如何使用 Google Gemini API 和 Python 从航行情报通告 (NOTAM) 中提取结构化空域信息

最新推荐文章于 2025-06-06 15:06:50 发布
最新推荐文章于 2025-06-06 15:06:50 发布
阅读量518 收藏 18
点赞数 19
文章标签： python windows 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40941102/article/details/147979544
版权

首先给大家准备一些gemini的api-key 方便大家实战gemini。
AIzaSyDFKzqbwbM78iflpIlgj81cSAaEOWjbzJs
AIzaSyBq_qvVZqp8InnNrkuAPCpJBC7EWiAnAVc
AIzaSyAxc7owaBrs9QbK9fzGplV6enyUt6T2aOg
AIzaSyCy4kznxmWi1OkLkaffZ6mL-RpVaUoeXEs
AIzaSyCj_dvlvKdf87b2zdyycFhcdHRuOigzSZQ
AIzaSyDhguhSVoZ_5EIbN2p63hDWKxNFFZBL_2s
AIzaSyBPHGM30gG4YHrTYI4yUEXYCJkTRjgYT80
AIzaSyDAJ8zQAl8nwA_JjDEf7WmAkqP8k9f5r-c

接下来，这是一个关于如何使用 Google Gemini API 和 Python 从航行情报通告 (NOTAM) 中提取结构化空域信息的教程。本教程将基于我们之前的讨论，包括定义数据结构、构建提示、进行 API 调用以及处理可能出现的 schema 问题。

教程：使用 Gemini API 和 Python 从 NOTAM 提取结构化空域信息

目标：

  • 学习如何设置和使用 Google Generative AI Python SDK。
  • 使用 Pydantic 定义期望的输出数据结构。
  • 构建有效的提示 (prompt) 以指导 Gemini API 进行信息提取。
  • 调用 Gemini API 并获取结构化的 JSON 响应。
  • 处理 API 响应，包括使用 response_schema (如果支持复杂类型) 和手动 JSON 解析作为备选方案。

前提条件：

  1. Python 环境: 确保您已安装 Python (建议 3.9 或更高版本)。
  2. Google AI API 密钥:
    • 您需要一个 Google Cloud 项目并启用 Vertex AI API，或者通过 Google AI Studio 获取 API 密钥。
    • 获取 API 密钥后，请妥善保管。
  3. 安装必要的库:
    pip install google-generativeai pydantic

步骤 1：设置项目和导入库

首先，创建一个 Python 文件 (例如 notam_parser.py) 并导入所需的库。

import google.generativeai as genai
from pydantic import BaseModel, TypeAdapter
import json
import os # 用于安全处理 API 密钥 (推荐)

# 用于清晰的类型提示 (Python 3.9+ 可以直接使用 list, dict)
# from typing import List, Dict

步骤 2：配置 API 密钥

安全地配置您的 API 密钥。建议使用环境变量。

# 推荐方式：从环境变量读取 API 密钥
# 在您的终端设置：export GOOGLE_API_KEY="YOUR_API_KEY"
# 或者，如果您在类似 Jupyter Notebook 的环境中，可以直接设置，但不推荐用于生产代码
# API_KEY = "YOUR_API_KEY" # 直接替换 YOUR_API_KEY，注意安全风险

try:
    # 尝试从环境变量获取 API 密钥
    API_KEY = os.environ["GOOGLE_API_KEY"]
except KeyError:
    print("错误：GOOGLE_API_KEY 环境变量未设置。")
    print("请设置该变量或在代码中直接提供 API_KEY (注意安全)。")
    # 为防止代码完全中断，您可以临时在这里设置，但强烈建议使用环境变量
    API_KEY = "YOUR_API_KEY_PLACEHOLDER" # <--- 临时的，请务必替换或通过环境变量设置
    if API_KEY == "YOUR_API_KEY_PLACEHOLDER":
        raise ValueError("请将 YOUR_API_KEY_PLACEHOLDER 替换为您的有效 API 密钥或设置 GOOGLE_API_KEY 环境变量。")


genai.configure(api_key=API_KEY)

请务必将 "YOUR_API_KEY_PLACEHOLDER" 替换为您的真实 API 密钥，或通过设置 GOOGLE_API_KEY 环境变量来提供。

步骤 3：定义输出数据结构 (Pydantic 模型)

