GSP1209

Übersicht

Das Google Gen AI SDK bietet eine einheitliche Schnittstelle zu den API-Diensten von Google. Dieses SDK vereinfacht die Einbindung von Funktionen, die auf generativer KI basieren, in Anwendungen und Dienste. So können Entwicklungsteams die fortschrittlichen KI-Modelle von Google für verschiedene Aufgaben nutzen. In diesem Lab lernen Sie das Google Gen AI SDK kennen. Sie erfahren, wie Sie eine Verbindung zu KI-Diensten herstellen, verschiedene Prompts senden und Antworten von Gemini feinabstimmen. Sie sammeln auch praktische Erfahrung mit Verfahren für Fortgeschrittene, damit Sie generative KI später in Ihren eigenen Projekten nutzen können.

Lernziele

In diesem Lab erfahren Sie, wie Sie das Google Gen AI SDK for Python verwenden, um mit den GenAI-Diensten und -Modellen von Google, einschließlich Gemini, zu interagieren. Folgende Themen werden behandelt:

• Gen AI SDK installieren
• Verbindung zu einem API-Dienst herstellen
• Text- und multimodale Prompts senden
• Systemanweisungen festlegen
• Modellparameter und Sicherheitsfilter konfigurieren
• Modellinteraktionen (Multi-Turn-Unterhaltungen, Contentstreaming, asynchrone Anfragen) verwalten
• Erweiterte Funktionen (Tokenzählung, Kontext-Caching, Funktionsaufrufe, Texteinbettungen) verwenden

Vorbereitung

Für dieses Lab sollten Sie folgende Konzepte kennen:

• Grundlegende Kenntnisse der Programmierung mit Python
• Grundlegende API-Konzepte
• Python-Code in einem Jupyter-Notebook in Agent Platform Workbench ausführen

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der rechten Seite befindet sich der Bereich Lab-Einrichtung und ‑Zugriff:

   • Button Google Cloud Console öffnen
   • Die temporären Anmeldedaten (Nutzername und Passwort), die Sie für dieses Lab verwenden müssen
   • Gegebenenfalls weitere Informationen für dieses Lab

   Der Lab-Timer befindet sich oben auf der Seite und zeigt die verbleibende Zeit an.

2. Klicken Sie auf Google Cloud Console öffnen. Wenn Sie Chrome verwenden, können Sie auch rechtsklicken und Link in Inkognitofenster öffnen auswählen.

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

   {{{user_0.username | "Username"}}}

   Sie finden den Nutzernamen auch im Bereich Lab-Einrichtung und ‑Zugriff.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

   {{{user_0.password | "Password"}}}

   Sie finden das Passwort auch im Bereich Lab-Einrichtung und ‑Zugriff.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder 2-Faktor-Authentifizierung hinzu, da dies nur ein temporäres Konto ist.
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein.

Aufgabe 1: Notebook in Agent Platform Workbench öffnen

1. Klicken Sie in der Google Cloud Console im Navigationsmenü () auf Agent Platform > Notebooks > Workbench.

2. Suchen Sie die Instanz und klicken Sie auf JupyterLab öffnen.

Die JupyterLab-Oberfläche für Ihre Workbench-Instanz wird in einem neuen Browsertab geöffnet.

Aufgabe 2: Notebook einrichten

1. Öffnen Sie die -Datei.

2. Wählen Sie im Dialogfeld Kernel auswählen in der Liste der verfügbaren Kernel die Option Python 3 (lokal) aus.

3. Gehen Sie den Abschnitt Erste Schritte des Notebooks durch. Die Projekt-ID und der Standort sind vorkonfiguriert.

Klicken Sie auf Fortschritt prüfen. Bibliotheken importieren und Notebook einrichten

Aufgabe 3: Mit dem Modell interagieren

Weitere Informationen zu allen KI-Modellen und APIs auf der Agent Platform finden Sie unter Google-Modelle und Model Garden.

Modell auswählen

• Führen Sie den Abschnitt Modell auswählen im Notebook aus.

Text-Prompts senden

Verwenden Sie die Methode generate_content, um Antworten auf Ihre Prompts zu generieren. Sie können Text an generate_content übergeben und das Attribut .text verwenden, um den Textinhalt der Antwort abzurufen.

