式碼
if part.code_execution_result: # 程式碼執行結果
if part.as_image(): # 生成的標註圖片！
功能設計
使用者體驗流程
原本收到圖片就直接分析，改成先讓使用者選擇模式：
使用者傳送圖片
│
▼
┌─────────────────────────────────────┐
│ 📷 已收到圖片，請選擇分析方式： │
│ │
│ ┌──────────┐ ┌─────────────────┐ │
│ │ 識別圖片 │ │ Agentic Vision │ │
│ └──────────┘ └─────────────────┘ │
│ (Quick Reply Buttons) │
└─────────────────────────────────────┘
│ │
▼ ▼
gemini-2.5-flash 使用者輸入指令
直接回傳文字描述 「幫我把咖啡標記出來」
│
▼
gemini-3-flash-preview
+ code_execution
│
┌────┴────┐
▼ ▼
文字分析 標註圖片
(Text) (Image)
│ │
▼ ▼
LINE TextMsg + ImageSendMessage
為什麼要分兩步？
Agentic Vision 需要使用者提供具體指令（例如「標記出所有人」「數一數有幾隻貓」），不像一般識別只需要「描述圖片」。所以選擇 Agentic Vision 後，會先請使用者輸入想要達成的目標。
實作細節
1. 圖片暫存機制
因為 LINE 的 Quick Reply 是異步的（使用者點按鈕觸發 PostbackEvent），圖片需要暫存：
# main.py
image_temp_store: Dict[str, bytes] = {} # 暫存圖片（user_id → bytes）
pending_agentic_vision: Dict[str, bool] = {} # 等待使用者輸入指令
流程：
- 收到圖片 → 存入 image_temp_store[user_id]
- 使用者點「Agentic Vision」→ 設定 pending_agentic_vision[user_id] = True
- 使用者輸入文字 → 偵測到 pending 狀態，取出圖片 + 文字一起送去分析
2. Quick Reply 實作
使用 LINE SDK 的 PostbackAction ，與現有的 YouTube 摘要、地點搜尋 Quick Reply 保持一致的模式：
quick_reply_buttons = QuickReply(
items=[
QuickReplyButton(
action=PostbackAction(
label="識別圖片",
data=json.dumps({"action": "image_analyze", "mode": "recognize"}),
display_text="識別圖片"
)
),
QuickReplyButton(
action=PostbackAction(
label="Agentic Vision",
data=json.dumps({"action": "image_analyze", "mode": "agentic_vision"}),
display_text="Agentic Vision"
)
),
]
)
3. Agentic Vision 分析核心
# tools/summarizer.py
def analyze_image_agentic(image_data: bytes, prompt: str) -> dict:
client = _get_vertex_client()
contents = [
types.Part.from_text(text=prompt),
types.Part.from_bytes(data=image_data, mime_type="image/png")
]
response = client.models.generate_content(
model="gemini-3-flash-preview",
contents=contents,
config=types.GenerateContentConfig(
temperature=0.5,
max_output_tokens=4096,
tools=[types.Tool(code_execution=types.ToolCodeExecution)],
thinking_config=types.ThinkingConfig(thinkingBudget=2048),
)
)
result_parts = []
generated_images = []
for part in response.candidates[0].content.parts:
if hasattr(part, 'thought') and part.thought:
continue # 跳過 thinking parts
if part.text is not None:
result_parts.append(part.text)
if part.code_execution_result is not None:
result_parts.append(f"[Code Output]: {part.code_execution_result.output}")
# 提取模型生成的標註圖片
img = part.as_image()
if img is not None:
generated_images.append(img.image_bytes)
return {
"status": "success",
"analysis": "\n".join(result_parts),
"images": generated_images # 標註後的圖片 bytes
}
4. 圖片回傳機制
LINE 的 ImageSendMessage 需要公開的 HTTPS URL。因為我們部署在 Cloud Run（本身就是公開 HTTPS），所以直接在 FastAPI 上加一個圖片 serving endpoint：
# 暫存標註圖片（UUID → bytes，5 分鐘 TTL）
annotated_image_store: Dict[str, dict] = {}
@app.get("/images/{image_id}")
def serve_annotated_image(image_id: str):
"""提供暫存的標註圖片給 LINE 下載"""
entry = annotated_image_store.get(image_id)
if not entry:
raise HTTPException(status_code=404)
if time.time() - entry["created_at"] > 300: # 5 分鐘過期
annotated_image_store.pop(image_id, None)
raise HTTPException(status_code=404)
return Response(content=entry["data"], media_type="image/png")
自動偵測 App 的 base URL（從 webhook request 的 headers）：
@app.post("/")
async def handle_webhook_callback(request: Request):
global app_base_url
if not app_base_url:
forwarded_proto = request.headers.get('x-forwarded-proto', 'https')
host = request.headers.get('x-forwarded-host') or request.headers.get('host', '')
