在 Google AI Studio 中，我們完成了所有參數測試、System Instructions 人設注入、Few-shot 範例對齊、多模態輸入驗證與安全等級設定。然而，AI Studio 的本質是原型設計與除錯沙盒（Prototyping Sandbox）。
要將這些精心雕琢的提示詞真正落地為產品，我們必須走出網頁介面，完成最後一步工程轉化：獲取 API Key，並將調校成果一鍵導出為標準軟體代碼。
核心步驟一：申請並管理 API Key

1. 進入控制台：在 Google AI Studio 介面左上角或右上角，點擊 ⁠Get API key⁠ 按鈕。

2. 建立專案關聯：
   選擇將 API Key 綁定至現有的 Google Cloud 專案，或直接點選「Create API key in new project」快速生成。

3. 金鑰安全保護原則（Security Best Practices）：
   嚴禁硬編碼（Hardcoding）：絕對不可將 API Key 直接寫入前端程式碼、HTML 或推送到公開的 GitHub 倉庫。
   環境變數隔離：金鑰必須存放在後端伺服器的 ⁠.env⁠ 環境變數中（如 ⁠GEMINI_API_KEY=AIzaSy...⁠）。
   配額與費用監控：定期至 Google Cloud Console 檢視用量配額，避免因代碼無限迴圈調用造成意外超支。
   核心步驟二：運用「Get Code」一鍵匯出原型
   在 AI Studio 中完成任何 Prompt 調校後，點擊右上角的 ⁠Get code⁠ 按鈕，系統會自動將當前畫面的所有配置（模型版本、System Instructions、Temperature、Safety Settings 與對話歷史）打包為多種語言的標準 SDK 呼叫代碼：
   匯出範例：Python（Google GenAI SDK）
   import os
   from google import genai
   from google.genai import types

4. 初始化 Client（自動讀取環境變數 GEMINI_API_KEY）
   client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

5. 定義系統指令與取樣參數（完全繼承 AI Studio 的調校結果）
   config = types.GenerateContentConfig(
   system_instruction="你是一位專業的資料架構師，輸出必須嚴格遵循規範。",
   temperature=0.2,
   top_p=0.95,
   max_output_tokens=2048,
   safety_settings=[
   types.SafetySetting(
   category=types.HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT,
   threshold=types.HarmBlockThreshold.BLOCK_ONLY_HIGH,
   )
   ]
   )

6. 發起推論請求
   response = client.models.generate_content(
   model="gemini-2.5-flash",
   contents="請分析分散式資料庫與傳統關聯式資料庫的核心架構差異。",
   config=config
   )

print(response.text)

原型走向生產（From Prototype to Production）的檢查清單
[ ] 模型代號鎖定：確認代碼中的模型字串（如 ⁠gemini-2.5-flash⁠）採用特定版本，避免動態指向未經回歸測試的最新 Preview 造成輸出漂移。
[ ] 超時與重試機制（Timeout & Retry）：外部 API 呼叫必然存在網路波動，需在後端配置指數退避（Exponential Backoff）重試策略。
[ ] 非同步流式傳輸（Streaming）：針對生成長度較長的任務，改用 ⁠generate_content_stream⁠，以打字機流式效果降低終端使用者的等待焦慮。
從瀏覽器介面到後端微服務，⁠Get code⁠ 功能消除了提示工程師與軟體工程師之間的溝通鴻溝，讓在 AI Studio 驗證通過的原型可以在數分鐘內無縫遷移至生產管線。