Anthropic Claude Opus 4.5 و Gemini 3 روی Vertex AI با python sdk از طریق نقطه پایانی Private Service Connect

۱. مرور کلی

API هوش مصنوعی Vertex از طریق اینترنت قابل دسترسی است، با این حال، در شرکت شما ممکن است بخواهید به APIهای هوش مصنوعی Vertex به صورت خصوصی و بدون نیاز به اینترنت دسترسی داشته باشید. در این آزمایشگاه ابتدا از طریق python sdk که روی یک ماشین مجازی از طریق اینترنت عمومی اجرا می‌شود، به Anthropic Claude Opus 4.5 و Gemini 3 Pro روی Vertex دسترسی خواهید داشت.

سپس یک نقطه پایانی Private Service Connect برای Googleapis ایجاد خواهید کرد و جریان ترافیک را طوری تغییر می‌دهید که از نقطه پایانی خصوصی برای اتصال به Vertex API استفاده کند.

نمونه کد پایتون، سوالات ورودی را دریافت می‌کند، آن را به Claude Opus منتقل می‌کند تا پاسخی تولید کند ، آن خروجی به Gemini Pro 3 منتقل می‌شود تا خلاصه‌ای از متن ایجاد شود و تصویری تولید شود.

در این آزمایش، شما قرار است الگوی زیر را ایجاد کنید.

شکل ۱.

c8f37e193349bfd6.png

۲. اهداف

در این آزمایشگاه یاد خواهید گرفت که چگونه وظایف زیر را انجام دهید:

  • راه‌اندازی نمونه ماشین مجازی برای استفاده از python sdk
  • فعال کردن کارت مدل انسان‌محور در Vertex AI
  • از طریق اسکریپت پایتون به Anthropic Claude Opus 4.5 و Gemini 3 Pro متصل شوید
  • پیکربندی نقطه پایانی PSC برای اتصال به Googleapis
  • پیکربندی ورودی‌های DNS دستی
  • مسیر اتصال به Googleais را تأیید کنید
  • اجرای اسکریپت پایتون برای پرس و جو از مدل‌ها

راه اندازی آزمایشگاه

تنظیم محیط خودتنظیم

  1. وارد کنسول گوگل کلود شوید و یک پروژه جدید ایجاد کنید یا از یک پروژه موجود دوباره استفاده کنید. اگر از قبل حساب جیمیل یا گوگل ورک اسپیس ندارید، باید یکی ایجاد کنید .

۲۹۵۰۰۴۸۲۱bab6a87.png

37d264871000675d.png

۹۶d86d3d5655cdbe.png

  • نام پروژه، نام نمایشی برای شرکت‌کنندگان این پروژه است. این یک رشته کاراکتری است که توسط APIهای گوگل استفاده نمی‌شود. شما همیشه می‌توانید آن را به‌روزرسانی کنید.
  • شناسه پروژه در تمام پروژه‌های گوگل کلود منحصر به فرد است و تغییرناپذیر است (پس از تنظیم، قابل تغییر نیست). کنسول کلود به طور خودکار یک رشته منحصر به فرد تولید می‌کند؛ معمولاً برای شما مهم نیست که چه باشد. در اکثر آزمایشگاه‌های کد، باید شناسه پروژه خود را (که معمولاً با عنوان PROJECT_ID شناخته می‌شود) ارجاع دهید. اگر شناسه تولید شده را دوست ندارید، می‌توانید یک شناسه تصادفی دیگر ایجاد کنید. به عنوان یک جایگزین، می‌توانید شناسه خودتان را امتحان کنید و ببینید که آیا در دسترس است یا خیر. پس از این مرحله قابل تغییر نیست و در طول پروژه باقی می‌ماند.
  • برای اطلاع شما، یک مقدار سوم، شماره پروژه ، وجود دارد که برخی از APIها از آن استفاده می‌کنند. برای کسب اطلاعات بیشتر در مورد هر سه این مقادیر، به مستندات مراجعه کنید.
  1. در مرحله بعد، برای استفاده از منابع/API های ابری، باید پرداخت صورتحساب را در کنسول ابری فعال کنید . اجرای این آزمایشگاه کد هزینه زیادی نخواهد داشت، اگر اصلاً هزینه‌ای داشته باشد. برای خاموش کردن منابع به منظور جلوگیری از پرداخت صورتحساب پس از این آموزش، می‌توانید منابعی را که ایجاد کرده‌اید یا پروژه را حذف کنید. کاربران جدید Google Cloud واجد شرایط برنامه آزمایشی رایگان ۳۰۰ دلاری هستند.

شروع پوسته ابری

اگرچه می‌توان از راه دور و از طریق لپ‌تاپ، گوگل کلود را مدیریت کرد، اما در این آزمایشگاه کد، از گوگل کلود شل ، یک محیط خط فرمان که در فضای ابری اجرا می‌شود، استفاده خواهید کرد.

