跳到正文

Gemini API RESOURCE_EXHAUSTED错误完整解决方案:2025年12月最新指南

深入解析Gemini API 429 RESOURCE_EXHAUSTED错误的根本原因,提供指数退避重试、配额优化、模型切换等7种经过验证的解决方案,包含Python/JavaScript生产级代码示例

AI技术博客

当你满怀期待地调用Gemini API,却突然收到一个冰冷的错误信息:"429 RESOURCE_EXHAUSTED: Resource has been exhausted (e.g. check quota)"——这是许多开发者在使用Google Gemini API时都会遇到的挫折时刻。这个错误不仅中断了你的开发流程,还可能让你的生产应用陷入瘫痪状态。

这个问题在2025年12月变得尤为严重。Google在12月7日对Gemini API的速率限制进行了重大调整,免费版的每分钟请求数从15次直接砍到了5次,降幅高达67%。许多原本运行正常的应用突然开始频繁报错,开发者社区一片哗然。更令人困惑的是,部分用户反馈即使配额显示为0%使用,仍然会收到429错误,这种"幽灵429"现象让问题诊断变得更加复杂。

本文将从根本原因分析出发,带你深入理解Gemini API的四维度速率限制机制,然后提供从5分钟快速修复到生产级架构优化的完整解决方案。无论你是刚接触Gemini API的新手,还是正在为生产环境寻找稳定方案的资深开发者,都能在这里找到适合自己的解决路径。我们还会特别关注中国开发者面临的独特挑战,提供切实可行的本地化方案。

Gemini API RESOURCE_EXHAUSTED错误修复完整指南:从429错误到200成功的解决流程

四维度速率限制机制深度解析

要彻底解决RESOURCE_EXHAUSTED错误,首先需要理解Google为Gemini API设置的四维度速率限制体系。这套机制的设计目的是确保资源在所有用户之间公平分配,防止任何单一用户过度占用服务器资源。每个维度都独立追踪,只要触发其中任何一个限制,你的请求就会被拒绝并返回429错误。

RPM(每分钟请求数) 是最容易触发的限制维度。它统计的是你在一分钟内发送的API请求总数,与每个请求的内容大小无关。对于免费版用户来说,Gemini 2.5 Pro模型的RPM限制仅为5次,这意味着你平均每12秒才能发送一个请求。如果你的应用在短时间内发起了多个并发请求,很容易就会触碰这个天花板。当你观察到错误呈现"突发-恢复-再突发"的模式时,通常意味着RPM是罪魁祸首。

TPM(每分钟Token数) 则关注的是请求和响应的内容规模。这个维度统计输入Token和输出Token的总和。免费版允许每分钟25万个Token,看起来很充裕,但如果你频繁发送长篇文档进行分析,或者使用系统提示词构建复杂的对话上下文,Token消耗速度会超出预期。一个包含完整代码库的请求可能一次就消耗数万Token,几个这样的请求就足以触发TPM限制。

RPD(每日请求数) 设置了24小时内的请求上限。免费版Gemini 2.5 Pro的RPD限制为100次,这是2025年12月调整后的新数值,相比之前的500次下降了80%。如果你在开发过程中频繁测试,或者你的应用有稳定的日常调用量,很容易在一天结束前就耗尽配额。RPD限制在太平洋时间午夜重置,因此你可能会注意到错误在每天的某个固定时间点突然消失。

限制维度含义免费版限制常见触发场景
RPM每分钟请求数5次并发请求、轮询调用
TPM每分钟Token数250,000长文档分析、大上下文
RPD每日请求数100次持续开发测试、日常应用
IPM每分钟图片数0(免费版不支持)图像生成请求

IPM(每分钟图片数) 是专门针对Imagen等图像生成模型的限制。免费版用户无法使用图像生成功能,因此这个维度对他们不适用。对于付费版用户,Tier 1允许每分钟生成10张图片。值得注意的是,使用Gemini 2.5 Flash的原生图像生成功能时,这个限制也会生效。

