GSP1209

Ringkasan

Google Gen AI SDK menyediakan antarmuka terpadu untuk layanan API AI generatif Google. SDK ini menyederhanakan proses integrasi kemampuan AI generatif ke dalam aplikasi dan layanan, sehingga developer dapat memanfaatkan model AI canggih Google untuk berbagai tugas. Di lab ini, Anda akan mempelajari Google Gen AI SDK, cara terhubung ke layanan AI, mengirim berbagai perintah, dan menyesuaikan respons dari Gemini. Anda juga akan mendapatkan pengalaman langsung dengan teknik yang lebih canggih untuk mempersiapkan Anda dalam memanfaatkan kemampuan AI generatif untuk project Anda sendiri.

Tujuan

Di lab ini, Anda akan mempelajari cara menggunakan Google Gen AI SDK for Python untuk berinteraksi dengan layanan dan model AI generatif Google, termasuk Gemini. Anda akan mempelajari hal-hal berikut:

• Menginstal Gen AI SDK.
• Terhubung ke layanan API.
• Mengirim perintah multimodal dan teks.
• Menetapkan petunjuk sistem.
• Mengonfigurasi parameter model dan filter keamanan.
• Mengelola interaksi model (multi-turn chat, streaming konten, permintaan asinkron).
• Menggunakan fitur lanjutan (penghitungan token, context caching, pemanggilan fungsi, embedding teks).

Prasyarat

Sebelum memulai lab ini, Anda sebaiknya sudah mengetahui:

• Pemrograman Python dasar.
• Konsep API secara umum.
• Cara menjalankan kode Python di notebook Jupyter di Agent Platform Workbench.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Cara memulai lab dan login ke Konsol Google Cloud

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kanan terdapat panel Lab setup and access yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Kredensial sementara (nama pengguna dan sandi) yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

   Perhatikan bahwa timer lab terletak di dekat bagian atas halaman, yang menampilkan waktu yang tersisa.

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

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

   Anda juga dapat menemukan Username di panel Lab setup and access.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

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

   Anda juga dapat menemukan Password di panel Lab setup and access.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Penggunaan akun Google Cloud sendiri untuk lab ini mungkin dikenai biaya tambahan.

7. Klik untuk melanjutkan ke halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan daftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Tugas 1. Membuka notebook di Agent Platform Workbench

1. Di Konsol Google Cloud, pada Navigation menu (), klik Agent Platform > Notebooks > Workbench.

2. Cari instance lalu klik tombol Open JupyterLab.

Antarmuka JupyterLab untuk instance Workbench Anda akan terbuka di tab browser baru.

Tugas 2. Menyiapkan notebook

1. Buka file .

2. Pada dialog Select Kernel, pilih Python 3 (Local) dari daftar kernel yang tersedia.

3. Jalankan bagian Getting Started pada notebook. Project ID dan Lokasi telah dikonfigurasi sebelumnya untuk Anda.

Catatan: Jika Anda mendapatkan respons 429 dari salah satu eksekusi sel notebook, tunggu 1 menit sebelum menjalankan sel kembali untuk melanjutkan. Penting: Setelah menjalankan sel penginstalan Install Google Gen AI SDK di dalam notebook, Anda harus memulai ulang kernel notebook (buka Kernel > Restart Kernel... di panel menu notebook) sebelum menjalankan sel lainnya.

Klik Periksa progres saya untuk memverifikasi tujuan. Mengimpor library dan menyiapkan notebook

Tugas 3. Berinteraksi dengan model

Untuk mengetahui informasi selengkapnya tentang semua API dan model AI di Agent Platform, baca Model Google dan Model Garden.

Memilih model

• Jalankan bagian Choose a model di notebook.

Mengirim perintah teks

Gunakan metode generate_content untuk menghasilkan respons atas perintah Anda. Anda dapat meneruskan teks ke generate_content, dan menggunakan properti .text untuk mendapatkan konten teks respons.

• Jalankan bagian Send text prompts di notebook.

Mengirim perintah multimodal

Anda dapat menyertakan teks, dokumen PDF, gambar, audio, dan video dalam permintaan perintah dan mendapatkan respons teks atau kode.

Anda juga dapat meneruskan URL file di Part.from_uri dalam permintaan ke model secara langsung.

• Jalankan bagian Send multimodal prompts di notebook.

Menetapkan petunjuk sistem

Petunjuk sistem memungkinkan Anda mengontrol perilaku model. Tentukan petunjuk sistem untuk memberi model konteks tambahan guna memahami tugas, memberikan respons yang lebih disesuaikan, dan mematuhi pedoman terkait interaksi pengguna.

• Jalankan bagian Set system instructions di notebook.

Klik Periksa progres saya untuk memverifikasi tujuan. Berinteraksi dengan model

Tugas 4. Mengonfigurasi dan mengontrol model

Mengonfigurasi parameter model

Anda dapat menyertakan nilai parameter dalam setiap panggilan yang Anda kirim ke model untuk mengontrol cara model menghasilkan respons. Untuk mempelajari lebih lanjut, baca bereksperimen dengan nilai parameter.

• Jalankan bagian Configure model parameters di notebook.

Mengonfigurasi filter keamanan

Gemini API menyediakan filter keamanan yang dapat Anda sesuaikan di beberapa kategori filter untuk membatasi atau mengizinkan jenis konten tertentu. Anda dapat menggunakan filter ini untuk menyesuaikan hal yang sesuai dengan kasus penggunaan Anda. Lihat halaman Mengonfigurasi filter keamanan untuk mengetahui detailnya.

