Best Practices für die Gemini Live API

Wenn Sie bessere Ergebnisse mit der Gemini Live API erzielen möchten, sollten Sie die folgenden Best Practices beachten:

Klare Systemanweisungen erstellen

Für eine optimale Leistung der Gemini Live API empfehlen wir, einen klar definierten Satz von Systemanweisungen (SIs) zu verwenden, der die Agent-Persona, die Konversationsregeln und die Schutzmaßnahmen in dieser Reihenfolge definiert.

Um optimale Ergebnisse zu erzielen, sollten Sie für jeden Kundenservicemitarbeiter einen separaten SI erstellen.

  1. Persona des Agenten angeben:Geben Sie den Namen, die Rolle und alle bevorzugten Eigenschaften des Agenten an. Wenn Sie den Akzent angeben möchten, müssen Sie auch die bevorzugte Ausgabesprache angeben (z. B. einen britischen Akzent für einen englischsprachigen Sprecher).

  2. Regeln für die Konversation festlegen:Geben Sie die Regeln in der Reihenfolge an, in der das Modell sie befolgen soll. Unterscheiden Sie zwischen einmaligen Elementen der Unterhaltung und Konversationsschleifen. Beispiel:

    • Einmaliges Element:Erfassen Sie die Daten eines Kunden einmalig, z. B. Name, Ort, Kundenkartennummer.
    • Konversationsschleife:Der Nutzer kann Empfehlungen, Preise, Rückgaben und die Lieferung besprechen und möglicherweise von Thema zu Thema wechseln. Teilen Sie dem Modell mit, dass es sich so lange in diesem Konversationszyklus befinden darf, wie der Nutzer es wünscht.

  3. Tool-Aufrufe in einem Ablauf in separaten Sätzen angeben:Wenn beispielsweise für einen einmaligen Schritt zum Erfassen der Kundendetails die Funktion get_user_info aufgerufen werden muss, können Sie Folgendes sagen: Im ersten Schritt müssen Sie Nutzerinformationen erfassen. Bitte den Nutzer zuerst, seinen Namen, seinen Standort und seine Treuepunktkartennummer anzugeben. Rufen Sie dann get_user_info mit diesen Details auf.

  4. Erforderliche Schutzmaßnahmen hinzufügen:Geben Sie alle allgemeinen Schutzmaßnahmen für Unterhaltungen an, die das Modell nicht ausführen soll. Sie können auch spezifische Beispiele angeben, z. B. wenn x passiert, soll das Modell y ausführen. Wenn Sie immer noch nicht die gewünschte Genauigkeit erreichen, verwenden Sie das Wort unmissverständlich, um das Modell zu einer präzisen Antwort zu veranlassen.

Tools präzise definieren

Wenn Sie Tools mit der Gemini Live API verwenden, sollten Sie in Ihren Tool-Definitionen genau sein. Geben Sie unbedingt an, unter welchen Bedingungen ein Tool-Aufruf erfolgen soll. Weitere Informationen finden Sie unter Tool-Definitionen.

Effektive Prompts erstellen

  • Klare Prompts verwenden:Geben Sie in den Prompts Beispiele dafür an, was das Modell tun und was es nicht tun soll. Beschränken Sie die Prompts auf jeweils einen Prompt pro Persona oder Rolle. Anstelle von langen, mehrseitigen Prompts können Sie Prompt-Chaining verwenden. Das Modell schneidet bei Aufgaben mit einzelnen Funktionsaufrufen am besten ab.

    # Prompt chaining example.
chainable_long_prompt = """
You need to perform a sequence of tasks.
First, you should do task1; after that, task2; later, task3; and finally, task4.
"""

# New initial prompt
"""
You need to perform a sequence of tasks. Once you finish the current task, call
the `get_next_prompt` function to get instructions for the next task.
"""

PROMPT_LIST = ["Now, do task1", "Now, do task2", "Now, do task3", "Now, do task 4", "all tasks done"]
def get_next_prompt():
  # Provide this function as a tool to the model.
  for prompt in PROMPT_LIST:
    yield prompt

# Catch and execute tool call `get_next_prompt` and send the new prompt back to the model.

  • Startbefehle und Informationen angeben:Die Gemini Live API erwartet Nutzereingaben, bevor sie antwortet. Damit die Gemini Live API die Unterhaltung startet, müssen Sie einen Prompt einfügen, in dem sie aufgefordert wird, den Nutzer zu begrüßen oder die Unterhaltung zu beginnen. Fügen Sie Informationen zum Nutzer hinzu, damit die Gemini Live API die Begrüßung personalisieren kann.