Google采用了令牌桶(Token Bucket) 算法来执行这些限制。在2025年12月的更新之前,限制的执行相对宽松,偶尔超出阈值的请求可能仍然会被接受。但现在,每个维度都有独立的追踪机制,一旦任何维度达到上限,后续请求会立即被拒绝。这种"硬限制"模式使得应用需要更加精确地管理API调用频率。

诊断是哪个维度触发了错误是解决问题的第一步。最直接的方法是登录Google AI Studio查看配额使用统计。控制台会显示各个维度的实时消耗情况,帮助你快速定位瓶颈。另外,错误响应的详细信息中有时也会包含被触发的具体限制类型,仔细阅读完整的错误消息往往能提供有价值的线索。

Gemini API四维度速率限制机制RPM TPM RPD IPM可视化仪表盘

免费版与付费版速率限制完整对比

理解不同层级之间的限制差异,是做出正确技术决策的基础。Google为Gemini API设置了四个层级:免费版(Free Tier)以及三个付费层级(Tier 1、Tier 2、Tier 3)。层级越高,享受的配额越宽裕,但同时也需要满足相应的资格条件。

免费版的限制在2025年12月7日经历了大幅收紧。以Gemini 2.5 Pro为例,每分钟请求数从原来的10-15次降至5次,每日请求数从500次降至100次。这意味着免费版现在更适合用于学习和原型验证,而非任何有实际用户的应用场景。值得注意的是,免费版仅对符合条件的国家和地区开放,中国大陆不在支持列表中。

模型层级RPMTPMRPD升级条件
Gemini 2.5 ProFree5250K100-
Gemini 2.5 ProTier 11502M10,000完成付费账户设置
Gemini 2.5 ProTier 21,0008M无限制30天+$250消费
Gemini 2.5 ProTier 32,00016M无限制30天+$1,000消费
Gemini 2.5 FlashFree151M500-
Gemini 2.5 FlashTier 11,0004M无限制完成付费账户设置

从表格中可以看出,Gemini 2.5 Flash在各个层级都比Pro版本拥有更宽松的限制。Flash模型的RPM是Pro的数倍,这使得它成为需要频繁调用API场景的理想选择。如果你的应用对响应质量要求不是极致严苛,切换到Flash模型是最简单的扩容方式之一。

升级到Tier 1需要完成Google Cloud的付费账户设置,包括绑定有效的支付方式。一旦升级成功,RPM立即从5提升到150,增幅达30倍。对于大多数中小型应用来说,Tier 1的配额已经足够应对日常需求。升级路径可以在AI Studio的API密钥页面找到,点击"升级"按钮即可开始流程。

Tier 2和Tier 3需要满足时间和消费的双重条件。账户需要存在至少30天,同时在这期间产生一定金额的API调用费用。这些高级层级主要面向企业级用户,提供几乎无限制的调用能力。值得一提的是,即使达到了Tier 3,某些特殊限制仍然存在,比如单个请求的最大Token数和上下文窗口大小仍受模型本身的限制。

2025年12月变化要点:Google于12月7日调整了免费版和Tier 1的配额。免费版降幅显著(Pro模型RPD从500降至100),Tier 1保持相对稳定。这次调整并未大规模预告,导致许多开发者的应用突然出现故障。如果你的应用在12月初开始频繁报错,这很可能是原因。

如果你需要临时提高配额而不想升级层级,可以尝试申请配额增加。Google会根据使用场景和项目规模审核申请,但不保证一定会批准。对于有紧急需求的项目,升级层级通常是更可靠的选择。

快速修复方案:5分钟解决429错误

当你的应用突然开始报告RESOURCE_EXHAUSTED错误时,首要任务是尽快恢复服务。以下三种方案可以在几分钟内实施,帮助你快速脱离困境。这些方案按照实施复杂度从低到高排列,你可以根据具体情况选择最适合的一种,或者组合使用以获得最佳效果。

