Google Gemini

Zainstaluj Gemini IChatClient

Przykład .NET demonstruje oficjalnego klienta Google GenAI oraz implementację stworzoną przez społeczność Mscc.GenerativeAI.Microsoft.

dotnet add package Google.GenAI
dotnet add package Mscc.GenerativeAI.Microsoft
dotnet add package Microsoft.Agents.AI --prerelease

Configuration

GOOGLE_GENAI_API_KEY="<google-ai-studio-api-key>"
GOOGLE_GENAI_MODEL="gemini-2.5-flash"

const string JokerInstructions = "You are good at telling jokes.";
const string JokerName = "JokerAgent";

string apiKey = Environment.GetEnvironmentVariable("GOOGLE_GENAI_API_KEY") ?? throw new InvalidOperationException("Please set the GOOGLE_GENAI_API_KEY environment variable.");
string model = Environment.GetEnvironmentVariable("GOOGLE_GENAI_MODEL") ?? "gemini-2.5-flash";

// Using a Google GenAI IChatClient implementation

ChatClientAgent agentGenAI = new(
    new Client(vertexAI: false, apiKey: apiKey).AsIChatClient(model),
    name: JokerName,
    instructions: JokerInstructions);

AgentResponse response = await agentGenAI.RunAsync("Tell me a joke about a pirate.");
Console.WriteLine($"Google GenAI client based agent response:\n{response}");

// Using a community driven Mscc.GenerativeAI.Microsoft package

ChatClientAgent agentCommunity = new(
    new GeminiChatClient(apiKey: apiKey, model: model),
    name: JokerName,
    instructions: JokerInstructions);

response = await agentCommunity.RunAsync("Tell me a joke about a pirate.");
Console.WriteLine($"Community client based agent response:\n{response}");

Wybierz jedną z implementacji IChatClient i skonfiguruj uwierzytelnianie Gemini Developer API lub Vertex AI.

Instalowanie pakietu

pip install agent-framework-gemini --pre

Configuration

Użyj jednego z interfejsów API Gemini dla deweloperów:

GOOGLE_API_KEY="<api-key>"
GOOGLE_MODEL="gemini-2.5-flash"

Możesz też skonfigurować platformę Gemini Enterprise Agent Platform:

GOOGLE_GENAI_USE_ENTERPRISE="true"
GOOGLE_CLOUD_PROJECT="<project-id>"
GOOGLE_CLOUD_LOCATION="global"
GOOGLE_MODEL="gemini-2.5-flash"

Starsze GOOGLE_GENAI_USE_VERTEXAI=true ustawienie pozostaje obsługiwane. Łącznik już nie odczytuje GEMINI_API_KEY, GEMINI_MODEL ani GEMINI_EMBEDDING_MODEL; użyj odpowiednich zmiennych GOOGLE_* lub przekaż wartości jawnie.

GeminiChatClient obsługuje strumieniowanie, narzędzia funkcyjne, ustrukturyzowane dane wyjściowe, rozszerzone rozumowanie i narzędzia hostowane przez dostawcę.

    """Runs the agent and waits for the complete response before printing it."""
    print("=== Non-streaming ===")

    # 1. Create the agent with the Gemini chat client and local weather tool.
    agent = Agent(
        client=GeminiChatClient(),
        name="WeatherAgent",
        instructions="You are a helpful weather agent.",
        tools=[get_weather],
    )

    # 2. Ask the agent for a single weather lookup and print the final response.
    query = "What's the weather like in Karlsruhe, Germany?"
    print(f"User: {query}")
    result = await agent.run(query)
    print(f"Result: {result}\n")


async def streaming_example() -> None:
    """Runs the agent and prints each chunk as it is received."""
    print("=== Streaming ===")

    # 1. Create the same agent configuration for a streaming tool-call example.
    agent = Agent(
        client=GeminiChatClient(),
        name="WeatherAgent",
        instructions="You are a helpful weather agent.",
        tools=[get_weather],
    )

    # 2. Ask a multi-location question and stream the model output as it arrives.
    query = "What's the weather like in Portland and in Paris?"
    print(f"User: {query}")
    print("Agent: ", end="", flush=True)
    async for chunk in agent.run(query, stream=True):
        if chunk.text:
            print(chunk.text, end="", flush=True)
    print("\n")

Obsługa błędów żądań

W przypadku uruchomień strumieniowych i niestrumieniowych błędy żądań SDK Gemini są zgłaszane poprzez wyjątki platformy Agent Framework. Błędy HTTP 401 i 403 powodują zgłoszenie ChatClientInvalidAuthException, inne błędy HTTP 4xx powodują zgłoszenie ChatClientInvalidRequestException, a wszystkie pozostałe błędy dostawcy powodują zgłoszenie ChatClientException.