if host:
app_base_url = f"{forwarded_proto}://{host}"
最後組合成 ImageSendMessage ：
def _create_image_send_message(image_bytes: bytes):
image_id = store_annotated_image(image_bytes)
image_url = f"{app_base_url}/images/{image_id}"
return ImageSendMessage(
original_content_url=image_url,
preview_image_url=image_url,
)
成果展示
踩到的坑
坑 1: from_image_bytes 不存在
ERROR: Error analyzing image: from_image_bytes
原因： google-genai SDK 中沒有 **types.Part.from_image_bytes() ** 這個方法，正確的是 types.Part.from_bytes() 。
# ❌ 錯誤
types.Part.from_image_bytes(data=image_data, mime_type="image/png")
# ✅ 正確
types.Part.from_bytes(data=image_data, mime_type="image/png")
坑 2: ThinkingLevel enum 不存在
ERROR: module 'google.genai.types' has no attribute 'ThinkingLevel'
原因： google-genai==1.49.0 的 ThinkingConfig 只支援 thinkingBudget （整數），不支援 thinking_level enum。Context7 和官方文件的範例是基於更新版本的 SDK。
# ❌ 在 v1.49.0 不存在
types.ThinkingConfig(thinking_level=types.ThinkingLevel.MEDIUM)
# ✅ v1.49.0 支援的寫法
types.ThinkingConfig(thinkingBudget=2048)
教訓 ：AI 生成的程式碼範例可能基於較新或較舊的 SDK 版本，永遠要用 python -c "help(types.ThinkingConfig)" 確認實際可用的參數。
坑 3: 識別圖片結果不完整
原因： gemini-2.5-flash 預設啟用 thinking，thinking tokens 會消耗 max_output_tokens 的額度。原本設定 max_output_tokens=2048，thinking 用掉一大半後，實際回覆被截斷。
# ❌ 改前：thinking 消耗了大部分 token 額度
config=types.GenerateContentConfig(
max_output_tokens=2048,
)
# ✅ 改後：關閉 thinking + 加大 token 額度
config=types.GenerateContentConfig(
max_output_tokens=8192,
thinking_config=types.ThinkingConfig(thinkingBudget=0), # 關閉 thinking
)
重點： 對於簡單的圖片描述，thinking 是多餘的開銷。thinkingBudget=0 可以關閉 thinking，讓全部 token 用在回覆上。
修改的檔案
原本的 VisionAgent 只有一條路徑，現在變成：
LINE Image Message
│
▼
handle_image_message()
│
├── image_temp_store[user_id] = image_bytes
│
▼
Quick Reply: "識別圖片" / "Agentic Vision"
│ │
▼ ▼
handle_image_analyze_ pending_agentic_vision[user_id] = True
postback() │
│ ▼
│ 使用者輸入文字指令
│ │
│ ▼
│ handle_agentic_vision_with_prompt()
│ │
▼ ▼
orchestrator orchestrator
.process_image() .process_image_agentic(prompt=使用者指令)
│ │
▼ ▼
VisionAgent.analyze() VisionAgent.analyze_agentic()
│ │
▼ ▼
analyze_image() analyze_image_agentic()
gemini-2.5-flash gemini-3-flash-preview
thinkingBudget=0 + code_execution
+ thinkingBudget=2048
│ │
▼ ├── 文字分析 → TextSendMessage
TextSendMessage ├── 標註圖片 → /images/{uuid} → ImageSendMessage
└── push_message([text, image])
開發心得
1. SDK 版本差異是最大的坑
這次開發最花時間的不是功能設計，而是 SDK 版本差異。 google-genai 的 API 變動頻繁：
- from_image_bytes → from_bytes（方法名稱變更）
- ThinkingLevel enum 在 v1.49.0 不存在（需要用 thinkingBudget 整數）
- thinking 對 max_output_tokens 的影響沒有文件說明
建議：開發前先跑 pip show google-genai 確認版本，再用 help() 確認實際可用的 API。
2. LINE Bot 回傳圖片的限制
LINE 的 ImageSendMessage 要求圖片必須是公開的 HTTPS URL，不能直接傳 bytes。解決方案：
| 方案 | 優點 | 缺點 |
|---|---|---|
| GCS 上傳 | 穩定、持久 | 需要設定 bucket 和權限 |
| FastAPI endpoint 自行 serve | 簡單、不需外部服務 | 重啟後消失、記憶體佔用 |
| Base64 嵌入文字 | 最簡單 | LINE 不支援 |
我選擇 FastAPI endpoint 方案，因為：
- Cloud Run 本身就是公開 HTTPS
- 標註圖片只需要短暫存在（5 分鐘 TTL）
- 不需要額外設定 GCS bucket
3. Thinking 是一把雙刃劍
gemini-2.5-flash 預設啟用 thinking，這對複雜推理有幫助，但對簡單的圖片描述反而是負擔：
- 消耗 max_output_tokens 額度
- 增加延遲
- 回覆可能被截斷
原則：簡單任務關閉 thinking（thinkingBudget=0），複雜的 Agentic Vision 才開啟。
4. 狀態管理的取捨
Agentic Vision 需要兩步互動（選模式 → 輸入指令），這引入了狀態管理：
image_temp_store: Dict[str, bytes] = {} # 圖片暫存
pending_agentic_vision: Dict[str, bool] = {} # 等待指令
用 in-memory dict 最簡單，但有個風險：Cloud Run 可能在兩次請求之間重啟。對於個人 Bot 這是可接受的，但如果要做成產品級服務，應該改用 Redis 或 Firestore。
本文授權轉載自Evan部落格，原文標題為：[Gemini 3 Flash] 在 LINE Bot 中實現 Agentic Vision：讓 AI 主動標註圖片甚至做更多 AI 處理
