Google Gemini

Google Gemini může pohánět agenta Agent Framework prostřednictvím Gemini Developer API nebo Gemini Enterprise Agent Platform (dříve Vertex AI). Klient specifický pro poskytovatele zpracovává možnosti ověřování a požadavků Gemini, zatímco Agent Framework vlastní definici a orchestraci agenta.

Důležité

Google Gemini a Vertex AI jsou systémy třetích stran. Než odešlete data, zkontrolujte podmínky služeb, zpracování dat, regionální hranice, přístup k modelu a náklady na využití.

Nainstalujte Gemini IChatClient

Ukázka .NET ukazuje oficiálního klienta Google GenAI a implementaci komunityMscc.GenerativeAI.Microsoft.

dotnet add package Google.GenAI
dotnet add package Mscc.GenerativeAI.Microsoft
dotnet add package Microsoft.Agents.AI --prerelease

Configuration

GOOGLE_GENAI_API_KEY="<google-ai-studio-api-key>"
GOOGLE_GENAI_MODEL="gemini-2.5-flash"

const string JokerInstructions = "You are good at telling jokes.";
const string JokerName = "JokerAgent";

string apiKey = Environment.GetEnvironmentVariable("GOOGLE_GENAI_API_KEY") ?? throw new InvalidOperationException("Please set the GOOGLE_GENAI_API_KEY environment variable.");
string model = Environment.GetEnvironmentVariable("GOOGLE_GENAI_MODEL") ?? "gemini-2.5-flash";

// Using a Google GenAI IChatClient implementation

ChatClientAgent agentGenAI = new(
    new Client(vertexAI: false, apiKey: apiKey).AsIChatClient(model),
    name: JokerName,
    instructions: JokerInstructions);

AgentResponse response = await agentGenAI.RunAsync("Tell me a joke about a pirate.");
Console.WriteLine($"Google GenAI client based agent response:\n{response}");

// Using a community driven Mscc.GenerativeAI.Microsoft package

ChatClientAgent agentCommunity = new(
    new GeminiChatClient(apiKey: apiKey, model: model),
    name: JokerName,
    instructions: JokerInstructions);

response = await agentCommunity.RunAsync("Tell me a joke about a pirate.");
Console.WriteLine($"Community client based agent response:\n{response}");

Vyberte jednu z implementací IChatClient a nakonfigurujte ověřování pro Gemini Developer API nebo Vertex AI.

Nainstalujte balíček

pip install agent-framework-gemini --pre

Configuration

Použijte buď rozhraní Gemini Developer API:

GOOGLE_API_KEY="<api-key>"
GOOGLE_MODEL="gemini-2.5-flash"

Nebo nakonfigurujte platformu Gemini Enterprise Agent:

GOOGLE_GENAI_USE_ENTERPRISE="true"
GOOGLE_CLOUD_PROJECT="<project-id>"
GOOGLE_CLOUD_LOCATION="global"
GOOGLE_MODEL="gemini-2.5-flash"

Starší GOOGLE_GENAI_USE_VERTEXAI=true nastavení zůstává podporováno. Konektor již nepřečte GEMINI_API_KEY, GEMINI_MODELnebo GEMINI_EMBEDDING_MODEL; používat odpovídající GOOGLE_* proměnné nebo předávat hodnoty explicitně.

GeminiChatClient podporuje streamování, nástroje funkcí, strukturovaný výstup, rozšířené myšlení a nástroje hostované poskytovatelem.

    """Runs the agent and waits for the complete response before printing it."""
    print("=== Non-streaming ===")

    # 1. Create the agent with the Gemini chat client and local weather tool.
    agent = Agent(
        client=GeminiChatClient(),
        name="WeatherAgent",
        instructions="You are a helpful weather agent.",
        tools=[get_weather],
    )

    # 2. Ask the agent for a single weather lookup and print the final response.
    query = "What's the weather like in Karlsruhe, Germany?"
    print(f"User: {query}")
    result = await agent.run(query)
    print(f"Result: {result}\n")


async def streaming_example() -> None:
    """Runs the agent and prints each chunk as it is received."""
    print("=== Streaming ===")

    # 1. Create the same agent configuration for a streaming tool-call example.
    agent = Agent(
        client=GeminiChatClient(),
        name="WeatherAgent",
        instructions="You are a helpful weather agent.",
        tools=[get_weather],
    )

    # 2. Ask a multi-location question and stream the model output as it arrives.
    query = "What's the weather like in Portland and in Paris?"
    print(f"User: {query}")
    print("Agent: ", end="", flush=True)
    async for chunk in agent.run(query, stream=True):
        if chunk.text:
            print(chunk.text, end="", flush=True)
    print("\n")

Řešení selhání požadavků

Při streamovaných i nestreamovaných bězích se selhání požadavků Gemini SDK projevují jako výjimky rozhraní Agent Framework. Chyby HTTP 401 a 403 vyvolají ChatClientInvalidAuthException, další chyby HTTP 4xx vyvolají ChatClientInvalidRequestException a všechny ostatní chyby poskytovatele vyvolají ChatClientException.

Zachyťte ChatClientException , kdy by se mělo použít stejné zpracování chyb u poskytovatelů chatu.