我们将定义一个 Pydantic 模型来描述从 NOTAM 中提取的每个字段的结构。我们期望的最终输出是一个包含多个“区域”信息的列表，每个“区域”信息又包含多个提取字段。

class ExtractedField(BaseModel):
    start: int
    end: int
    label: str  # 例如: "通告号", "机场名称" 等中文标签
    text: str

# 期望的整体输出结构是: list[list[ExtractedField]]
# 即一个列表，其中每个元素是代表一个空域区域信息的字段列表

步骤 4：准备输入数据 (NOTAM 文本和指令)

这是我们要处理的 NOTAM 文本和给模型的指令。

instruction_text = "检测到空域相关关键词。请参照参考案例的结构和字段标签，从航行情报通告中提取所有相关的空域信息。"
notam_to_process = """ZCZC BUI2865 251937 

GG ZBAAUIXX

251937 ZBAAOIXX

UUUU

(K1372/25 NOTAMN

Q)UUWV/QRTCA/IV/BO/W/000/030/5549N03844E003

A)UUWV B)2501290900 C)2502031600 

D)JAN 29-31 FEB 01 03 0900-1600

E) AIRSPACE CLSD WI AREA:

554930N0384015E-554916N0383931E-

554903N0384027E-554902N0384104E-

554905N0384411E-554909N0384845E-

554940N0384840E-554930N0384512E-

554925N0384106E-554930N0384015E

F)SFC G)640M AMSL)


NNNN"""

步骤 5：构建提示 (Prompt)

一个好的提示对于引导模型输出正确的结构化数据至关重要。

# 详细的提示，指导模型进行提取并遵循特定的JSON结构
# 注意：这里的 {notam_to_process} 将会被实际的NOTAM文本替换
prompt_template = f"""指令: {instruction_text}

待处理的航行情报通告 (NOTAM) 文本:
---
{notam_to_process}
---

请从上述 NOTAM 文本中提取所有相关的空域信息。
您的输出必须是一个严格的 JSON 格式字符串。
此 JSON 字符串应代表一个JSON数组，该数组的每个元素本身也是一个JSON对象列表 (即 `list[list[object]]` 结构)。
每个JSON对象代表一个提取出的字段，并且必须包含以下键值对:
- "start": (整数) 提取文本在原始 NOTAM 字符串中的起始字符索引 (0-based)。
- "end": (整数) 提取文本在原始 NOTAM 字符串中的结束字符索引 (不包含结束字符本身)。
- "label": (字符串) 字段的中文标签 (例如："通告号", "机场名称", "多边形坐标序列" 等，请参考通用NOTAM字段定义和标签)。
- "text": (字符串) 为该字段提取的实际文本。

例如，期望的 JSON 结构是：`[[{{"start": 0, "end": 5, "label": "示例标签", "text": "示例文本"}}]]`
如果NOTAM中包含多个空域区域的描述，请为每个区域生成一个内部列表。对于给定的NOTAM，它描述了一个主要区域。
"""

步骤 6：进行 API 调用和处理响应

我们将尝试两种方法：

  • 方法 A (推荐，如果SDK支持您的schema): 使用 response_schema 来让 SDK 自动解析和验证。
  • 方法 B (备选方案): 如果方法 A 对于 list[list[ExtractedField]] 这样的复杂嵌套 schema 失败 (出现 Unsupported schema type 错误)，我们将移除 response_schema 并手动解析 JSON。
# 初始化 Gemini 模型客户端
# 您最初使用的是 client.models.generate_content，这里我们使用更通用的方式获取模型实例
# 但会保持与您原始代码相似的参数传递方式 (使用 'config' 而非 'generation_config')

# 使用您在原始代码中指定的模型
model_name = "models/gemini-2.5-flash-preview-04-17"
# 您也可以尝试其他模型，例如 "gemini-1.5-flash-latest"
# model_name = "gemini-1.5-flash-latest"

model = genai.GenerativeModel(model_name)


print(f"--- 方法 A: 尝试使用 response_schema ---")
try:
    # 注意：client.models.generate_content() 是您之前用的方式。
    # 如果直接使用 model.generate_content()，参数名可能是 generation_config。
    # 为了与您之前的代码和错误保持一致，我们先模拟 client.models.generate_content() 的参数风格
    # 但实际上 genai.GenerativeModel(model_name).generate_content() 是更推荐的用法。
    # 为简单起见，这里直接用 model.generate_content 并使用正确的 generation_config。
    # 如果您坚持使用 client.models.generate_content 且它存在并使用 'config'，请相应调整。