指数退避重试 被Google官方推荐为处理429错误的"黄金标准"。这种策略的核心思想是:当请求失败时,不要立即重试,而是等待一段时间后再尝试。如果再次失败,等待时间翻倍。通过这种方式,应用可以优雅地处理临时的限流情况,同时避免对API造成更大压力。下面是一个使用Python tenacity库的生产级实现:

python
from tenacity import retry, wait_random_exponential, stop_after_attempt
import google.generativeai as genai

genai.configure(api_key="YOUR_API_KEY")

@retry(
    wait=wait_random_exponential(multiplier=1, max=60),
    stop=stop_after_attempt(5)
)
def call_gemini_with_retry(prompt: str, model_name: str = "gemini-1.5-flash"):
    """
    带自动重试的Gemini API调用
    - 指数退避:等待1秒、2秒、4秒...最长60秒
    - 随机抖动:防止多个客户端同时重试
    - 最多重试5次后放弃
    """
    model = genai.GenerativeModel(model_name)
    response = model.generate_content(prompt)
    return response.text

# 使用示例
try:
    result = call_gemini_with_retry("解释量子计算的基本原理")
    print(result)
except Exception as e:
    print(f"重试耗尽后仍然失败: {e}")

这段代码中的wait_random_exponential函数实现了带随机抖动的指数退避。抖动(Jitter)的作用是在基本等待时间上添加随机变化,防止多个客户端在同一时刻同时重试,从而导致新的限流高峰。根据测试数据,添加重试逻辑后,原本只有20%成功率的请求可以达到接近100%的成功率,代价是响应延迟的增加。

对于JavaScript/Node.js开发者,可以使用p-retry库实现类似的效果:

javascript
import pRetry from 'p-retry';
import { GoogleGenerativeAI } from '@google/generative-ai';

const genAI = new GoogleGenerativeAI('YOUR_API_KEY');

async function callGeminiWithRetry(prompt) {
  return pRetry(async () => {
    const model = genAI.getGenerativeModel({ model: 'gemini-1.5-flash' });
    const result = await model.generateContent(prompt);
    return result.response.text();
  }, {
    retries: 5,
    minTimeout: 1000,
    maxTimeout: 60000,
    factor: 2,
    randomize: true
  });
}

切换到Flash模型 是另一个立竿见影的方案。如前文所述,Gemini 2.5 Flash的速率限制比Pro版本宽松得多。对于免费版用户,Flash的RPM是15而Pro仅有5;对于Tier 1用户,差距更是达到1000对150。如果你的应用场景对响应质量的要求不是极致严苛,将模型参数从gemini-2.5-pro改为gemini-2.5-flash可能就足以解决问题。Flash模型在大多数通用任务上的表现已经相当出色,而且响应速度更快、成本更低。

添加请求间隔 是最简单的修复方式。如果你的应用是批量处理场景,在每个请求之间添加固定的延迟可以有效避免触发RPM限制。对于免费版用户,每12秒发送一个请求可以确保不触发5 RPM的限制。虽然这会显著降低处理速度,但对于非实时场景来说是完全可接受的。

python
import time

def batch_process_with_delay(prompts, delay_seconds=12):
    """批量处理时添加间隔延迟"""
    results = []
    for i, prompt in enumerate(prompts):
        if i > 0:
            time.sleep(delay_seconds)
        result = call_gemini(prompt)
        results.append(result)
    return results

选择哪种方案取决于你的具体需求。如果是生产环境的实时应用,指数退避重试是最推荐的选择,因为它能在保持响应性的同时自动处理临时限流。如果是批处理场景且对速度不敏感,简单的请求间隔就足够了。如果问题持续存在且上述方案效果有限,考虑切换模型或升级层级可能是更根本的解决之道。

生产级优化策略:从根本上减少限流风险

快速修复方案可以帮助你渡过眼前的危机,但要构建一个稳定可靠的生产系统,需要从架构层面进行更深入的优化。以下策略经过实际项目验证,可以将限流风险降低80%以上,同时提升整体系统性能。

