【アップデート】Gemini 3.7 Flashがリリースされました

# Google Gen AI SDK のインストール
pip install --upgrade google-genai

# 環境変数の設定
export GOOGLE_CLOUD_PROJECT=YOUR_PROJECT
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_ENTERPRISE=True

# ADC の設定（未設定の場合）
gcloud auth application-default login

from google import genai
from google.genai.types import HttpOptions

client = genai.Client(http_options=HttpOptions(api_version="v1"))

response = client.models.generate_content(
    model="gemini-3.7-flash",
    contents="Google Cloud のマネージドサービスの利点を3つ挙げてください。",
)

print(response.text)
print(response.model_version)

Google Cloud のマネージドサービス（Cloud Run、BigQuery、Cloud SQL など）を利用する主な利点を3つ挙げます。

### 1. 運用保守コスト・負荷の大幅な削減
サーバーのプロビジョニング、OSのアップデート、セキュリティパッチの適用、ハードウェアの保守などを Google が代行します。これにより、インフラ運用の専門知識がなくても安全にシステムを維持でき、運 用にかかる人件費や管理工数を大幅に削減できます。

### 2. 高度な自動スケーリングと高い可用性
アクセス数やデータ処理量の急激な変動に対して、自動的にリソースを拡大・縮小（オートスケーリング）します。サービスによってはアクセスがない時に「ゼロ」まで縮小してコストを抑えることも可能です。 また、Google の堅牢なグローバルインフラと冗長化の仕組みにより、障害時にも自動復旧するなど高い可用性が担保されています。

### 3. 開発スピードの向上（コア業務への集中）
インフラ構築や運用の手間がなくなるため、エンジニアはアプリケーションコードの開発やデータ分析といった「ビジネス価値に直結するコア業務」に集中できます。環境構築が数クリックや数行のコマンドで完 了するため、新しいサービスの市場投入（Time to Market）を劇的に早めることができます。

gemini-3.7-flash

from google import genai
from google.genai.types import (
    GenerateContentConfig,
    HttpOptions,
    ThinkingConfig,
    ThinkingLevel,
)

client = genai.Client(http_options=HttpOptions(api_version="v1"))

response = client.models.generate_content(
    model="gemini-3.7-flash",
    contents="以下の Python コードのバグを見つけて修正してください:\ndef fibonacci(n):\n    if n <= 1:\n        return n\n    return fibonacci(n-1) + fibonacci(n-2)",
    config=GenerateContentConfig(
        thinking_config=ThinkingConfig(
            thinking_level=ThinkingLevel.HIGH
        )
    ),
)

print(response.text)

# Thinking に使用されたトークン数
print(f"Thinking tokens: {response.usage_metadata.thoughts_token_count}")
print(f"Total tokens: {response.usage_metadata.total_token_count}")

提示されたコードには、**「負の数の扱い（仕様・ロジックのバグ）」** と **「計算量の爆発（実用上の重大な問題）」** という2つの問題点があります。

### 問題点

1. **負の数の入力に対する挙動（バグ）**
   `if n <= 1:` となっているため、例えば `fibonacci(-5)` を実行すると `-5` がそのまま返されてしまいます。一般的にフィボナッチ数列は $0$ 以上の整数で定義されるため、負の数が渡された場合はエラ ー（例外）を発生させるのが適切です。

2. **計算量が膨大（実用上の問題）**
   単純な再帰呼び出しを行っているため、計算量が **$O(2^n)$** となり指数関数的に増大します。
   `n = 35` や `40` を超えると計算が終わらなくなります（同じ計算を何度も重複して行っているため）。

### 修正案 1: 再帰 + メモ化（最も元のコードに近い修正）

標準ライブラリの `@lru_cache` を使って計算結果をキャッシュ（メモ化）し、負の数のチェックを追加します。
計算量は **$O(n)$** に劇的に改善されます。

from functools import lru_cache

@lru_cache(maxsize=None)
def fibonacci(n):
    if not isinstance(n, int) or n < 0:
        raise ValueError("n は0以上の整数である必要があります。")

    if n <= 1:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

### 修正案 2: ループ（反復法）による実装（推奨）

Pythonでは再帰深度の上限（デフォルトで1000回程度）があるため、大きな $n$ を扱う場合はループ処理で書くのが最も安全で効率的です。
（時間計算量: **$O(n)$** / 空間計算量: **$O(1)$**）

def fibonacci(n):
    if not isinstance(n, int) or n < 0:
        raise ValueError("n は0以上の整数である必要があります。")

    if n <= 1:
        return n

    a, b = 0, 1
    for _ in range(2, n + 1):
        a, b = b, a + b
    return b

### 動作確認

print(fibonacci(0))  # 0
print(fibonacci(1))  # 1
print(fibonacci(10))  # 55
print(fibonacci(100))  # 354224848179261915075 (一瞬で計算可能)
# fibonacci(-1)         # ValueError が発生

Thinking tokens: 1324
Total tokens: 2038