    # 经过之前的讨论，我们知道 client.models.generate_content(config=...) 这种方式
    # 对于 list[list[ExtractedField]] 可能会报 "Unsupported schema type"
    # 因此，方法A的演示将直接跳到结论，并引导至方法B。
    # 或者，我们可以先尝试，如果您的SDK版本支持，它就能工作。

    print("尝试使用 config 和 response_schema...")
    # 这里我们用 model.generate_content，它使用 generation_config
    # 如果您想严格模拟 client.models.generate_content，您需要确保该方法存在且可用。
    # genai.Client 本身没有 .models.generate_content()。
    # 正确的方式是 client.get_generative_model(model_name).generate_content()
    # 或者 genai.GenerativeModel(model_name).generate_content()

    # 我们将使用 genai.GenerativeModel().generate_content()，它使用 'generation_config'
    # 并且，如果 'response_schema': list[list[ExtractedField]] 仍然不受支持，
    # 我们将看到同样的错误，然后转到方法B。

    response_attempt_A = model.generate_content(
        prompt_template, # 使用上面定义的完整 prompt
        generation_config=genai.types.GenerationConfig( # 显式使用 GenerationConfig 对象
            response_mime_type="application/json",
            # response_schema=list[list[ExtractedField]] # 这个是导致 "Unsupported schema type" 的原因
            # 我们知道这个可能会失败，所以会注释掉并演示手动解析
        )
    )
    print("\n原始JSON响应 (方法 A - 无 schema 强制，因已知问题):")
    print(response_attempt_A.text)
    print("\n方法 A 结论：对于 list[list[PydanticModel]] 这样的复杂嵌套 schema，")
    print("response_schema 可能不被直接支持，导致 'Unsupported schema type' 错误。")
    print("我们将主要依赖方法 B (手动解析)。")


except Exception as e:
    print(f"\n方法 A 执行时发生错误: {e}")
    print("这可能是因为 response_schema 不支持 list[list[ExtractedField]] 结构。")
    print("将继续使用方法 B。")

print(f"\n\n--- 方法 B: 手动解析 JSON (更可靠的方案) ---")
try:
    # 对于手动解析，我们不设置 response_schema 或 response_mime_type，
    # 而是依赖提示清晰地要求JSON输出。
    response_attempt_B = model.generate_content(prompt_template) # 无 generation_config 中的 schema

    print("\n原始响应文本 (方法 B):")
    if response_attempt_B.text:
        print(response_attempt_B.text)
        
        # 手动解析 JSON
        raw_data = json.loads(response_attempt_B.text)
        
        # 使用 Pydantic TypeAdapter 验证和转换数据
        # 这是我们期望的最终数据结构
        expected_schema_adapter = TypeAdapter(list[list[ExtractedField]])
        extracted_data = expected_schema_adapter.validate_python(raw_data)
        
        print("\n已解析和验证的 Pydantic 对象 (方法 B):")
        if not extracted_data:
            print("解析后的数据为空列表。")
        for i, area_fields_list in enumerate(extracted_data):
            print(f"区域 {i+1}:")
            if not area_fields_list:
                print(f"  区域 {i+1} 的字段列表为空。")
            for field_obj in area_fields_list:
                print(f"  标签: {field_obj.label}, 文本: '{field_obj.text}', 起始: {field_obj.start}, 结束: {field_obj.end}")

    else:
        print("\n模型返回的响应文本为空 (方法 B)。")