از کنسول گوگل کلود ، روی آیکون Cloud Shell در نوار ابزار بالا سمت راست کلیک کنید:

فعال کردن پوسته ابری

آماده‌سازی و اتصال به محیط فقط چند لحظه طول می‌کشد. وقتی تمام شد، باید چیزی شبیه به این را ببینید:

تصویر صفحه ترمینال Google Cloud Shell که نشان می‌دهد محیط متصل شده است

این ماشین مجازی با تمام ابزارهای توسعه‌ای که نیاز دارید، مجهز شده است. این ماشین مجازی یک دایرکتوری خانگی پایدار ۵ گیگابایتی ارائه می‌دهد و روی فضای ابری گوگل اجرا می‌شود که عملکرد شبکه و احراز هویت را تا حد زیادی بهبود می‌بخشد. تمام کارهای شما در این آزمایشگاه کد را می‌توان در یک مرورگر انجام داد. نیازی به نصب چیزی ندارید.

۳. محیط راه‌اندازی

ما یک VPC سفارشی با قوانین فایروال ایجاد خواهیم کرد. اگر از قبل VPC و پروژه دارید، می‌توانید از این بخش صرف نظر کنید.

Cloud Shell را که در بالای کنسول شما در سمت راست قرار دارد، باز کنید و به صورت زیر پیکربندی کنید: b51b80043d3bac90.png

  1. فعال کردن برخی از APIهایی که در این آزمایش استفاده خواهیم کرد 
gcloud services enable dns.googleapis.com
gcloud services enable aiplatform.googleapis.com
gcloud services enable servicedirectory.googleapis.com
  1. چند متغیر تنظیم کنید. این متغیرها عبارتند از شناسه پروژه و شناسه شبکه VPC سفارشی (شما VPC را در مرحله ۴ ایجاد خواهید کرد). 
projectid=$(gcloud config get-value project)
networkid=anthropic-net 
echo $projectid
echo $networkid
clear
  1. حالا یک VPC سفارشی به نام anthropic-net ایجاد کنید. 
gcloud compute networks create $networkid \
--project=$projectid \
--subnet-mode=custom \
--mtu=1460 \
--bgp-routing-mode=global
  1. زیرشبکه vm1 را در VPC جدید ایجاد کنید 
gcloud compute networks subnets create vm-subnet \
--project=$projectid --range=10.0.88.0/24 \
--stack-type=IPV4_ONLY --network=$networkid \
--region=us-east1
  1. اضافه کردن قوانین فایروال ICMP، SSH و HTTP به VPC شما 
gcloud compute firewall-rules create $networkid-allow-icmp --project=$projectid \
--network=$networkid \
--description="Allows ICMP connections from any source to any instance on the network." \
--direction=INGRESS \
--priority=65534 \
--source-ranges=0.0.0.0/0 \
--action=ALLOW \
--rules=icmp

gcloud compute firewall-rules create $networkid-allow-ssh \
--project=$projectid \
--network=$networkid \
--description="Allows TCP connections from any source to any instance on the network using port 22." \
--direction=INGRESS --priority=65534 \
--source-ranges=0.0.0.0/0 --action=ALLOW \
--rules=tcp:22

gcloud compute firewall-rules create $networkid-allow-web \
--project=$projectid \
--network=$networkid \
--description="Allows TCP connections on port 8080." \
--direction=INGRESS --priority=1000 \
--source-ranges=0.0.0.0/0 --action=ALLOW \
--rules=tcp:8080

۴. فعال کردن آنتروپیک در مدل باغ Vertex

ما باید دسترسی خارجی خروجی به اینترنت را فراهم کنیم، بنابراین بیایید یک دروازه Cloud NAT ایجاد کنیم و آن را وصل کنیم.

  1. به داشبورد Vertex AI بروید و Model Garden را انتخاب کنید.
  2. عبارت Anthropic را جستجو کنید و Claude Opus 4.5 را انتخاب کنید.

d8937fa7d5e216b7.png ۳. گزینه Enable را انتخاب کنید، از شما خواسته می‌شود اطلاعاتی را پر کنید. فرم را پر کنید و Next را انتخاب کنید. ۴. در صفحه آخر، گزینه Agree را برای فعال کردن Claude 4.5 Opus انتخاب کنید.

6ccda2a237000dea.png

  1. 84fbda607163ab9a.png

۵. ایجاد دروازه NAT و ماشین‌های مجازی

ما باید دسترسی خارجی خروجی به اینترنت را فراهم کنیم، بنابراین بیایید یک دروازه Cloud NAT ایجاد کنیم و آن را وصل کنیم.

