概览

• 实验是计时的，并且无法暂停。计时器在您点击开始实验后即开始计时。
• 随附的云终端已预先配置了 gcloud SDK。
• 使用终端执行命令，然后点击检查我的进度以验证您的实验成果。

目标

借助 Vertex AI 上的生成式 AI，您可以访问 Google 的大型生成式 AI 模型，对模型进行测试、调整并部署到 AI 赋能的应用中。在本实验中，您将执行以下操作：

• 连接到 Vertex AI（Google Cloud AI 平台）：了解如何使用 Vertex AI SDK 建立与 Google AI 服务的连接。
• 加载预训练的生成式 AI 模型 - Gemini：了解如何使用强大的预训练 AI 模型，而无需从头构建。
• 向 AI 模型发送文本：了解如何为 AI 提供输入。
• 提取 AI 聊天回答：了解如何处理和解读 AI 模型生成的聊天回答。
• 了解构建 AI 应用的基础知识：深入了解将 AI 集成到软件项目中的核心概念。

使用生成式 AI

开始实验后，您将看到一个分屏视图，左侧是代码编辑器，右侧是实验说明。按照说明步骤使用 Vertex AI Python SDK 与生成式 AI API 进行交互。

不使用流式传输的聊天回答：

流式传输是指在提示响应生成时，即时接收这些响应。也就是说，只要模型生成输出 token，就会发送这些输出 token。只有在生成所有输出 token 后，才会发送对提示的非流式回答。

首先，我们来了解不使用流式传输的聊天响应。

创建一个新文件，以获取聊天回答，不使用流式传输：

1. 点击文件 > 新建文件，在代码编辑器中打开一个新文件。
2. 复制提供的代码段并将其粘贴到文件中。

from google import genai from google.genai.types import HttpOptions, ModelContent, Part, UserContent import logging from google.cloud import logging as gcp_logging # ------ Below cloud logging code is for Qwiklab's internal use, do not edit/remove it. -------- # Initialize GCP logging gcp_logging_client = gcp_logging.Client() gcp_logging_client.setup_logging() client = genai.Client( vertexai=True, project='{{{ project_0.project_id | "project-id" }}}', location='{{{ project_0.default_region | "REGION" }}}', http_options=HttpOptions(api_version="v1") ) chat = client.chats.create( model="gemini-2.0-flash-001", history=[ UserContent(parts=[Part(text="Hello")]), ModelContent( parts=[Part(text="Great to meet you. What would you like to know?")], ), ], ) response = chat.send_message("What are all the colors in a rainbow?") print(response.text) response = chat.send_message("Why does it appear when it rains?") print(response.text)

3. 依次点击文件 > 保存，在“名称”字段中输入 SendChatwithoutStream.py，然后点击保存。

4. 在代码编辑器窗格内的终端中运行以下命令，执行 Python 文件并查看输出。

/usr/bin/python3 /SendChatwithoutStream.py

代码说明

• 此代码段会加载一个名为 Gemini (gemini-2.0-flash-001) on Vertex AI 的预训练 AI 模型。
• 该代码调用已加载的 Gemini 模型的 send_message 方法。
• 该代码使用 Gemini 的聊天功能。它使用提示中提供的文本进行聊天。

使用流式传输的聊天回答：

现在，我们将了解使用流式传输的聊天回答。

创建一个新文件，以使用流式传输获取聊天回答：

5. 点击文件 > 新建文件，在代码编辑器中打开一个新文件。
6. 复制提供的代码段并将其粘贴到文件中。

from google import genai from google.genai.types import HttpOptions import logging from google.cloud import logging as gcp_logging # ------ Below cloud logging code is for Qwiklab's internal use, do not edit/remove it. -------- # Initialize GCP logging gcp_logging_client = gcp_logging.Client() gcp_logging_client.setup_logging() client = genai.Client( vertexai=True, project='{{{ project_0.project_id | "project-id" }}}', location='{{{ project_0.default_region | "REGION" }}}', http_options=HttpOptions(api_version="v1") ) chat = client.chats.create(model="gemini-2.0-flash-001") response_text = "" for chunk in chat.send_message_stream("What are all the colors in a rainbow?"): print(chunk.text, end="") response_text += chunk.text

7. 依次点击文件 > 保存，在“名称”字段中输入 SendChatwithStream.py，然后点击保存。

8. 在代码编辑器窗格内的终端中运行以下命令，执行 Python 文件并查看输出。

/usr/bin/python3 /SendChatwithStream.py

代码说明

• 此代码段会加载一个名为 Gemini (gemini-2.0-flash-001) on Vertex AI 的预训练 AI 模型。
• 该代码调用已加载的 Gemini 模型的 send_message_stream 方法。
• 该代码使用 Gemini 理解提示和进行有状态聊天对话的能力。

亲自尝试一下吧！ 尝试使用不同的提示，探索 Gemini 的功能。

点击检查我的进度以验证是否完成了以下目标：

向生成式 AI 发送文本提示请求并接收聊天回答

恭喜！

您已完成本实验！恭喜！

版权所有 2025 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。