    # 打印其他响应信息以供调试
    if hasattr(response_attempt_B, 'prompt_feedback') and response_attempt_B.prompt_feedback:
        print(f"\n提示反馈 (方法 B): {response_attempt_B.prompt_feedback}")
    if response_attempt_B.candidates:
        for candidate_idx, candidate in enumerate(response_attempt_B.candidates):
            finish_reason_name = candidate.finish_reason.name if hasattr(candidate.finish_reason, 'name') else 'N/A'
            print(f"\n候选 {candidate_idx} (方法 B):")
            print(f"  完成原因: {candidate.finish_reason} ({finish_reason_name})")
            if hasattr(candidate, 'finish_message') and candidate.finish_message:
                print(f"  完成消息: {candidate.finish_message}")
            if hasattr(candidate, 'safety_ratings') and candidate.safety_ratings:
                for rating in candidate.safety_ratings:
                    category_name = rating.category.name if hasattr(rating.category, 'name') else rating.category
                    probability_name = rating.probability.name if hasattr(rating.probability, 'name') else rating.probability
                    print(f"  安全评级: 类别={category_name}, 概率={probability_name}")
    else:
        print("\n响应中未找到候选内容 (方法 B)。")


except json.JSONDecodeError as e:
    print(f"\nJSON 解码错误 (方法 B): {e}")
    print("模型返回的文本可能不是有效的 JSON。请检查原始响应文本。")
except Exception as e: # 例如 Pydantic ValidationError 或其他API错误
    print(f"\n在调用 API 或处理响应时发生错误 (方法 B): {e}")
    import traceback
    traceback.print_exc()

教程解释：

  1. API 密钥和库设置: 标准的初始步骤。
  2. Pydantic 模型 (ExtractedField): 定义了我们希望从 NOTAM 中为每个信息片段提取的具体字段。这有助于后续的数据验证和使用。
  3. 输入数据: 我们使用了之前讨论中的 NOTAM 文本和提取指令。
  4. 提示构建 (prompt_template):
    • 清晰地告诉模型它的任务 (instruction_text)。
    • 提供要处理的原始文本 (notam_to_process)。
    • 极其重要: 明确指定输出必须是 JSON 字符串，并详细描述了期望的 JSON 结构 (list[list[object]]，其中每个对象包含 start, end, label, text)。给出一个小例子也有助于模型理解。
  5. API 调用与响应处理:
    • 模型初始化: genai.GenerativeModel(model_name) 是获取模型实例的推荐方式。
    • 方法 A (注释掉的部分): 我们之前的讨论表明，直接使用 response_schema=list[list[ExtractedField]] 可能会因为 SDK 不支持这种深层嵌套的 schema 类型而失败。如果您的 SDK 版本或调用方式有所不同且支持此功能，您可以取消注释并尝试。
    • 方法 B (手动解析):
      • 我们调用 model.generate_content(prompt_template) 时不在 generation_config 中指定 response_schema 或 response_mime_type。
      • 我们依赖提示来确保模型返回 JSON 字符串。
      • 获取 response.text。
      • 使用 json.loads() 将 JSON 字符串转换为 Python 字典/列表。
      • 使用 pydantic.TypeAdapter(list[list[ExtractedField]]).validate_python(raw_data) 来验证加载的数据是否符合我们定义的 ExtractedField 结构，并将其转换为 Pydantic 对象。这一步提供了类型安全和数据验证。
      • 最后，遍历提取的数据并打印。
    • 调试信息: 打印 prompt_feedback 和 candidates 信息有助于了解 API 调用的详细情况，例如是否有内容被阻止或提前终止。

关键点和最佳实践：

  • 清晰的提示: 对于结构化数据提取，提示的质量至关重要。明确描述期望的输出格式 (JSON)、结构 (字段名、嵌套层级) 和内容类型。
  • Pydantic: 使用 Pydantic 模型来定义数据结构可以使代码更健壮，易于维护，并提供数据验证。
  • response_schema 的局限性: 虽然 response_schema 是一个强大的功能，但对于非常复杂的或深层嵌套的列表结构，它可能存在局限性 (如 Unsupported schema type 错误)。
  • 手动 JSON 解析作为备选: 如果 response_schema 不起作用，手动解析 response.text 并结合 Pydantic TypeAdapter进行验证是一个非常可靠的备选方案。
  • 错误处理: 包含 try-except 块来捕获潜在的 API 错误、JSON 解析错误或 Pydantic 验证错误。
  • API 密钥安全: 始终优先使用环境变量来存储和访问 API 密钥。
  • 迭代和测试: 构建提示和解析逻辑通常需要一些迭代。从简单的例子开始，逐步增加复杂性，并不断测试。