Wiederaufnahme der Sitzung

  1. Transparente Sitzungswiederaufnahme verwenden: Konfigurieren Sie die Verbindung mit SessionResumptionConfig(transparent=True) in genai.types.LiveConnectConfig. Dies signalisiert, dass der Client die Wiederaufnahme der Sitzung nahtlos verarbeiten möchte, was Funktionen wie das erneute Abspielen nicht verbrauchter Nachrichten nach der Wiederverbindung ermöglicht.
from google.genai import types

session_handle: str | None = None

live_config = types.LiveConnectConfig(
  session_resumption=types.SessionResumptionConfig(
      handle=session_handle,
      transparent=True,
  ),
)

  1. Sitzungshandle verwalten und aktualisieren: Hören Sie auf session_resumption_update-Nachrichten vom Server. Wenn resumable „true“ ist und ein new_handle angegeben wird, speichern Sie diesen Handle. Dieser Handle ist wichtig, um die Verbindung zum selben Sitzungsstatus wiederherzustellen, wenn die Verbindung unterbrochen wird.

  2. Gesendete Nachrichten puffern und bestätigte Nachrichten entfernen: Damit bei einer Trennung keine Clientnachrichten verloren gehen, muss ein Puffer mit Nachrichten verwaltet werden, die an die Gemini Live API gesendet wurden. Die session_resumption_update-Nachricht enthält last_consumed_client_message_index, wenn die transparente Sitzungswiederaufnahme aktiviert ist. Dies gibt die letzte vom Server verarbeitete Nachricht an. Mit diesem Index können Sie bestätigte Nachrichten aus dem Puffer entfernen. Damit Nachrichten richtig erfasst werden, muss der vom Nutzer verwaltete Index mit 1 beginnen, da Index 0 angibt, dass the session is not resumable. Bei jeder nachfolgenden Nachricht, die an das Modell gesendet wird, sollte dieser Index um 1 erhöht werden. Achten Sie bei jeder Wiederaufnahme der Sitzung darauf, dass der Index für die erste Nachricht, die über die neue Verbindung übertragen wird, auf 1 zurückgesetzt wird.

  3. Verbindungsunterbrechungen ordnungsgemäß behandeln:

    • GoAway-Signal: Der Server sendet eine go_away-Nachricht vor einer erwarteten Trennung (z. B. bei einem Zeitlimit). Der Manager sollte darauf achten und dann proaktiv mit dem neuesten Handle eine neue Verbindung herstellen.
    • API-Fehler: Netzwerkprobleme können genai_errors.APIError verursachen (z. B. die Codes 1000 oder 1006 für WebSocket-Fehler). Der Manager sollte diese Fehler sowohl in Sende- als auch in Empfangsschleifen abfangen und den Sitzungsaktualisierungs- oder Wiederverbindungsprozess auslösen.

  4. Wiederverbindung mit Nachrichtenwiederholung implementieren: Wenn die Verbindung getrennt wird, erstellen Sie mit dem aktuellen Sitzungshandle eine neue Sitzung mit client.aio.live.connect. Senden Sie nach dem Herstellen der neuen Verbindung alle Nachrichten im Puffer noch einmal, die vom Server vor der Trennung nicht bestätigt wurden. Die erste Nachricht, die im Puffer gesendet wird, sollte für die neue Verbindung als Index 1 gekennzeichnet werden.

Kontextfensterkomprimierung aktivieren

Verwenden Sie ContextWindowCompressionConfig, um das Kontextfenster der Sitzung zu konfigurieren, da sich bei langen Sitzungen Live-Audio-Tokens schnell ansammeln (ca. 25 Tokens pro Sekunde Audio).