请求批处理 是减少RPM消耗的最有效手段。与其发送10个独立请求,不如将它们合并成一个请求让模型一次性处理。Gemini API支持在单个请求中传入多个内容片段,模型可以同时生成多个响应。这种方式在不改变业务逻辑的前提下,可以将RPM消耗降低到原来的十分之一甚至更低。实现批处理时需要注意Token限制,确保合并后的请求不会超过TPM阈值。

python
def batch_prompts(prompts, batch_size=5):
    """将多个提示词合并为批处理请求"""
    combined_prompt = "请依次回答以下问题,用数字标记每个回答:\n\n"
    for i, prompt in enumerate(prompts[:batch_size], 1):
        combined_prompt += f"{i}. {prompt}\n"
    return combined_prompt

# 原本需要5个请求,现在只需要1个
result = call_gemini_with_retry(batch_prompts(user_questions))

智能缓存 可以完全消除重复请求的API调用。如果你的应用中存在相同或相似的查询,将结果缓存起来可以显著降低API使用量。缓存策略可以基于精确匹配(相同提示词返回缓存结果)或语义相似度(相似提示词返回缓存结果)。对于后者,可以使用嵌入向量计算相似度来判断是否命中缓存。

python
import hashlib
from functools import lru_cache

@lru_cache(maxsize=1000)
def cached_gemini_call(prompt_hash):
    """基于提示词哈希的缓存调用"""
    # 实际调用逻辑
    pass

def get_response(prompt):
    prompt_hash = hashlib.md5(prompt.encode()).hexdigest()
    return cached_gemini_call(prompt_hash)

Token优化 直接影响TPM消耗和成本。在不损失信息质量的前提下,精简提示词可以带来显著收益。首先,移除系统提示词中的冗余说明,保留必要的指令即可。其次,对于上下文对话,不必每次都传入完整历史,只保留最近几轮和关键信息。最后,明确指示模型生成简洁回复,避免不必要的废话。经过优化,Token消耗通常可以减少30-50%。

监控告警系统 让你在问题恶化前就能发现异常。建立一套追踪API调用成功率、延迟和配额使用情况的监控体系,当指标接近阈值时发送告警。这样可以提前采取措施,而不是等到服务中断后才匆忙救火。监控数据还能帮助你识别使用模式,找出优化机会。

优化策略RPM节省TPM节省实施复杂度适用场景
请求批处理80-90%0%中批量处理
智能缓存50-90%50-90%中重复查询多
Token优化0%30-50%低通用
模型路由20-30%0%高混合需求

动态模型路由 是一种高级策略,根据请求的复杂度自动选择合适的模型。简单查询使用Flash模型(配额充裕),复杂任务才调用Pro模型。这种方式在保证服务质量的同时,最大化利用各模型的配额。实现时需要一个分类器来判断请求复杂度,可以基于关键词规则,也可以训练一个轻量级模型来做这个判断。

这些策略不是互斥的,而是可以叠加使用。一个成熟的生产系统通常会同时应用缓存、批处理和Token优化,再配合监控告警形成完整的防护体系。遇到API频繁触发限流的情况,如果你需要更稳定的调用能力,可以考虑使用laozhang.ai这样的多节点智能路由服务,通过分布式架构实现99.9%的可用性保障,避免单点故障带来的服务中断。

长期架构方案:构建弹性AI系统

当你的应用规模持续增长,或者业务对可用性有严格要求时,单纯的优化策略可能已经不够。这时需要从架构层面进行设计,构建一个能够自动适应负载变化、优雅处理故障的弹性系统。

多提供商故障转移 是提高可用性的核心策略。不要将所有赌注押在单一API提供商上。当Gemini API触发限流或出现故障时,自动切换到备用提供商可以保证服务不中断。备选提供商可以是OpenAI的GPT系列、Anthropic的Claude,或者是国内的智谱、月之暗面等。实现时需要定义一个统一的接口层,将具体提供商的差异封装起来。

python
class LLMRouter:
    def __init__(self):
        self.providers = [
            ("gemini", GeminiClient()),
            ("openai", OpenAIClient()),
            ("claude", ClaudeClient()),
        ]

    def generate(self, prompt):
        for name, client in self.providers:
            try:
                return client.generate(prompt)
            except RateLimitError:
                print(f"{name} 触发限流,切换下一个提供商")
                continue
        raise Exception("所有提供商均不可用")

