GSP1209

Visão geral

O SDK de IA generativa do Google oferece uma interface unificada para os serviços de API da IA generativa do Google. Ele simplifica o processo de integração dos recursos de IA generativa em aplicativos e serviços, permitindo que devs usem os modelos avançados de IA do Google em várias tarefas. Neste laboratório, você vai conhecer o SDK de IA generativa do Google, aprender a se conectar a serviços de IA, enviar vários comandos e ajustar as respostas do Gemini. Você também vai praticar com técnicas mais avançadas e usar o poder da IA generativa nos seus projetos.

Objetivos

Aprender a usar o SDK de IA generativa do Google para Python para interagir com os serviços e modelos de IA generativa do Google, incluindo o Gemini. Os tópicos serão:

• Instalar o SDK de IA generativa.
• Conectar-se a um serviço de API.
• Enviar comandos de texto e multimodais.
• Definir instruções do sistema.
• Configurar parâmetros de modelo e filtros de segurança.
• Gerenciar interações de modelos (conversa multiturno, streaming de conteúdo e solicitações assíncronas).
• Usar recursos avançados (contagem de tokens, armazenamento em cache de contexto, chamadas de função e embeddings de texto).

Pré-requisitos

Antes de fazer este laboratório, você precisa saber os seguintes conceitos:

• Noção básica de programação em Python.
• Conceitos gerais sobre APIs.
• Executar códigos Python em um notebook do Jupyter no Agent Platform Workbench.

Configuração e requisitos

Antes de clicar no botão Começar o Laboratório

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é ativado quando você clica em Iniciar laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, e não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima (recomendado) ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório: não se esqueça que, depois de começar, não será possível pausar o laboratório.

Observação: use apenas a conta de estudante neste laboratório. Se usar outra conta do Google Cloud, você poderá receber cobranças nela.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar laboratório. Se for preciso pagar por ele, uma caixa de diálogo vai aparecer para você selecionar a forma de pagamento. À direita, você encontra o painel Configuração e acesso ao laboratório com as seguintes informações:

   • O botão Abrir console do Google Cloud
   • As credenciais temporárias (nome de usuário e senha) que você vai usar no laboratório
   • Outros dados, se necessários

   O timer do laboratório fica na parte de cima da página e mostra o tempo restante.

2. Se você estiver usando o navegador Chrome, clique em Abrir console do Google Cloud ou clique com o botão direito do mouse e selecione Abrir link em uma janela anônima.

   O laboratório ativa os recursos e depois abre a página "Login" em outra guia.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Se necessário, copie o Nome de usuário abaixo e cole na caixa de diálogo Login.

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

   Você também encontra o nome de usuário no painel Configuração e acesso ao laboratório.

4. Clique em Avançar.

5. Copie a Senha abaixo e cole na caixa de diálogo Olá!.

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

   Você também encontra a senha no painel Configuração e acesso ao laboratório.

6. Clique em Avançar.

   Importante: você precisa usar as credenciais fornecidas no laboratório, e não as da sua conta do Google Cloud. Observação: se você usar sua própria conta do Google Cloud neste laboratório, talvez receba cobranças adicionais.

7. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes sem custo financeiro.

Depois de alguns instantes, o console do Google Cloud será aberto nesta guia.

Observação: para acessar os produtos e serviços do Google Cloud, clique no Menu de navegação ou digite o nome do serviço ou produto no campo Pesquisar.

Tarefa 1: abrir o notebook no Workbench da Agent Platform

1. No console do Google Cloud, no menu de navegação (), clique em Agent Platform > Notebooks > Workbench.

2. Ache a instância e clique no botão Abrir o JupyterLab.

A interface do JupyterLab para sua instância do Workbench é aberta em uma nova guia do navegador.

Tarefa 2: configurar o notebook

1. Abra o arquivo .

2. Na caixa de diálogo Selecionar Kernel, escolha Python 3 (local) na lista de kernels disponíveis.

3. Leia a seção Vamos começar do notebook. O ID do projeto e o local já estão pré-configurados.

Observação: se você receber uma resposta 429 de uma das execuções de células do notebook, aguarde um minuto antes de executar a célula novamente para prosseguir. Importante: depois de executar a célula de instalação Instalar a SDK de IA Generativa do Google no notebook, você precisa reiniciar o kernel do notebook (acesse Kernel > Reiniciar Kernel... na barra de menus do notebook) antes de executar as outras células.

Clique em Verificar meu progresso para conferir o objetivo. Importar bibliotecas e configurar o notebook

Tarefa 3: interagir com o modelo

Para saber mais sobre modelos de IA e APIs na Agent Platform, consulte Modelos do Google e Model Garden.

Escolher um modelo

• Execute a seção Escolher um modelo do notebook.

Enviar comandos de texto

Use o método generate_content para gerar respostas aos comandos. É possível passar texto ao generate_content e usar a propriedade .text para receber o texto da resposta.

• Execute a seção Enviar comandos de texto do notebook.

Enviar comandos multimodais

É possível incluir texto, documentos em PDF, imagens, áudio e vídeo nos comandos e receber respostas de texto ou código,

além de passar o URL do arquivo em Part.from_uri na solicitação ao modelo diretamente.

• Execute a seção Enviar comandos multimodais do notebook.

Definir as instruções do sistema

Nas instruções do sistema você controla o comportamento do modelo. Defina a instrução do sistema para dar ao modelo mais contexto para entender a tarefa, fornecer respostas mais personalizadas e aderir a diretrizes sobre interações do usuário.

• Execute a seção Definir instrução do sistema do notebook.

Clique em Verificar meu progresso para conferir o objetivo. Interagir com o modelo

Tarefa 4: configurar e controlar o modelo

Configurar parâmetros do modelo

É possível incluir valores de parâmetro em cada chamada enviada a um modelo para controlar como ele gera respostas. Para saber mais, consulte Como testar valores de parâmetro.