这个教程应该能帮助您开始使用 Gemini API 从文本中提取结构化数据。根据您的具体需求和遇到的情况，您可能需要调整提示或数据处理逻辑。

完整可运行代码

from google import genai
from pydantic import BaseModel
# from typing import List, Optional # Removed or not used for schema

# 1. 定义新的 Pydantic 模型以匹配 NOTAM 提取的输出结构
class ExtractedField(BaseModel):
    start: int
    end: int
    label: str
    text: str

API_KEY = "AIzaSyAmf-glmlPjFbeXaWGXlFo8uVUE-4-7eZ4" # <--- 请在这里替换为您的有效 API 密钥
client = genai.Client(api_key=API_KEY)

instruction_text = "检测到空域相关关键词。请参照参考案例的结构和字段标签，从航行情报通告中提取所有相关的空域信息。"
notam_text = """ZCZC BUI2865 251937 

GG ZBAAUIXX

251937 ZBAAOIXX

UUUU

(K1372/25 NOTAMN

Q)UUWV/QRTCA/IV/BO/W/000/030/5549N03844E003

A)UUWV B)2501290900 C)2502031600 

D)JAN 29-31 FEB 01 03 0900-1600

E) AIRSPACE CLSD WI AREA:

554930N0384015E-554916N0383931E-

554903N0384027E-554902N0384104E-

554905N0384411E-554909N0384845E-

554940N0384840E-554930N0384512E-

554925N0384106E-554930N0384015E

F)SFC G)640M AMSL)


NNNN"""

prompt = f"""指令: {instruction_text}

待处理的航行情报通告 (NOTAM) 文本:
---
{notam_text}
---

请从上述 NOTAM 文本中提取所有相关的空域信息。
输出必须是一个 JSON 数组。此数组中的每个元素本身也应该是一个对象列表。
每个对象代表一个提取出的字段，并且必须包含以下属性:
- "start": 提取文本在原始 NOTAM 字符串中的起始字符索引 (0-based)。
- "end": 提取文本在原始 NOTAM 字符串中的结束字符索引 (不包含结束字符本身)。
- "label": 字段的中文标签 (例如："通告号", "机场名称", "多边形坐标序列" 等，需符合指令中提及的参考案例和字段标签规则)。
- "text": 为该字段提取的实际文本。

当检测到“空域相关关键词”时，请参照标准的 NOTAM 解析实践来识别字段及其对应的中文标签。
请确保输出严格遵循指定的 JSON 结构：一个包含多个字段对象列表的列表 (list of lists of field objects)。
例如，如果一个 NOTAM 描述了多个独立的空域区域，则每个区域提取的信息（包括为该区域上下文重复的通用 NOTAM 细节以及该区域的特定细节）应构成一个内部的字段对象列表。如果只描述了一个区域，则外部列表将包含一个内部的字段列表。
"""

try:
    response = client.models.generate_content(
        model="models/gemini-2.5-flash-preview-04-17",
        contents=prompt,
        config={
            "response_mime_type": "application/json",
            # Use built-in list for the schema definition
            "response_schema": list[list[ExtractedField]],
        },
    )

    print("原始 JSON 响应:")
    print(response.text)

    if hasattr(response, 'parsed') and response.parsed:
        # Adjust type hint for extracted_data if needed, though it's for readability
        extracted_data: list[list[ExtractedField]] = response.parsed
        print("\n已解析的 Pydantic 对象:")
        if not extracted_data:
            print("解析后的数据为空列表。")
        for i, area_fields in enumerate(extracted_data):
            print(f"区域 {i+1}:")
            if not area_fields:
                print(f"  区域 {i+1} 的字段列表为空。")
            for field_obj in area_fields:
                print(f"  标签: {field_obj.label}, 文本: '{field_obj.text}', 起始: {field_obj.start}, 结束: {field_obj.end}")
    elif response.text is None or response.text.strip() == "":
        print("\n模型返回的响应文本为空。")
    else:
        print("\n未能从 response.parsed 获取已解析的对象，或者解析结果为空。")