熔断器模式(Circuit Breaker) 可以防止连锁故障。当某个API的错误率超过阈值时,熔断器会"跳闸",暂时停止向该API发送请求,转而返回降级响应或使用备用服务。经过一段冷却期后,熔断器会进入"半开"状态,允许少量请求通过来测试API是否恢复。只有测试请求成功后,熔断器才会完全"闭合"恢复正常调用。

熔断器的关键参数包括:错误率阈值(通常设为50%)、熔断持续时间(30秒到几分钟)、半开状态下允许的测试请求数。这些参数需要根据具体业务场景调优。对于对延迟敏感的实时应用,熔断持续时间应该设置得短一些;对于批处理任务,可以设置更长的等待时间。

预留吞吐量(Provisioned Throughput) 是Google为企业级客户提供的高级功能。通过预留固定的计算容量,你可以获得一致的性能保障,不受其他用户流量的影响。这种方式特别适合有可预测高峰负载的应用,比如电商大促期间的客服机器人。预留吞吐量需要通过Vertex AI平台配置,成本相对较高,但能提供其他方案无法比拟的稳定性。

何时考虑升级到付费Tier:如果你发现即使实施了上述所有优化策略,应用仍然频繁触发限流,那么升级层级可能是更经济的选择。Tier 1的配额是免费版的30倍,对于大多数中型应用来说绑绑有余。升级的成本通常远低于持续优化和处理故障的人力成本。

架构设计时还需要考虑优雅降级策略。当所有提供商都不可用时,系统应该能够返回一个可接受的降级响应,而不是直接报错。降级响应可以是预设的模板回复、缓存的历史答案,或者简单地告知用户稍后再试。关键是让用户体验尽可能平滑,即使后台正在经历技术困难。

中国开发者专属解决方案

中国开发者在使用Gemini API时面临着一些独特的挑战,这些挑战往往比单纯的速率限制更加棘手。理解这些挑战并找到对应的解决方案,是国内开发者能够顺利使用Gemini API的关键。

网络访问限制 是最直接的障碍。由于众所周知的原因,直接访问Google服务在中国大陆存在困难。即使你成功创建了API密钥,实际调用时可能会遇到连接超时或DNS解析失败。这种网络层面的问题往往会被误判为429错误,因为超时后的重试可能触发真正的限流,形成恶性循环。使用稳定的网络代理是一种解决方案,但对于生产环境来说,代理的稳定性和延迟往往难以保证。

支付验证困难 是升级到付费层级时的主要障碍。Google Cloud要求绑定国际信用卡(Visa、MasterCard等),但许多中国开发者只有国内银行卡。即使拥有双币信用卡,Google的地区验证机制也可能因为IP地址与卡片发卡地区不匹配而拒绝绑定。这导致很多开发者被困在免费版,无法获得更高的配额。

API中转服务 为这些问题提供了一个整体性的解决方案。中转服务商在海外部署服务器,已经完成了与Google官方API的对接,国内用户只需要调用中转服务商的接口,请求会被转发到Google的服务器,结果再返回给用户。整个过程对用户来说是透明的,不需要处理网络问题,也不需要绑定任何支付方式到Google。

对比维度官方直连API中转服务
网络稳定性需要代理,不稳定直连,延迟低
支付方式仅限国际卡支付宝/微信
配额管理自行管理服务商管理
延迟取决于代理质量通常20-50ms
成本官方价格可能有溢价或优惠

选择API中转服务时,需要关注几个关键指标。首先是稳定性和可用性,查看服务商是否有SLA保障,历史故障记录如何。其次是延迟表现,过高的延迟会影响用户体验,理想情况下延迟应该控制在50ms以内。第三是价格透明度,确认计费方式是按Token还是按请求,有没有隐藏费用。最后是模型覆盖度,确保你需要的模型都在服务范围内。

对于有稳定API调用需求的中国开发者,laozhang.ai提供了一个可靠的选择。该平台支持国内直连,延迟仅20ms左右,同时接受支付宝和微信支付。更重要的是,通过API中转服务,你可以规避免费版的严格限制,获得更高的调用配额,而无需经历绑定国际卡的繁琐流程。