• Führen Sie den Abschnitt Text-Prompts senden im Notebook aus.

Multimodale Prompts senden

Sie können Texte, PDF-Dokumente, Bilder, Audio- und Videodateien in Ihre Prompts einfügen und erhalten Text- oder Codeantworten.

Sie können in der Anfrage auch direkt die Datei-URL an das Modell übergeben, und zwar in Part.from_uri.

• Führen Sie den Abschnitt Multimodale Prompts senden im Notebook aus.

Systemanweisungen festlegen

Mit Systemanweisungen können Sie das Verhalten des Modells steuern. Durch eine Systemanweisung erhält das Modell zusätzlichen Kontext, um die Aufgabe besser zu verstehen, individuelle Antworten zu geben und während der Nutzerinteraktion Richtlinien einzuhalten.

• Führen Sie den Abschnitt Systemanweisungen festlegen im Notebook aus.

Klicken Sie auf Fortschritt prüfen. Mit dem Modell interagieren

Aufgabe 4: Modell konfigurieren und steuern

Modellparameter konfigurieren

Jeder Aufruf, den Sie an ein Modell senden, kann Parameterwerte enthalten, um zu steuern, wie das Modell Antworten generiert. Weitere Informationen finden Sie unter Mit Parameterwerten experimentieren.

• Führen Sie den Abschnitt Modellparameter konfigurieren im Notebook aus.

Sicherheitsfilter konfigurieren

Die Gemini API bietet Sicherheitsfilter, die Sie in verschiedenen Filterkategorien anpassen können, um bestimmte Arten von Inhalten zuzulassen oder zu beschränken. Sie können diese Filter verwenden, um die für Ihren Anwendungsfall passenden Einstellungen vorzunehmen. Weitere Informationen finden Sie unter Sicherheitsfilter konfigurieren.

Wenn Sie eine Anfrage an das Modell senden, wird der Inhalt analysiert und er erhält eine Sicherheitsbewertung. Sie können die Sicherheitsbewertungen der generierten Inhalte prüfen, indem Sie die Modellantworten ausgeben, wie in diesem Beispiel:

• Führen Sie den Abschnitt Sicherheitsfilter konfigurieren im Notebook aus.

Multi-Turn-Unterhaltung starten

Mit der Gemini API können Sie Multi-Turn-Unterhaltungen im Freiformat führen.

• Führen Sie den Abschnitt Multi-Turn-Unterhaltung starten im Notebook aus.

Generierte Ausgabe steuern

Mit der Möglichkeit zur kontrollierten Ausgabe in der Gemini API können Sie die Modellausgabe auf ein strukturiertes Format beschränken. Sie können das Schema als Pydantic-Modell oder als JSON-String bereitstellen.

Außerdem ist es möglich, ein Antwortschema in einem Python-Wörterbuch zu definieren. Sie können nur die unten aufgeführten Felder verwenden. Alle anderen Felder werden ignoriert.

• enum
• items
• maxItems
• nullable
• properties
• required

In diesem Beispiel weisen Sie das Modell an, Rezensionsdaten zu analysieren, wichtige Entitäten zu extrahieren, eine Sentimentklassifizierung durchzuführen (mehrere Möglichkeiten), zusätzliche Erklärungen bereitzustellen und die Ergebnisse im JSON-Format auszugeben.

• Führen Sie den Abschnitt Generierte Ausgabe steuern im Notebook aus.

Klicken Sie auf Fortschritt prüfen. Modell konfigurieren und steuern

Aufgabe 5: Modellinteraktionen verwalten

Contentstream generieren

Standardmäßig gibt das Modell eine Antwort zurück, nachdem der gesamte Generierungsprozess abgeschlossen ist. Sie können aber auch die Methode generate_content_stream verwenden, um die Antwort zu streamen, während sie generiert wird. Das Modell gibt dann Teile der Antwort zurück, sobald sie erstellt wurden.

• Führen Sie den Abschnitt Contentstream generieren im Notebook aus.

Asynchrone Anfragen senden

Mit dem Modul client.aio können Sie asynchrone Anfragen senden. Dieses Modul stellt alle analogen async-Methoden bereit, die in client verfügbar sind.