Warnung:Durch die Kontextkomprimierung geht der Unterhaltungsverlauf verloren.

from google.genai import types

live_config = types.LiveConnectConfig(
  context_window_compression=types.ContextWindowCompressionConfig(
    trigger_tokens=100_000, # For better clarity
    sliding_window=types.SlidingWindow(target_tokens=4_000),
  ),
)

Berechnung der Tokennutzung

Die Abrechnungsstruktur der Gemini Live API wird auf der Preisseite beschrieben. Bei jedem Zug werden alle Kontext-Tokens in Rechnung gestellt, einschließlich des Unterhaltungsverlaufs und der vom Nutzer bereitgestellten Systemanweisung. Entwickler können diese Gebühren im Blick behalten und berechnen, indem sie das Feld usage_metadata aus der Antwort des Modells extrahieren.

# Example code to get token usage
from google.genai import live

session: live.AsyncSession
async for response in session.receive():
  if response.usage_metadata is not None:
    print("Token usage:", response.usage_metadata)

Erkennung von Sprachaktivität (Voice Activity Detection, VAD)

Standardmäßig verwendet die Gemini Live API die von Gemini bereitgestellte VAD.

Wenn Sie die VAD-Funktion der Gemini Live API verwenden, können Sie das Modell so konfigurieren, dass es VAD-Ereignisse explizit zurückgibt. Wenn Sie explicit_vad_signal in Ihrer Konfiguration aktivieren, können Sie diese Ereignisse direkt in den Antworten des Modells beobachten und erfassen.

from google.genai import types
from google.genai import live

live_config = types.LiveConnectConfig(
  explicit_vad_signal=True
)

session: live.AsyncSession
# In receive loop
async for response in session.receive():
  if response.voice_activity is not None:
    print("Get VAD event", response.voice_activity)

Wenn Sie lieber ein benutzerdefiniertes System zur Erkennung von Aktivitäten verwenden möchten, müssen Sie die standardmäßige Erkennung von Sprachaktivität (Voice Activity Detection, VAD) deaktivieren und die Nutzerbeiträge manuell an das Gemini-Modell senden. Dazu werden ActivityStart- oder ActivityEnd-Ereignisse übertragen, um die Interaktionsgrenzen zu definieren.

from google.genai import live
from google.genai import types

# Disable VAD in config
live_config = types.LiveConnectConfig(
  realtime_input_config=types.RealtimeInputConfig(
    automatic_activity_detection=types.AutomaticActivityDetection(
        disabled=True
    ),
  ),
)

session: live.AsyncSession
await session.send_realtime_input( # Send activity start
    activity_start=types.ActivityStart()
)
for audio_bytes in bytes_to_send_queue: # Send user data
    await session.send_realtime_input(
        audio=types.Blob(
            data=audio_bytes,
            mime_type=f"audio/pcm;rate=16000",
        )
    )
await session.send_realtime_input(activity_end=types.ActivityEnd()) # Send activity end

Sprachcode für Audio festlegen

Es wird empfohlen, den Sprach- und Sprachcode explizit in Ihrer Konfiguration festzulegen, um die Konsistenz zu wahren. Ohne diese Definition kann Gemini die Sprache der Unterhaltung je nach Kontext ändern.

from google.genai import types

config = types.LiveConnectConfig(
  speech_config=types.SpeechConfig(
    language_code="en-US",
  ),
)

Erwähnen Sie außerdem Folgendes in der Systemanweisung:

RESPOND IN {OUTPUT_LANGUAGE}. YOU MUST RESPOND UNMISTAKABLY IN {OUTPUT_LANGUAGE}.

Bei Live-Audiomodellen wie gemini-3.8-live können Sie die Transkriptionsqualität für die mehrsprachige automatische Spracherkennung (ASR) verbessern, indem Sie in der Sitzungskonfiguration Sprachhinweise angeben. Weitere Informationen finden Sie unter Audiotranskript für die Sitzung aktivieren.

Sprachcode für die Transkription festlegen

Geben Sie die Transkriptionssprachen an, um die Transkriptionsgenauigkeit zu erhöhen. Verwenden Sie dazu das BCP-47-Sprachcodeformat.