• Execute a seção Configurar parâmetros do modelo do notebook.

Configurar filtros de segurança

É possível ajustar os filtros de segurança da API Gemini em categorias diferentes para restringir ou permitir tipos de conteúdo. Use esses filtros para ajustar o que for necessário ao seu caso de uso. Consulte a página Configurar filtros de segurança para saber mais.

Quando você faz uma solicitação ao modelo, o conteúdo é analisado e recebe uma classificação de segurança. Para verificar as classificações de segurança do conteúdo gerado, basta imprimir as respostas do modelo, por exemplo:

• Execute a seção Configurar filtros de segurança do notebook.

Iniciar uma conversa multiturno

A API Gemini permite conversas de formato livre em vários turnos.

• Execute a seção Iniciar uma conversa multiturno do notebook.

Controlar a saída gerada

O recurso de geração controlada na API Gemini permite que você restrinja a resposta do modelo a um formato estruturado. Defina os esquemas como modelos Pydantic ou uma string JSON.

Também é possível escolher um esquema de resposta em um dicionário do Python. Use apenas os campos abaixo. Os outros serão ignorados.

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

Neste exemplo, você instrui o modelo a analisar dados de avaliações de produtos, extrair as entidades principais, realizar a classificação de sentimento (várias opções), fornecer mais explicações e gerar os resultados no formato JSON.

• Execute a seção Controlar a saída gerada do notebook.

Clique em Verificar meu progresso para conferir o objetivo. Configurar e controlar o modelo

Tarefa 5: gerenciar as interações do modelo

Gerar stream de conteúdo

Por padrão, o modelo retorna uma resposta depois de concluir o processo de geração. Também é possível usar o método generate_content_stream para transmitir a resposta conforme ela é gerada. O modelo retorna partes da resposta à medida que elas são geradas.

• Execute a seção Gerar stream de conteúdo do notebook.

Enviar solicitações assíncronas

É possível enviar solicitações assíncronas usando o módulo client.aio. Esse módulo expõe todos os métodos assíncronos análogos disponíveis em client.

Por exemplo, client.aio.models.generate_content é a versão assíncrona de client.models.generate_content.

• Execute a seção Enviar solicitações assíncronas do notebook.

Contar e calcular tokens

Use o método count_tokens para calcular o número de tokens de entrada antes de enviar uma solicitação à API Gemini. Consulte a página Listar e contar tokens para saber mais.

Contar tokens

• Execute a seção Contar tokens do notebook.

Calcular tokens

• Execute a seção Calcular tokens do notebook.

Clique em Verificar meu progresso para conferir o objetivo. Gerenciar as interações do modelo

Tarefa 6: recursos avançados

Chamadas de função

A chamada de função permite que você forneça um conjunto de ferramentas que o modelo pode usar para responder ao comando do usuário. Você cria e transmite uma descrição de uma função no código a um modelo de linguagem em uma solicitação. A resposta do modelo inclui o nome de uma função que corresponde à descrição e os argumentos para chamá-la.

Para conferir mais exemplos de chamadas de função, acesse este laboratório.

• Execute a seção Chamada de função do notebook.

Clique em Verificar meu progresso para conferir o objetivo. Chamadas de função

Usar o armazenamento em cache de contexto

O armazenamento em cache de contexto permite armazenar tokens de entrada usados com frequência em um cache dedicado e consultá-los para as próximas solicitações. Com isso, não é mais necessário passar o mesmo conjunto de tokens para um modelo várias vezes.

Criar um cache

• Execute a seção Criar um cache do notebook.

Usar um cache

• Execute a seção Usar um cache do notebook.

Excluir um cache

• Execute a seção Excluir um cache do notebook.

Clique em Verificar meu progresso para conferir o objetivo. Usar o armazenamento em cache de contexto

Acessar embeddings de texto

É possível usar o método embed_content para gerar embeddings de texto para um snippet. Os modelos produzem uma saída com 768 dimensões por padrão. No entanto, alguns dão aos usuários a opção de escolher uma dimensionalidade de saída entre 1 e 768. Consulte a API de embeddings de texto da Agent Platform para mais detalhes.

• Execute a seção Recuperar embeddings de texto do notebook.

Clique em Verificar meu progresso para conferir o objetivo. Acessar embeddings de texto

Parabéns!

Parabéns! Você estudou sobre o SDK de IA Generativa do Google, aprendeu a se conectar a serviços de IA, enviar comandos e ajustar as respostas do modelo Gemini. Também teve experiência prática com técnicas mais avançadas, como gerenciar interações, usar o armazenamento em cache de contexto e até mesmo trabalhar com embeddings. Agora você sabe como aproveitar o potencial da IA generativa nos seus projetos.

Próximas etapas / Saiba mais

Confira os recursos a seguir para saber mais sobre a IA generativa e a Gemini Enterprise Agent Platform:

• Confira a Visão geral dos modelos do Gemini do Google DeepMind para saber mais sobre os principais recursos do modelo.
• Confira a documentação oficial da Agent Platform para ver as diretrizes de design, escalonamento e implantação.
• Confira a Visão geral dos agentes na Agent Platform para entender como criar e gerenciar agentes personalizados.
• Assista à playlist de IA generativa no YouTube para conferir tutoriais em vídeo e demonstrações de produtos.
• Conheça outros notebooks e exemplos no Repositório da IA generativa do Google Cloud (em inglês).
• Confira o repositório de amostras do Kit de Desenvolvimento de Agente (ADK) do Google para ver os modelos de agentes personalizados.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 18 de maio de 2026

Laboratório testado em 4 de maio de 2026

Copyright 2026 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.