Beispiel: client.aio.models.generate_content ist die asynchrone Version von client.models.generate_content.

• Führen Sie den Abschnitt Asynchrone Anfragen senden im Notebook aus.

Tokens zählen und berechnen

Mit der Methode count_tokens können Sie die Anzahl der Eingabetokens berechnen, bevor Sie eine Anfrage an die Gemini API senden. Weitere Informationen finden Sie unter Tokens auflisten und zählen.

Tokens zählen

• Führen Sie den Abschnitt Tokens zählen im Notebook aus.

Tokens berechnen

• Führen Sie den Abschnitt Tokens berechnen im Notebook aus.

Klicken Sie auf Fortschritt prüfen. Modellinteraktionen verwalten

Aufgabe 6: Erweiterte Funktionen

Funktionsaufrufe

Mit Funktionsaufrufen können Sie Tools bereitstellen, die das Modell verwenden kann, um Prompts zu beantworten. Sie erstellen eine Beschreibung einer Funktion im Code und übergeben sie dann in einer Anfrage an ein Language Model. Die Antwort des Modells enthält den Namen einer Funktion, die der Beschreibung entspricht, sowie die Argumente, um diese aufzurufen.

Weitere Beispiele für Funktionsaufrufe finden Sie in diesem Lab.

• Führen Sie den Abschnitt Funktionsaufrufe im Notebook aus.

Klicken Sie auf Fortschritt prüfen. Funktionsaufrufe

Kontext-Caching verwenden

Mit Kontext-Caching können Sie häufig verwendete Eingabe-Tokens in einem dedizierten Cache speichern und bei nachfolgenden Anfragen darauf verweisen. So müssen Sie nicht immer wieder dieselben Tokens in ein Modell eingeben.

Cache erstellen

• Führen Sie den Abschnitt Cache erstellen im Notebook aus.

Cache verwenden

• Führen Sie den Abschnitt Cache verwenden im Notebook aus.

Cache löschen

• Führen Sie den Abschnitt Cache löschen im Notebook aus.

Klicken Sie auf Fortschritt prüfen. Kontext-Caching verwenden

Texteinbettungen abrufen

Sie können Texteinbettungen für ein Text-Snippet mit der Methode embed_content abrufen. Alle Modelle liefern standardmäßig eine Ausgabe mit 768 Dimensionen. Bei einigen Modellen können Nutzende jedoch eine Ausgabedimensionalität zwischen 1 und 768 auswählen. Weitere Informationen finden Sie unter Agent Platform API für Texteinbettungen.

• Führen Sie den Abschnitt Texteinbettungen abrufen im Notebook aus.

Klicken Sie auf Fortschritt prüfen. Texteinbettungen abrufen

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Sie haben das Google Gen AI SDK kennengelernt und erfahren, wie Sie eine Verbindung mit KI-Diensten herstellen, verschiedene Prompts senden und Antworten des Gemini-Modells feinabstimmen. Außerdem haben Sie praktische Erfahrung mit Verfahren für Fortgeschrittene gesammelt, wie Interaktionsverwaltung, Kontext-Caching und Einbettungen. Sie sind jetzt bestens gerüstet, um generative KI in Ihren eigenen Projekten zu nutzen.

Weitere Informationen

In den folgenden Ressourcen finden Sie weitere Informationen zu generativer KI und der Gemini Enterprise Agent Platform:

• In der Übersicht zu den Gemini-Modellen von Google DeepMind erfahren Sie mehr über wichtige Modellfunktionen.
• In der offiziellen Dokumentation zur Agent Platform finden Sie Richtlinien für Design, Skalierung und Bereitstellung.
• Die Übersicht zu KI-Agenten auf der Agent Platform zeigt, wie Sie benutzerdefinierte KI-Agenten erstellen und verwalten.
• In der Playlist zu generativer KI auf YouTube finden Sie Video-Tutorials und Produktdemos.
• Weitere Notebooks und Beispiele wurden im Repository „Google Cloud Generative AI“ zusammengestellt.
• Im Beispielrepository des Google Agent Development Kit (ADK) finden Sie Vorlagen für benutzerdefinierte KI-Agenten.

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 18. Mai 2026 aktualisiert

Lab zuletzt am 4. Mai 2026 getestet

© 2026 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.