Hinweis:Wenn Sie die Transkription aktivieren, werden mehr Tokens verwendet.

from google.genai import types

config = types.LiveConnectConfig(
  input_audio_transcription=types.AudioTranscriptionConfig(
      language_codes=['en-US']  # This supports multiple language codes.
  ),
  output_audio_transcription=types.AudioTranscriptionConfig(
      language_codes=['en-US']
  ),
)

Transkription mit einem benutzerdefinierten Vokabular beeinflussen

Produktnamen, interne Codenamen, Medikamentennamen und stilisierte Kennungen sind oft nicht im Standardvokabular eines Spracherkennungsmodells enthalten. Das Modell transkribiert stattdessen das ähnlichste gängige Wort. Listen Sie diese Begriffe im Feld custom_vocabulary von input_audio_transcription auf, um die Spracherkennung auf die Wörter auszurichten, die Ihre Nutzer tatsächlich sagen.

from google.genai import types

config = types.LiveConnectConfig(
  input_audio_transcription=types.AudioTranscriptionConfig(
      language_codes=['en-US'],
      custom_vocabulary=['QwikPay', 'Xylotek', 'Traefik', 'oatmilk'],
  ),
)

Die vorherige Konfiguration führt zu den folgenden Transkriptionsunterschieden für dasselbe Audio:

Gesprochener Begriff Ohne custom_vocabulary Mit custom_vocabulary
QwikPay QuickPay QwikPay
Xylotek Xilotech Xylotek
Traefik Trafic Traefik
Hafermilch Hafermilch Hafermilch

Die genaue Schreibweise ist wichtig, wenn Sie Transkripte an Tools, Suchanfragen oder Kundendatensätze übergeben, da eine ähnliche Schreibweise wie QuickPay nicht mit einem Eintrag übereinstimmt.

Wenn Sie benutzerdefiniertes Vokabular in der Systemanweisung auflisten, führt das nicht zum gleichen Ergebnis. Bei Verwendung von custom_vocabulary wird die Spracherkennung während der Verarbeitung des Audiosignals beeinflusst, während die Systemanweisung das Modell erst nach der Transkription des Audiosignals erreicht.

Die Liste sollte sich auf eindeutige Domainbegriffe, Markennamen und Eigennamen konzentrieren und keine alltäglichen Wörter enthalten. Sie können bis zu 1.000 Begriffe angeben.

Clientseitiges Puffern

Puffern Sie die Audioeingabe nicht wesentlich (z. B. 1 Sekunde), bevor Sie sie senden. Senden Sie kleine Chunks (zwischen 20 ms und 40 ms), um die Latenz zu minimieren.

Resampling

Ihre Clientanwendung sollte Mikrofoneingaben (häufig 44,1 kHz oder 48 kHz) vor der Übertragung auf 16 kHz resamplen.

Beispiel

In diesem Beispiel werden sowohl die Best Practices als auch die Richtlinien für das Erstellen von Systemanweisungen kombiniert, um die Leistung des Modells als Karrierecoach zu optimieren.

**Persona:**
You are Laura, a career coach from Brooklyn, NY. You specialize in providing
data-driven advice to give your clients a fresh perspective on the career
questions they're navigating. Your special sauce is providing quantitative,
data-driven insights to help clients think about their issues in a different
way. You leverage statistics, research, and psychology as much as possible.
You only speak to your clients in English, no matter what language they speak
to you in.

**Conversational Rules:**

1. **Introduce yourself:** Warmly greet the client.

2. **Intake:** Ask for your client's full name, date of birth, and state they're
calling in from. Call `create_client_profile` to create a new patient profile.

3. **Discuss the client's issue:** Get a sense of what the client wants to
cover in the session. DO NOT repeat what the client is saying back to them in
your response. Don't ask more than a few questions here.

4. **Reframe the client's issue with real data:** NO PLATITUDES. Start providing
data-driven insights for the client, but embed these as general facts within
conversation. This is what they're coming to you for: your unique thinking on
the subjects that are stressing them out. Show them a new way of thinking about
something. Let this step go on for as long as the client wants. As part of this,
if the client mentions wanting to take any actions, update
`add_action_items_to_profile` to remind the client later.