Użyj ChatClientException, gdy ta sama obsługa błędów powinna być stosowana u różnych dostawców czatu.

Uwzględnij podsumowania myśli

Przykład z rozszerzonym rozumowaniem pokazuje, jak skonfigurować ThinkingConfig. Aby otrzymywać podsumowania myśli Gemini, ustaw include_thoughts=True w konfiguracji myślenia:

options: GeminiChatOptions = {
    "thinking_config": ThinkingConfig(include_thoughts=True, thinking_budget=2048),
}

Gdy Gemini zwraca podsumowanie myśli, GeminiChatClient dodaje je do odpowiedzi tak jak Content w przypadku type == "text_reasoning". Przeczytaj podsumowanie z witryny content.text.

W przypadku uruchomienia bez strumieniowania przefiltruj contents każdego elementu w result.messages. W przypadku przebiegu przesyłania strumieniowego przefiltruj każdy chunk.contentselement . Akcesory tekstowe, takie jak result.text i chunk.text, zawierają wyłącznie treść text, więc sprawdź kolekcje treści, gdy aplikacja potrzebuje podsumowań rozumowania.

Generowanie embedów

GeminiEmbeddingClient używa gemini-embedding-2 domyślnie. Zastąpij go parametrem GOOGLE_EMBEDDING_MODEL lub konstruktorem model . Dane wejściowe tekstowe wymagają określenia typu zadania przy każdym wywołaniu; użyj RETRIEVAL_DOCUMENT podczas indeksowania i RETRIEVAL_QUERY podczas przeszukiwania tej samej przestrzeni wektorowej.

import asyncio

from agent_framework.gemini import GeminiEmbeddingClient
from dotenv import load_dotenv

load_dotenv()


async def main() -> None:
    """Embed a document and a search query for the same vector index."""
    # 1. Choose task instructions for each call, not for the client.
    client = GeminiEmbeddingClient()
    try:
        # 2. Use matching dimensions for stored documents and search queries.
        document = await client.get_embeddings(
            ["Agent Framework helps build and orchestrate AI agents."],
            options={"task_type": "RETRIEVAL_DOCUMENT", "title": "Agent Framework", "dimensions": 768},
        )
        query = await client.get_embeddings(
            ["How can I orchestrate AI agents?"],
            options={"task_type": "RETRIEVAL_QUERY", "dimensions": 768},
        )
        print(f"Document embedding: {document[0].dimensions} dimensions")
        print(f"Query embedding: {query[0].dimensions} dimensions")

Użyj tego samego modelu i wymiarów dla osadzania dokumentów i zapytań. Klient akceptuje również wartości multimedialne Google SDK Content i Part dla osadzeń obrazów, audio, wideo, PDF lub łączonych osadzeń tekstu i multimediów. Wejścia multimedialne nie używają prefiksu zadania tekstowego.

Gdy kolekcja wektorów generuje embeddingi, przekaż zadanie dla dokumentu przez upsert(..., embeddings_options=...), a zadanie dla zapytania przez search(..., embeddings_options=...) lub create_vector_search_tool(..., embeddings_options=...). W przypadku wielu pól wektorowych użyj polecenia embeddings_options_by_field. Framework agenta udostępnia wymiary wybranego pola i odrzuca sprzeczne wartości.

Pakiet zawiera fabryki dla groundingu Google Search, groundingu Google Maps, wykonywania kodu, wyszukiwania plików i MCP.

Ugruntowanie w wyszukiwarce Google

from agent_framework import Agent
from agent_framework.gemini import GeminiChatClient
from dotenv import load_dotenv

load_dotenv()


async def main() -> None:
    """Run the Google Search grounding example."""
    print("=== Google Search grounding ===")

    # 1. Create the agent with Gemini and the built-in Google Search grounding tool.
    agent = Agent(
        client=GeminiChatClient(),
        name="SearchAgent",
        instructions="You are a helpful assistant. Use Google Search to provide accurate, up-to-date answers.",
        tools=[GeminiChatClient.get_web_search_tool()],
    )

    # 2. Ask a current-events style question and stream the grounded answer.
    query = "What is the latest stable release of the .NET SDK?"
    print(f"User: {query}")
    print("Agent: ", end="", flush=True)
    async for chunk in agent.run(query, stream=True):
        if chunk.text:
            print(chunk.text, end="", flush=True)
    print("\n")


if __name__ == "__main__":
    asyncio.run(main())

Pakiet SDK Go zapewnia geminiprovider do wnioskowania Gemini. Utwórz standard *agent.Agent za pomocą konstruktora specyficznego dla dostawcy.

Zobacz pakiet dostawcy Gemini i przykłady.