Saat Anda membuat permintaan ke model, konten akan dianalisis dan diberikan rating keamanan. Anda dapat memeriksa rating keamanan konten yang dihasilkan dengan mencetak respons model, seperti dalam contoh ini:

• Jalankan bagian Configure safety filters di notebook.

Memulai multi-turn chat

Gemini API memungkinkan Anda melakukan percakapan bebas di beberapa giliran.

• Jalankan bagian Start a multi-turn chat di notebook.

Mengontrol output yang dihasilkan

Kemampuan pembuatan terkontrol di Gemini API memungkinkan Anda membatasi output model ke format terstruktur. Anda dapat memberikan skema sebagai Model Pydantic atau string JSON.

Anda juga dapat menentukan skema respons dalam kamus Python. Anda hanya dapat menggunakan kolom di bawah ini. Semua kolom lainnya diabaikan.

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

Dalam contoh ini, Anda menginstruksikan model untuk menganalisis data ulasan produk, mengekstrak entity utama, melakukan klasifikasi sentimen (pilihan ganda), memberikan penjelasan tambahan, dan menampilkan hasil dalam format JSON.

• Jalankan bagian Control generated output di notebook.

Klik Periksa progres saya untuk memverifikasi tujuan. Mengonfigurasi dan mengontrol model

Tugas 5. Mengelola interaksi model

Membuat aliran data konten

Secara default, model akan menampilkan respons setelah menyelesaikan seluruh proses pembuatan. Anda juga dapat menggunakan metode generate_content_stream untuk mengalirkan respons pada saat respons tersebut sedang dibuat. Model akan memberikan potongan respons saat respons tersebut dihasilkan.

• Jalankan bagian Generate content stream di notebook.

Mengirim permintaan asinkron

Anda dapat mengirim permintaan asinkron menggunakan modul client.aio. Modul ini mengekspos semua metode asinkron analog yang tersedia di client.

Misalnya, client.aio.models.generate_content adalah versi asinkron dari client.models.generate_content.

• Jalankan bagian Send asynchronous requests di notebook.

Menghitung token dan mengomputasi token

Anda dapat menggunakan metode count_tokens untuk menghitung jumlah token input sebelum mengirim permintaan ke Gemini API. Lihat halaman Mencantumkan dan menghitung token untuk mengetahui detailnya.

Menghitung token

• Jalankan bagian Count tokens di notebook.

Menghitung token

• Jalankan bagian Compute tokens di notebook.

Klik Periksa progres saya untuk memverifikasi tujuan. Mengelola interaksi model

Tugas 6. Fitur lanjutan

Pemanggilan fungsi

Pemanggilan fungsi memungkinkan Anda menyediakan serangkaian alat yang dapat digunakan model untuk merespons perintah pengguna. Anda membuat deskripsi fungsi dalam kode, lalu meneruskan deskripsi tersebut ke model bahasa dalam permintaan. Respons dari model tersebut mencakup nama fungsi yang sesuai dengan deskripsi dan argumen yang digunakan untuk memanggilnya.

Untuk melihat contoh Pemanggilan Fungsi lainnya, lihat lab ini.

• Jalankan bagian Function calling di notebook.

Klik Periksa progres saya untuk memverifikasi tujuan. Pemanggilan fungsi

Menggunakan context caching

Context caching memungkinkan Anda menyimpan token input yang sering digunakan di cache khusus dan merujuknya untuk permintaan berikutnya. Dengan demikian, Anda tidak perlu berulang kali meneruskan kumpulan token yang sama ke model.

Membuat cache

• Jalankan bagian Create a cache di notebook.

Menggunakan cache

• Jalankan bagian Use a cache di notebook.

Menghapus cache

• Jalankan bagian Delete a cache di notebook.

Klik Periksa progres saya untuk memverifikasi tujuan. Menggunakan context caching

Mendapatkan embedding teks

Anda dapat memperoleh embedding teks untuk cuplikan teks dengan menggunakan metode embed_content. Semua model menghasilkan output dengan 768 dimensi secara default. Namun, beberapa model memberi pengguna opsi untuk memilih dimensi output antara 1 dan 768. Lihat Agent Platform text embeddings API untuk mengetahui detailnya.

• Jalankan bagian Get text embeddings di notebook.

Klik Periksa progres saya untuk memverifikasi tujuan. Mendapatkan embedding teks

Selamat!

Selamat! Anda berhasil mempelajari Google Gen AI SDK, cara terhubung ke layanan AI, mengirim berbagai perintah, dan menyesuaikan respons dari model Gemini. Anda juga mendapatkan pengalaman langsung dengan beberapa teknik lanjutan seperti mengelola interaksi, menggunakan context caching, dan bahkan bekerja dengan embedding. Sekarang Anda sudah siap untuk memanfaatkan kecanggihan AI generatif untuk project Anda sendiri.

Langkah berikutnya/Pelajari lebih lanjut

Lihat referensi berikut untuk mempelajari lebih lanjut AI Generatif dan Gemini Enterprise Agent Platform:

• Baca Ringkasan Model Gemini Google DeepMind untuk mempelajari kapabilitas model inti.
• Pelajari Dokumentasi Agent Platform resmi untuk memahami panduan desain, penskalaan, dan deployment.
• Tinjau Ringkasan Agen di Agent Platform untuk memahami cara membangun dan mengatur agen kustom.
• Tonton playlist AI Generatif di YouTube untuk melihat video tutorial dan demo produk.
• Jelajahi notebook dan sampel lainnya di repositori AI Generatif Google Cloud.
• Jelajahi repositori Sampel Google Agent Development Kit (ADK) untuk mempelajari aneka template agen kustom.

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 18 Mei 2026

Lab Terakhir Diuji pada 04 Mei 2026

Hak cipta 2026 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.