5. **Next appointment:** Call `get_next_appointment` to see if another
appointment has already been scheduled for the client. If so, then share the
date and time with the client and confirm if they'll be able to attend. If
there is no appointment, then call `get_available_appointments` to see openings.
Share the list of openings with the client and ask what they would prefer. Save
their preference with `schedule_appointment`. If the client prefers to schedule
offline, then let them know that's perfectly fine and to use the patient portal.

**General Guidelines:** You're meant to be a witty, snappy conversational
partner. Keep your responses short and progressively disclose more information
if the client requests it. Don't repeat what the client says back to them.
Each of your responses should add to the conversation, not just recap what
the client said. Be relatable by bringing in your own background
growing up professionally in Brooklyn, NY. If a client tries to get you off
track, gently bring them back to the workflow articulated above.

**Guardrails:** If the client is being hard on themselves, never encourage that.
Remember that your ultimate goal is to create a supportive environment for your
clients to thrive.

Tooldefinitionen

In diesem JSON werden die relevanten Funktionen definiert, die im Beispiel für den Karrierecoach aufgerufen werden. Für optimale Ergebnisse sollten Sie beim Definieren von Funktionen deren Namen, Beschreibungen, Parameter und Aufrufbedingungen angeben.

[
 {
   "name": "create_client_profile",
   "description": "Creates a new client profile with their personal details. Returns a unique client ID. \n**Invocation Condition:** Invoke this tool *only after* the client has provided their full name, date of birth, AND state. This should only be called once at the beginning of the 'Intake' step.",
   "parameters": {
     "type": "object",
     "properties": {
       "full_name": {
         "type": "string",
         "description": "The client's full name."
       },
       "date_of_birth": {
         "type": "string",
         "description": "The client's date of birth in YYYY-MM-DD format."
       },
       "state": {
         "type": "string",
         "description": "The 2-letter postal abbreviation for the client's state (e.g., 'NY', 'CA')."
       }
     },
     "required": ["full_name", "date_of_birth", "state"]
   }
 },
 {
   "name": "add_action_items_to_profile",
   "description": "Adds a list of actionable next steps to a client's profile using their client ID. \n**Invocation Condition:** Invoke this tool *only after* a list of actionable next steps has been discussed and agreed upon with the client during the 'Actions' step. Requires the `client_id` obtained from the start of the session.",
   "parameters": {
     "type": "object",
     "properties": {
       "client_id": {
         "type": "string",
         "description": "The unique ID of the client, obtained from create_client_profile."
       },
       "action_items": {
         "type": "array",
         "items": {
           "type": "string"
         },
         "description": "A list of action items for the client (e.g., ['Update resume', 'Research three companies'])."
       }
     },
     "required": ["client_id", "action_items"]
   }
 },
 {
   "name": "get_next_appointment",
   "description": "Checks if a client has a future appointment already scheduled using their client ID. Returns the appointment details or null. \n**Invocation Condition:** Invoke this tool at the *start* of the 'Next Appointment' workflow step, immediately after the 'Actions' step is complete. This is used to check if an appointment *already exists*.",
   "parameters": {
     "type": "object",
     "properties": {
       "client_id": {
         "type": "string",
         "description": "The unique ID of the client."
       }
     },
     "required": ["client_id"]
   }
 },
 {
   "name": "get_available_appointments",
   "description": "Fetches a list of the next available appointment slots. \n**Invocation Condition:** Invoke this tool *only if* the `get_next_appointment` tool was called and it returned `null` (or an empty response), indicating no future appointment is scheduled.",
   "parameters": {
     "type": "object",
     "properties": {}
   }
 },
 {
   "name": "schedule_appointment",
   "description": "Books a new appointment for a client at a specific date and time. \n**Invocation Condition:** Invoke this tool *only after* `get_available_appointments` has been called, a list of openings has been presented to the client, and the client has *explicitly confirmed* which specific date and time they want to book.",
   "parameters": {
     "type": "object",
     "properties": {
       "client_id": {
         "type": "string",
         "description": "The unique ID of the client."
       },
       "appointment_datetime": {
         "type": "string",
         "description": "The chosen appointment slot in ISO 8601 format (e.g., '2025-10-30T14:30:00')."
       }
     },
     "required": ["client_id", "appointment_datetime"]
   }
 }
]

Weitere Informationen

Weitere Informationen zur Verwendung der Gemini Live API finden Sie hier: