GSP1227

Übersicht

Funktionsaufrufe ermöglichen es Entwicklern, eine Beschreibung einer Funktion im Code zu erstellen und diese dann in einer Anfrage an ein Language Model zu übergeben. Die Antwort des Modells enthält den Namen einer Funktion, die der Beschreibung entspricht, sowie die Argumente, um diese aufzurufen.

Funktionsaufrufe ähneln Vertex AI Extensions, da beide Informationen über Funktionen generieren. Der Unterschied liegt darin, dass Funktionsaufrufe JSON-Daten mit dem Namen einer Funktion und den Argumenten zurückgeben, die in den Code eingefügt werden sollen. Vertex AI Extensions hingegen geben die Funktion zurück und rufen sie direkt für Sie auf.

Gemini

Gemini umfasst eine Reihe leistungsstarker generativer KI-Modelle, die von Google DeepMind entwickelt wurden. Diese können verschiedene Formen von Inhalten verstehen und erstellen, darunter Text, Code, Bilder, Audio und Video.

Gemini API in Vertex AI

Die Gemini API in Vertex AI bietet eine einheitliche Benutzeroberfläche für die Interaktion mit Gemini-Modellen. Darüber können Entwickler die leistungsstarken KI-Funktionen ohne viel Aufwand in ihre Anwendungen integrieren. Aktuelle Informationen und besondere Merkmale der neuesten Versionen finden Sie in der offiziellen Dokumentation zu Gemini.

Gemini-Modelle

• Gemini Pro – entwickelt für komplexe Schlussfolgerungen, darunter:
  • Analysieren und Zusammenfassen großer Mengen von Informationen
  • Ausgereifte multimodale Schlussfolgerungen (zu Text, Code, Bildern usw.)
  • Effektive Problemlösung mit komplexer Codebasis
• Gemini Flash – für Geschwindigkeit und Effizienz optimiert, bietet folgende Vorteile:
  • Reaktionszeiten unter einer Sekunde und hoher Durchsatz
  • Hohe Qualität zu niedrigeren Kosten für eine Vielzahl von Aufgaben
  • Erweiterte multimodale Funktionen, einschließlich der Verwendung nativer Tools (Google Suche, Codeausführung und Funktionen von Drittanbietern), verbesserter räumlicher Strukturen und neuer Ausgabemodalitäten (Text, Audio, Bilder)

Vorbereitung

Für dieses Lab sollten Sie folgende Konzepte kennen:

• Grundlegende Kenntnisse der Programmierung mit Python
• Grundlegende API-Konzepte
• Ausführen von Python-Code in einem Jupyter-Notebook in Vertex AI Workbench

Lernziele

Aufgaben in diesem Lab:

• Google Gen AI SDK for Python installieren
• Über die Gemini API in Vertex AI mit dem Gemini 2.0 Flash-Modell (gemini-2.0-flash) interagieren:
  • Funktionsaufrufe aus einem Text-Prompt generieren, damit Kunden Informationen über Produkte im Google Store erhalten
  • Funktionsaufrufe aus einem Text-Prompt generieren und eine externe API aufrufen, um Adressen zu geocodieren
  • Funktionsaufrufe aus einem Text-Prompt generieren, um Entitäten aus Logdaten zu extrahieren

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)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

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

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

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 linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:

   • Schaltfläche „Google Cloud Console öffnen“
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   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 „Details zum Lab“.

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 „Details zum Lab“.

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 Zwei-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 Vertex AI Workbench öffnen

1. Klicken Sie in der Google Cloud Console im Navigationsmenü () auf Vertex AI > 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.

Hinweis: Wenn in JupyterLab keine Notebooks angezeigt werden, führen Sie die folgenden zusätzlichen Schritte aus, um die Instanz zurückzusetzen:

1. Schließen Sie den Browsertab für JupyterLab und kehren Sie zur Workbench-Startseite zurück.

2. Aktivieren Sie das Kästchen neben dem Instanznamen und klicken Sie dann auf Zurücksetzen.

3. Nachdem die Schaltfläche JupyterLab öffnen wieder aktiviert ist, warten Sie eine Minute und klicken Sie dann auf JupyterLab öffnen.

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 aus.

3. Gehen Sie die Abschnitte Erste Schritte und Bibliotheken importieren des Notebooks durch.

   • Verwenden Sie als Projekt-ID den Wert und als Standort die Option .

Hinweis: Notebookzellen mit dem Hinweis Nur Colab können Sie überspringen. Wenn Sie bei der Ausführung einer der Notebook-Zellen eine 429-Antwort erhalten, warten Sie eine Minute, bevor Sie die Zelle noch einmal ausführen und dann fortfahren.

In den folgenden Abschnitten gehen Sie die Notebookzellen durch und erfahren, wie Sie die Gemini API in Vertex AI mit dem Google Gen AI SDK for Python nutzen können.