如果你选择继续使用官方API,以下是一些提高成功率的技巧:尽量在流量低谷期(太平洋时间的凌晨,对应北京时间下午到晚上)进行大批量调用;使用多个Google Cloud项目分散请求,因为配额是按项目而非按账户计算的;考虑使用Vertex AI而非Gemini Developer API,前者在某些情况下有更稳定的连接。

基于429错误频率的处理方案决策流程图

决策指南:继续优化还是直接升级

经过前面几个章节的探讨,你现在已经掌握了从快速修复到架构优化的完整工具箱。但面对具体场景时,如何决定应该采取哪种策略呢?以下决策框架可以帮助你快速做出判断。

评估当前痛点的严重程度是第一步。如果429错误只是偶尔出现,且不影响核心业务流程,那么实施指数退避重试通常就足够了。如果错误频繁出现导致用户体验明显下降,或者批处理任务无法按时完成,就需要考虑更进一步的优化措施。如果问题已经严重到影响业务收入或用户留存,直接升级到付费层级可能是最经济的选择。

痛点程度错误频率业务影响推荐方案
轻微每天几次可忽略指数退避重试
中等每小时多次影响体验批处理+缓存+重试
严重持续发生影响收入升级Tier 1
关键业务中断紧急升级+多提供商

计算成本收益比是做出理性决策的基础。假设你的开发时间成本是每小时200元,花费10小时实施和调试各种优化策略的成本是2000元。如果升级到Tier 1每月成本是100美元(约700元),那么3个月内的升级成本与优化成本相当。但升级带来的是立竿见影的效果和持续的稳定性,而优化策略可能需要持续维护。从长期来看,升级往往是更划算的选择。

考虑业务发展轨迹也很重要。如果你的应用用户量正在快速增长,即使现在的优化策略够用,几个月后也很可能不够。提前规划升级路径可以避免在关键时刻手忙脚乱。相反,如果应用处于探索期,用户量不确定,保持在免费版并实施基本优化是合理的策略。

最后,记住速率限制不仅仅是技术问题。它反映的是Google对资源分配的商业决策。理解这一点有助于你以更务实的心态看待问题:Google希望通过免费版吸引开发者入门,但真正的生产级使用是需要付费的。如果你的应用确实在创造价值,为稳定的API服务付费是完全合理的商业决策。

常见问题解答

问:为什么我的配额显示0%使用,却仍然收到429错误?

这种"幽灵429"现象在2025年12月后变得更加常见。可能的原因包括:AI Studio控制台的显示延迟、后端配额同步问题、或者你触发的是RPM限制而不是RPD限制(控制台可能只显示日配额)。建议通过API响应头中的配额信息来获取更准确的数据,或者等待几分钟后重试。

问:创建多个API密钥能否获得更多配额?

不能。配额是按Google Cloud项目计算的,而不是按API密钥计算的。在同一个项目中创建多个密钥,它们共享同一份配额。如果你需要更多配额,可以创建多个独立的Google Cloud项目,每个项目都有自己的免费配额。但请注意,这种做法可能违反Google的使用条款,存在账户被封禁的风险。

问:使用异步调用会触发更多限流吗?

是的。根据Google官方文档,429错误在异步调用中更容易发生,特别是当处理大型多模态内容(如视频)时。这是因为异步调用可能在短时间内发起大量并发请求,迅速触发RPM限制。建议使用请求队列来控制并发数,或者使用同步调用配合指数退避。

问:Gemini CLI频繁报告429错误,怎么办?

Gemini CLI使用的是免费版配额,5 RPM的限制对于交互式使用来说确实捉襟见肘。CLI会尝试自动切换到Flash模型,但这个机制并不总是可靠。你可以通过/auth命令切换到使用付费API密钥,或者减少单次会话中的交互频率。如果问题持续存在,可以在GitHub Issues查看是否有已知问题和解决方案。

问:动态共享配额(Dynamic Shared Quota)是什么?