    if hasattr(response, 'prompt_feedback') and response.prompt_feedback:
        print(f"提示反馈: {response.prompt_feedback}")
    if response.candidates:
        for candidate_idx, candidate in enumerate(response.candidates):
            print(f"候选 {candidate_idx} 完成原因: {candidate.finish_reason} ({candidate.finish_reason.name if hasattr(candidate.finish_reason, 'name') else 'N/A'})")
            if hasattr(candidate, 'finish_message') and candidate.finish_message:
                    print(f"候选 {candidate_idx} 完成消息: {candidate.finish_message}")
            if hasattr(candidate, 'safety_ratings') and candidate.safety_ratings:
                    for rating in candidate.safety_ratings:
                        print(f"候选 {candidate_idx} 安全评级: 类别={rating.category.name if hasattr(rating.category, 'name') else rating.category}, 概率={rating.probability.name if hasattr(rating.probability, 'name') else rating.probability}")
    else:
        print("响应中未找到候选内容。")

except Exception as e:
    print(f"\n在调用 API 或处理响应时发生错误: {e}")
    import traceback
    traceback.print_exc()

输出

原始 JSON 响应:
[
  [
    {
      "start": 54,
      "end": 68,
      "label": "通告号",
      "text": "K1372/25 NOTAMN"
    },
    {
      "start": 69,
      "end": 113,
      "label": "Q码",
      "text": "Q)UUWV/QRTCA/IV/BO/W/000/030/5549N03844E003"
    },
    {
      "start": 114,
      "end": 120,
      "label": "影响范围",
      "text": "A)UUWV"
    },
    {
      "start": 121,
      "end": 133,
      "label": "起始时间",
      "text": "B)2501290900"
    },
    {
      "start": 134,
      "end": 146,
      "label": "结束时间",
      "text": "C)2502031600"
    },
    {
      "start": 147,
      "end": 177,
      "label": "计划时间",
      "text": "D)JAN 29-31 FEB 01 03 0900-1600"
    },
    {
      "start": 178,
      "end": 336,
      "label": "空域描述",
      "text": "E) AIRSPACE CLSD WI AREA:\n554930N0384015E-554916N0383931E-\n554903N0384027E-554902N0384104E-\n554905N0384411E-554909N0384845E-\n554940N0384840E-554930N0384512E-\n554925N0384106E-554930N0384015E"
    },
    {
      "start": 204,
      "end": 336,
      "label": "多边形坐标序列",
      "text": "554930N0384015E-554916N0383931E-\n554903N0384027E-554902N0384104E-\n554905N0384411E-554909N0384845E-\n554940N0384840E-554930N0384512E-\n554925N0384106E-554930N0384015E"
    },
    {
      "start": 336,
      "end": 341,
      "label": "限制的下边界",
      "text": "F)SFC"
    },
    {
      "start": 342,
      "end": 353,
      "label": "限制的上边界",
      "text": "G)640M AMSL"
    }
  ]
]