Zahrnout myšlenkové souhrny

Rozšířená ukázka myšlení ukazuje, jak nakonfigurovat ThinkingConfig. Pokud chcete získat souhrny myšlenek Gemini, nastavte include_thoughts=True v konfiguraci myšlení:

options: GeminiChatOptions = {
    "thinking_config": ThinkingConfig(include_thoughts=True, thinking_budget=2048),
}

Když Gemini vrátí myšlenkový souhrn, GeminiChatClient přidá ho do odpovědi jako Content s type == "text_reasoning". Přečtěte si souhrn z content.text.

Pro spuštění bez streamování odfiltrujte contents u každé položky v result.messages. Pro spuštění streamování vyfiltrujte každou chunk.contentsz nich . Přístupové objekty k textu, jako jsou result.text a chunk.text, obsahují pouze obsah text, proto zkontrolujte kolekce obsahu, když vaše aplikace potřebuje shrnutí odůvodnění.

Generování vložených objektů

GeminiEmbeddingClient ve výchozím nastavení používá gemini-embedding-2 . Přepište to pomocí GOOGLE_EMBEDDING_MODEL nebo parametru konstruktoru model. Textové vstupy vyžadují typ úkolu při každém volání; používá RETRIEVAL_DOCUMENT se při indexování a RETRIEVAL_QUERY při vyhledávání ve stejném vektorovém prostoru.

import asyncio

from agent_framework.gemini import GeminiEmbeddingClient
from dotenv import load_dotenv

load_dotenv()


async def main() -> None:
    """Embed a document and a search query for the same vector index."""
    # 1. Choose task instructions for each call, not for the client.
    client = GeminiEmbeddingClient()
    try:
        # 2. Use matching dimensions for stored documents and search queries.
        document = await client.get_embeddings(
            ["Agent Framework helps build and orchestrate AI agents."],
            options={"task_type": "RETRIEVAL_DOCUMENT", "title": "Agent Framework", "dimensions": 768},
        )
        query = await client.get_embeddings(
            ["How can I orchestrate AI agents?"],
            options={"task_type": "RETRIEVAL_QUERY", "dimensions": 768},
        )
        print(f"Document embedding: {document[0].dimensions} dimensions")
        print(f"Query embedding: {query[0].dimensions} dimensions")

Pro vkládání dokumentů a dotazů použijte stejný model a dimenze. Klient také přijímá hodnoty médií Google SDK Part a Content pro embeddingy obrázků, zvuku, videa, PDF nebo kombinované embeddingy textu a médií. Multimediální vstupy nepoužívají předponu textového úkolu.

Když kolekce vektorů generuje embeddingy, předejte úlohu dokumentu přes upsert(..., embeddings_options=...) a úlohu dotazu přes search(..., embeddings_options=...) nebo create_vector_search_tool(..., embeddings_options=...). Pro více vektorových polí použijte embeddings_options_by_field. Agent Framework poskytuje dimenze vybraného pole a odmítá konfliktní hodnoty.

Balíček obsahuje továrny pro uzemnění vyhledávání Google, uzemnění Map Google, spouštění kódu, vyhledávání souborů a MCP.

Uzemnění vyhledávání Google

from agent_framework import Agent
from agent_framework.gemini import GeminiChatClient
from dotenv import load_dotenv

load_dotenv()


async def main() -> None:
    """Run the Google Search grounding example."""
    print("=== Google Search grounding ===")

    # 1. Create the agent with Gemini and the built-in Google Search grounding tool.
    agent = Agent(
        client=GeminiChatClient(),
        name="SearchAgent",
        instructions="You are a helpful assistant. Use Google Search to provide accurate, up-to-date answers.",
        tools=[GeminiChatClient.get_web_search_tool()],
    )

    # 2. Ask a current-events style question and stream the grounded answer.
    query = "What is the latest stable release of the .NET SDK?"
    print(f"User: {query}")
    print("Agent: ", end="", flush=True)
    async for chunk in agent.run(query, stream=True):
        if chunk.text:
            print(chunk.text, end="", flush=True)
    print("\n")


if __name__ == "__main__":
    asyncio.run(main())

Go SDK poskytuje geminiprovider pro inferenci Gemini. Vytvořte standard *agent.Agent prostřednictvím konstruktoru specifického pro zprostředkovatele.

Podívejte se na balíček poskytovatele Gemini a příklady.

Tools

nástroj	jazyk C#	Python	Go	Notes
Funkční nástroje	✅	✅	✅	Volání funkcí standardního modelu
Schválení nástroje	✅	✅	✅	Používá se smyčkou nástrojů architektury.
Interpretér kódu	❌	✅	❌	GeminiChatClient.get_code_interpreter_tool().
Hledání souborů	❌	✅	❌	GeminiChatClient.get_file_search_tool().
Vyhledávání na webu	❌	✅	❌	Ukotvení pomocí Google Search prostřednictvím get_web_search_tool().
Ukotvení v Mapách Google	❌	✅	❌	GeminiChatClient.get_maps_grounding_tool().
Hostované nástroje MCP	❌	✅	❌	GeminiChatClient.get_mcp_tool().
Místní nástroje MCP	✅	✅	✅	Spustí se v procesu aplikace.

Další kroky

ONNX