这是Google为较新的模型版本(如Gemini 1.5 Pro 002)引入的一项功能。与传统的固定配额不同,动态共享配额会根据全局资源可用性自动调整你能获得的配额。在资源充裕时你可以获得更高的限制,在资源紧张时则会相应降低。根据测试数据,使用支持动态共享配额的模型版本,即使不实施重试逻辑,成功率也能达到80%左右,相比旧版模型的40%有显著提升。

总结与下一步建议

Gemini API的RESOURCE_EXHAUSTED错误虽然令人沮丧,但通过系统性的方法是完全可以解决的。本文覆盖了从原理理解到实践操作的完整链路:首先认识四维度速率限制机制的本质;然后掌握指数退避重试、批处理、缓存等多种应对策略;最后学会如何在长期架构中构建弹性和容错能力。

对于刚遇到这个问题的开发者,建议从指数退避重试开始——这是投入产出比最高的方案,几分钟就能实现,立即见效。如果问题持续,再逐步添加缓存、批处理等优化措施。当优化空间耗尽时,果断升级到付费层级是更明智的选择。

对于中国开发者,API中转服务是绕过网络和支付障碍的有效途径。选择一个可靠的服务商,可以让你专注于应用开发本身,而不是与基础设施问题纠缠。更多关于Gemini API速率限制的技术细节,可以参考我们的另一篇文章Gemini 2.5 Pro API速率限制完整指南。

无论你选择哪种方案,记住核心原则:理解限制的本质,选择适合场景的策略,在成本和稳定性之间找到平衡。API限流不是障碍,而是指引你构建更健壮系统的路标。

全部文章
Google Gemini API免费层限制完全指南:2026年最新配额、定价与实战策略
AI工具指南

Google Gemini API免费层限制完全指南:2026年最新配额、定价与实战策略

深度解析2026年Google Gemini API免费层的RPM、TPM、RPD限制,对比免费层与付费层差异,提供国内开发者访问方案和最大化免费额度的实战技巧。

Nano Banana Pro API完全指南:Gemini 3图像生成接入教程与最佳实践【2025】
AI工具指南

Nano Banana Pro API完全指南:Gemini 3图像生成接入教程与最佳实践【2025】

深入解析Google Nano Banana Pro (Gemini 3 Pro Image) API。包含完整接入教程、Python/Node.js代码示例、价格对比、与DALL-E 3/Midjourney对比,以及中国开发者专属解决方案。

Free Gemini 3.0 API完全指南:当前最新版本、免费额度与中国访问方案(2025)
AI工具指南

Free Gemini 3.0 API完全指南:当前最新版本、免费额度与中国访问方案(2025)

详解Gemini API免费获取方法,澄清3.0版本误解,对比GPT-4和Claude免费额度,提供中国用户完整访问方案和真实成本分析。

解决 Gemini API "User location is not supported" (403) 的终极指南(含Antigravity报错)
API开发

解决 Gemini API "User location is not supported" (403) 的终极指南(含Antigravity报错)

解析Gemini API报错"User location is not supported for the API use"(常见为400 FAILED_PRECONDITION,也被归入403类问题)的官方原因和可用地区,覆盖Antigravity里"failed to list models: user location is not supported"的排查,以及Agent Platform、API网关等解决方案,截至2026年11月核实。

2026年解决Gemini不支持所在地区问题的8种方法【实战指南】
技术教程

2026年解决Gemini不支持所在地区问题的8种方法【实战指南】

Gemini提示"目前不支持你所在的地区。敬请期待!"怎么办?先对照Google帮助中心的可用地区和账号要求(年龄、账号类型、账号所属国家),再按网页版、App、API三种场景选择解决方法,截至2026年11月核实。

15 分钟
Gemini API使用教程:从零基础到精通的完整实战指南【2025更新】
API开发

Gemini API使用教程:从零基础到精通的完整实战指南【2025更新】

Gemini API完整使用教程,覆盖Gemini 2.5/3系列模型、API申请、密钥获取、Python/Node.js代码调用等核心主题,附详细代码示例和最新定价,开发者首选指南

20 分钟