已解析的 Pydantic 对象:
区域 1:
  标签: 通告号, 文本: 'K1372/25 NOTAMN', 起始: 54, 结束: 68
  标签: Q码, 文本: 'Q)UUWV/QRTCA/IV/BO/W/000/030/5549N03844E003', 起始: 69, 结束: 113
  标签: 影响范围, 文本: 'A)UUWV', 起始: 114, 结束: 120
  标签: 起始时间, 文本: 'B)2501290900', 起始: 121, 结束: 133
  标签: 结束时间, 文本: 'C)2502031600', 起始: 134, 结束: 146
  标签: 计划时间, 文本: 'D)JAN 29-31 FEB 01 03 0900-1600', 起始: 147, 结束: 177
  标签: 空域描述, 文本: 'E) AIRSPACE CLSD WI AREA:
554930N0384015E-554916N0383931E-
554903N0384027E-554902N0384104E-
554905N0384411E-554909N0384845E-
554940N0384840E-554930N0384512E-
554925N0384106E-554930N0384015E', 起始: 178, 结束: 336
  标签: 多边形坐标序列, 文本: '554930N0384015E-554916N0383931E-
554903N0384027E-554902N0384104E-
554905N0384411E-554909N0384845E-
554940N0384840E-554930N0384512E-
554925N0384106E-554930N0384015E', 起始: 204, 结束: 336
  标签: 限制的下边界, 文本: 'F)SFC', 起始: 336, 结束: 341
  标签: 限制的上边界, 文本: 'G)640M AMSL', 起始: 342, 结束: 353
候选 0 完成原因: FinishReason.STOP (STOP)
在Google Colab中调用Gemini的API实现智能问答
henanlion的博客
01-01 2309
Google终于放出大招，在2023年12月6日正式推出规模最大、功能最强大的人工智能模型Gemini，对标ChatGPT，甚至有要赶超ChatGPT-4.0的节奏。相比之前的Bard，Gemini的文本理解能力、图片识别能力和语义抽取能力大大增强，可以进行复杂深入的推理分析，精确的文本信息抽取，细节入微的理解判断，将有助于用户在文本生成、智能问答、科学研究等领域实现历史性的突破。更为重要的是Google随后开放了免费Gemini的API的申请，大家可以通过以下网站轻松申请到免费的API。
python调用Gemini大模型方法详解（程序及示例效果）
叶子的博客
12-24 9803
python调用Gemini大模型方法详解（程序及示例效果）
Google Gemini API 的官方 Python 库.zip
11-23
适用于 Gemini API 的 Google AI Python SDK Google AI Python SDK 是 Python 开发人员使用 Gemini API 进行构建的最简单方法。Gemini API 可让您访问由Google DeepMind创建的Gemini模型。Gemini 模型从头开始构建为...
gemini-python：Gemini API和Websocket的python客户端
01-31
Gemini API和Websocket的python客户端 入门 安装 pip install gemini_python 公共客户 该终结点不需要api键，并且可以在没有Gemini帐户的情况下使用。 该自述文件将记录该类的一些方法和功能。 import gemini r = ...
【ChatGPT】【Gemini】-用Python调用google的Gemini API
maoyingyong的专栏
04-22 1675
【ChatGPT】【Gemini】-用Python调用google的Gemini API
使用Google Gemini API进行对话式AI开发:从入门到进阶
qq_29929123的博客
08-13 1216
gemini-pro: 适用于文本生成的高级模型gemini-pro-vision: 支持图像理解的多模态模型这些模型具有强大的自然语言理解和生成能力,可用于构建各种智能对话应用。Google Gemini API为开发者提供了强大的工具来创建智能对话系统。通过本文介绍的基础知识和高级技巧,您应该能够开始构建自己的AI应用。随着技术的不断发展,我们期待看到更多创新的应用场景。
使用谷歌 Gemini API 构建自己的 ChatGPT（一）
2401_85324918的博客
06-13 1562
Gemini AI是谷歌创建的一组大型语言模型，具备处理多模态数据（文本、图像、音频等）的能力，能够进行复杂推理并生成多种类型的输出。Gemini 的多模态能力：Gemini AI 由谷歌开发，具有处理文本、图像、音频和代码等多种数据类型的能力，能够理解和响应复杂的多模态提示。生成文本和安全性：通过示例代码展示了如何使用 Gemini 模型生成文本响应，并且模型内置的安全功能可以防止不当查询，如入侵电子邮件或制造武器的请求。超参数配置。
NSSCTF [LitCTF 2025]test_your_nc
2401_88087539的博客
06-03 658