Klicken Sie auf Fortschritt prüfen. Gen AI SDK for Python installieren und Bibliotheken importieren

Aufgabe 3: Funktionsaufrufe für strukturierte Google Store-Abfragen verwenden

Beim Einsatz eines generativen Textmodells kann es schwierig sein, das LLM dazu zu bringen, einheitliche Antworten in einem strukturierten Format wie JSON zu geben. Funktionsaufrufe erleichtern die Arbeit mit LLMs über Prompts und unstrukturierte Eingaben. Sie sorgen dafür, dass das LLM eine strukturierte Antwort zurückgibt, die dazu verwendet werden kann, eine externe Funktion aufzurufen.

Funktionsaufrufe dienen im Prinzip dazu, eine strukturierte Ausgabe aus Nutzer-Prompts und Funktionsdefinitionen zu erhalten. Dann machen sie daraus eine API-Anfrage an ein externes System und geben anschließend die Funktionsantwort an das LLM zurück, um eine Antwort für den Nutzer zu generieren. Mit anderen Worten: In Gemini werden durch Funktionsaufrufe aus unstrukturiertem Text oder Nachrichten von Nutzern strukturierte Parameter extrahiert. In diesem Beispiel verwenden Sie Funktionsaufrufe und die Chatmodalität im Gemini-Modell, um Kunden zu helfen, Informationen über Produkte im Google Store zu erhalten.

1. In dieser Aufgabe gehen Sie die Notebookzellen durch, um zu sehen, wie Sie mit dem Gemini-Modell Kunden helfen können, Informationen über Produkte im Google Store zu erhalten.

Klicken Sie auf Fortschritt prüfen. Einfachen Funktionsaufruf generieren

Aufgabe 4: Mit Funktionsaufrufen Adressen über eine Maps API geocodieren

In diesem Beispiel verwenden Sie die Textmodalität in der Gemini API, um eine Funktion zu definieren, die mehrere Parameter als Eingabe akzeptiert. Anschließend verwenden Sie die Antwort des Funktionsaufrufs, um über einen Live-API-Aufruf eine Adresse in Breiten‑ und Längenkoordinaten umzuwandeln.

1. In dieser Aufgabe gehen Sie die Notebookzellen durch und lernen, wie Sie mit dem Gemini Flash-Modell einen Funktionsaufruf erstellen können, um eine Adresse zu geocodieren.

Hier wird die OpenStreetMap Nominatim API zum Geocodieren einer Adresse verwendet, um das Lernen mit dem Notebook zu erleichtern. Wenn Sie mit einer großen Anzahl an Karten oder Standortbestimmungsdaten arbeiten, können Sie auch die Google Maps Geocoding API verwenden.

Klicken Sie auf Fortschritt prüfen. Komplexen Funktionsaufruf generieren

Aufgabe 5: Funktionsaufrufe zur Entitätsextraktion verwenden

In den vorherigen Beispielen haben Sie die Funktion zur Entitätsextraktion in Funktionsaufrufen mit Gemini genutzt, um die daraus resultierenden Parameter an eine REST API oder Clientbibliothek zu übergeben. Sie können jedoch auch nur die Entitätsextraktion ausführen, ohne eine API aufzurufen. Dies ist eine praktische Möglichkeit, aus unstrukturierten Textdaten strukturierte Felder zu machen.

In diesem Beispiel erstellen Sie einen Logextrahierer, der Logrohdaten in strukturierte Daten mit Details zu Fehlermeldungen umwandelt.

1. In dieser Aufgabe gehen Sie die Notebookzellen durch und erfahren, wie Sie mit dem Gemini Flash-Modell Funktionsaufrufe generieren können, um Entitäten aus Logdaten zu extrahieren.

Klicken Sie auf Fortschritt prüfen. Funktionsaufrufe aus einem Chat-Prompt generieren

Das wars!

Sie haben das Lab erfolgreich abgeschlossen. Sie haben gelernt, wie Sie mit der Gemini API in Vertex AI Funktionsaufrufe aus Text-Prompts generieren. Dabei haben Sie das Gemini Flash-Modell verwendet, um Funktionsaufrufe zu generieren und Kunden damit zu helfen, Informationen über Produkte im Google Store zu erhalten. Außerdem haben Sie Adressen geocodiert und Entitäten aus Logdaten extrahiert.

Weitere Informationen

In den folgenden Ressourcen finden Sie weitere Informationen zu Gemini:

• Überblick: Gemini
• Dokumentation: Generative KI in Vertex AI
• Generative KI auf YouTube
• Im Vertex AI Cookbook finden Sie ausgewählte und durchsuchbare Notebooks zu generativer KI.
• Weitere Notebooks und Beispiele wurden im Repository „Google Cloud Generative AI“ zusammengestellt.

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 14. Mai 2025 aktualisiert

Lab zuletzt am 14. Mai 2025 getestet

© 2025 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.