Tutorial: Agent Platform API dalam mode ekspres

Gemini Enterprise Agent Platform dalam mode ekspres memungkinkan Anda mencoba fitur AI generatif inti yang tersedia di Agent Platform. Tutorial ini menunjukkan cara menyelesaikan tugas-tugas berikut menggunakan Agent Platform API dalam mode ekspres:

  • Instal dan inisialisasi Google Gen AI SDK untuk mode ekspres.

  • Kirim permintaan ke Gemini for Google Cloud API, termasuk berikut ini:

    • Permintaan streaming
    • Permintaan non-streaming
    • Permintaan pemanggilan fungsi

Sebelum memulai

Sebelum melakukan tugas yang dijelaskan dalam dokumen ini, daftar ke mode ekspres.

Menginstal dan melakukan inisialisasi SDK untuk mode ekspres

Google Gen AI SDK memungkinkan Anda menggunakan model dan fitur AI generatif Google untuk membangun aplikasi yang didukung teknologi AI. Saat menggunakan Agent Platform dalam mode ekspres, instal dan inisialisasi paket google-genai untuk mengautentikasi menggunakan kunci API yang Anda buat.

Instal

Untuk menginstal Google Gen AI SDK untuk mode ekspres, jalankan perintah berikut:

# Developer TODO: If you're using Colab, uncomment the following lines:
# from google.colab import auth
# auth.authenticate_user()

!pip install --upgrade google-genai

Jika Anda menggunakan Colaboratory, mulai ulang runtime setelah penginstalan jika diminta.

Melakukan inisialisasi

Konfigurasi kunci API untuk mode ekspres dan lakukan inisialisasi klien dengan enterprise=True. Untuk mengetahui detail tentang cara mendapatkan kunci API, lihat Ringkasan Agent Platform dalam mode ekspres.

from google import genai
from google.genai import types

# Developer TODO: Replace YOUR_API_KEY with your API key.
API_KEY = "YOUR_API_KEY"

client = genai.Client(
    enterprise=True, api_key=API_KEY
)

Mengirim permintaan ke Gemini for Google Cloud API

Anda dapat mengirim permintaan streaming atau non-streaming ke Gemini for Google Cloud API. Permintaan streaming menampilkan respons dalam potongan saat permintaan diproses. Permintaan non-streaming menampilkan respons lengkap setelah pemrosesan selesai.

Permintaan streaming

Untuk mengirim permintaan streaming, panggil client.models.generate_content_stream() dan cetak setiap potongan saat tiba:

from google import genai
from google.genai import types

def generate():
  client = genai.Client(enterprise=True, api_key="YOUR_API_KEY")

  config = types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(
          thinking_level="MEDIUM",
      ),
      seed=5,
      max_output_tokens=1024,
      stop_sequences=["STOP!"],
      safety_settings=[
          types.SafetySetting(
              category="HARM_CATEGORY_HATE_SPEECH",
              threshold="BLOCK_ONLY_HIGH",
          )
      ],
  )
  for chunk in client.models.generate_content_stream(
      model="gemini-3.8-flash",
      contents="Explain bubble sort to me",
      config=config,
  ):
    print(chunk.text, end="")

generate()

Permintaan non-streaming

Contoh kode berikut menentukan fungsi yang mengirim permintaan non-streaming ke Gemini 3.8 Flash (gemini-3.8-flash). Contoh ini menunjukkan cara mengonfigurasi tingkat pemikiran, parameter output, dan setelan keamanan:

from google import genai
from google.genai import types

def generate():
  client = genai.Client(enterprise=True, api_key="YOUR_API_KEY")

  config = types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(
          thinking_level="MEDIUM",
      ),
      seed=5,
      max_output_tokens=1024,
      stop_sequences=["STOP!"],
      safety_settings=[
          types.SafetySetting(
              category="HARM_CATEGORY_HATE_SPEECH",
              threshold="BLOCK_ONLY_HIGH",
          )
      ],
  )
  response = client.models.generate_content(
      model="gemini-3.8-flash",
      contents="Explain bubble sort to me",
      config=config,
  )
  print(response.text)

generate()

Permintaan pemanggilan fungsi

Contoh kode berikut mendeklarasikan alat fungsi, mengirimkan perintah awal ke 3.8 Flash, menerima bagian panggilan fungsi dalam respons, lalu mengirimkan FunctionResponse yang cocok kembali ke model untuk membuat respons akhir:

from google import genai
from google.genai import types

client = genai.Client(enterprise=True, api_key="YOUR_API_KEY")

get_weather_declaration = types.FunctionDeclaration(
    name="get_current_weather",
    description="Gets the current weather in a given city.",
    parameters={
        "type": "OBJECT",
        "properties": {
            "location": {
                "type": "STRING",
                "description": "The city and state, such as Boston, MA.",
            },
            "unit": {
                "type": "STRING",
                "enum": ["C", "F"],
            },
        },
        "required": ["location"],
    },
)
tools = [types.Tool(function_declarations=[get_weather_declaration])]

prompt = "What is the weather in Boston?"
first_response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=prompt,
    config=types.GenerateContentConfig(tools=tools),
)

function_call = first_response.function_calls[0]
contents = [
    types.Content(role="user", parts=[types.Part(text=prompt)]),
    first_response.candidates[0].content,
    types.Content(
        role="user",
        parts=[
            types.Part(
                function_response=types.FunctionResponse(
                    id=function_call.id,
                    name=function_call.name,
                    response={"weather": "sunny", "temperature": "72F"},
                )
            )
        ],
    ),
]

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=contents,
    config=types.GenerateContentConfig(tools=tools),
)
print(response.text)

Pembersihan

Tutorial ini tidak membuat resource Google Cloud apa pun, jadi tidak ada pembersihan yang diperlukan untuk menghindari biaya.

Langkah berikutnya