pwn新手小白，写完题后整理的一点点思路，有借鉴其他wp，有任何问题各位师傅可以提出，接收批评指正
Java 中实现线程的创建和启动
2301_80215285的博客
06-04 949
在Java中，创建线程和启动线程是两个关键步骤。必须调用start()而非直接调用run()，因为start()会触发JVM创建新的调用栈并交由操作系统管理，实现真正的异步执行。直接调用run()仅会在当前线程同步执行方法。start()使线程进入可运行状态，符合线程生命周期规范，并能利用多核CPU实现并行计算。正确区分两者对多线程编程至关重要，只有通过start()才能发挥线程的并发优势。
PAT-乙级JAVA题解(更新中...)
qq_49695680的博客
06-04 507
使用C++调用python库
Ring__Rain的博客
06-04 229
1、将A电脑的"D:\Python\Python310"文件夹，直接拷贝到"D:\Python\Python310"；1、先安装python310的安装包；安装到"D:\Python\Python310"注意：记住要在path的前面，前面不能有其他路径的python，后面有无所谓；注意：记住要在path的前面，前面不能有其他路径的python，后面有无所谓；2、 配置系统环境变量；2、配置系统环境变量；如果运行代码报错：则执行下面的操作；
Pydantic，Field和Annotated
qq_43499921的博客
06-05 847
Annotated是基础：它是由 Python 核心提供的、用于在类型提示中附加任意元数据的标准机制/容器。它本身不关心元数据是什么，也不执行任何操作。Field是元数据内容: Pydantic (或) 定义的Field对象是一种具体的元数据。它包含了关于字段如何验证、如何设置默认值、如何序列化等的详细配置信息。Pydantic是消费者和执行者: Pydantic 库使用Annotated来发现并提取附加到类型上的Field对象（或其他 Pydantic 特定元数据）。然后，Pydantic解释这些。
【oobabooga 本地AI模型搭建】
开心就好了啦
06-05 782
用于大型语言模型的 Gradio Web UI。其目标是成为文本生成的。
用python与pyqt5写一个自己的ai智能小助手
zouxun660的博客
06-03 384
用python与pyqt5写一个自己的ai智能小助手
Java邮件收发全解析：从基础到实战，解决实际问题
m0_59465624的博客
06-05 918
标志含义邮件已经被回复过邮件已经被标记为删除 (未真正删除)邮件是草稿邮件已经被标记 (例如，标记为重要)邮件是最近收到的邮件已经被阅读过用户自定义标志，含义取决于具体实现。
【通义万相 Wan2.1】在并行智算云上的部署教程
最新发布
2503_91665385的博客
06-06 560
在并行智算云平台中，选择适合通义万相 Wan2.1 的镜像版本（如 1.3B 或 14B 参数版本），并根据需求配置实例（如显存大小等）。通过以上步骤，您可以在并行智算云上成功部署并调用通义万相 Wan2.1 视频生成模型，生成高质量的视频内容。：14B 模型需要至少 24GB 显存，1.3B 模型需要至少 12GB 显存。：确保 CUDA 和 CUDNN 版本与模型要求一致，避免兼容性问题。完成实例部署后，通过远程登录工具（如 SSH）连接到实例。：使用高质量的提示词可以显著提升生成视频的效果。
15：00面试，15：06就出来了，问的问题有点变态。。。
2401_83387413的博客
05-26 2402
一位测试工程师分享了职场经历：从小厂跳槽后遭遇降薪危机，面试互联网公司时因HTTPS测试方案问题失利。文章总结了软件测试面试常见知识点，涵盖测试理论、Linux、MySQL、Web/API/App测试、Python基础、性能测试等16个模块。重点整理了高频面试题，包括测试步骤、Linux命令、Python编程、数据库优化等实用内容，并提到一份近200页的面试宝典资源，旨在帮助测试工程师高效备战面试。
Python打卡DAY43
m0_65171196的博客
06-02 420
kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化。，该数据集分为六类，包含建筑、森林、冰川、山脉、海洋和街道。进阶：并拆分成多个文件。
Python爬虫实战：研究urlunparse函数相关技术
ylfhpy的博客
06-05 70
网络爬虫作为一种自动获取网页内容的技术，能够按照预定的规则遍历互联网上的网页，并提取出所需的数据，为信息检索、数据分析、舆情监控等应用提供了强有力的支持。实验结果表明，我们设计的电影信息采集系统能够高效、稳定地运行，有效处理了 URL 转换和反爬虫等关键问题，证明了我们提出的爬虫系统设计方案的有效性和实用性。是一个基于 Python 的高级爬虫框架，它提供了完整的爬虫开发工具链，包括调度器、下载器、解析器、管道等组件，使得爬虫的开发和维护变得更加高效。为了使爬虫能够稳定运行，我们需要设计相应的反爬虫策略。
Python实践：使用Gemini交易所API的教程
资源摘要信息:"本资源主要介绍如何使用Python语言，通过Gemini交易所提供的API进行交易操作。Gemini交易所是一个加密货币交易平台，它允许用户通过其API进行程序化交易。在本资源中，将通过Python编程语言结合...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值