در Cloud Shell از دستورات زیر استفاده کنید

  1. Cloud NAT را ایجاد کنید. 
gcloud compute routers create anthro-out-nat \
    --network $networkid \
    --region us-east1
  1. دروازه Cloud NAT را ایجاد کنید. 
gcloud compute routers nats create anthro-out-nat-gw \
    --router-region us-east1 \
    --router anthro-out-nat \
    --nat-all-subnet-ip-ranges \
    --auto-allocate-nat-external-ips

حالا بیایید یک ماشین مجازی برای دسترسی به Anthropic روی Vertex AI از طریق Python SDK ایجاد کنیم.

ما قصد داریم یک ماشین مجازی برای آزمایش با نصب بسته‌های زیر ایجاد کنیم.

  1. در همان جلسه Cloud Shell، با استفاده از موارد زیر ، anthro-vm را ایجاد کنید. 
gcloud compute instances create anthro-vm \
--project=$projectid \
--zone=us-east1-b \
--network-interface=stack-type=IPV4_ONLY,subnet=vm-subnet,no-address,network=$networkid \
--metadata startup-script="#! /bin/bash    
      sudo apt-get update
      sudo apt-get install python3 python3-dev python3-venv -y
      sudo apt-get install tcpdump dnsutils -y
      sudo -i
      sudo mkdir -p ~/py-anthro-env
      cd ~/py-anthro-env
      python3 -m venv env
      source env/bin/activate
      pip install -U ipython google-genai 'anthropic[vertex]'"

You should see a VM created with no public IP addresses. Now let's configure the VM's

۶. ماشین مجازی را پیکربندی و آزمایش کنید

  1. در گوگل کلود شل، SSH به ماشین مجازی جدیدی به نام anthro-vm اجازه ورود می‌دهد. 
gcloud compute ssh anthro-vm \
    --project=$projectid \
    --zone=us-east1-b \
    --tunnel-through-iap \
    -- -L 8080:localhost:8080
  1. پس از اینکه با SSH به anthro-vm وارد شدید، محیط venv خود را فعال کنید: 
sudo -i -- bash -c 'cd py-anthro-env && source env/bin/activate && exec bash'
  1. حالا بیایید این را احراز هویت کنیم تا بعداً آزمایش‌هایی انجام دهیم. دستور زیر را در ماشین مجازی اجرا کنید، وقتی از شما خواسته شد، کلید y را فشار دهید. 
gcloud auth application-default login
  1. سپس آدرس اینترنتی (url) که با https:// شروع می‌شود را کپی کنید. یک تب جدید در پنجره مرورگر آزمایشگاه خود باز کنید و آدرس اینترنتی را جایگذاری کنید. دستورالعمل‌ها را بپذیرید (یا بپذیرید).
  2. وقتی کپی انتخاب‌شده‌ی زیر را مشاهده کردید، به جلسه‌ی vm anthro-vm برگردید و برای Enter authorization code: کدی را که کپی کرده‌اید، جای‌گذاری کنید و برای تأیید اعتبار، enter را فشار دهید.

b703db7aa2aa286a.png

  1. حالا بیایید یک آزمایش سریع انجام دهیم تا ببینیم آیا می‌توانیم به API مربوط به Vertex Gemini متصل شویم یا خیر. 
dig *-aiplatform.googleapis.com
  1. شما باید چیزی مشابه را ببینید ( آدرس‌ها متفاوت خواهند بود ). توجه داشته باشید که مسیر از طریق آدرس‌های IP عمومی است زیرا API یک API عمومی است. 
; <<>> DiG 9.18.39-0ubuntu0.24.04.2-Ubuntu <<>> *-aiplatform.googleapis.com
;; global options: +cmd
;; Got answer:
;; ->>HEADER<<- opcode: QUERY, status: NOERROR, id: 3728
;; flags: qr rd ra; QUERY: 1, ANSWER: 16, AUTHORITY: 0, ADDITIONAL: 1

;; OPT PSEUDOSECTION:
; EDNS: version: 0, flags:; udp: 512
;; QUESTION SECTION:
;*-aiplatform.googleapis.com.   IN      A

;; ANSWER SECTION:
*-aiplatform.googleapis.com. 300 IN     A       172.217.204.95
*-aiplatform.googleapis.com. 300 IN     A       172.217.203.95
*-aiplatform.googleapis.com. 300 IN     A       173.194.215.95
*-aiplatform.googleapis.com. 300 IN     A       142.250.98.95
*-aiplatform.googleapis.com. 300 IN     A       173.194.217.95
*-aiplatform.googleapis.com. 300 IN     A       142.251.107.95
*-aiplatform.googleapis.com. 300 IN     A       74.125.196.95
  1. حالا بیایید از پایتون استفاده کنیم. برای فعال کردن رابط کاربری ipython ipython را تایپ کنید. 
ipython

845ef4291429888a.png

  1. حالا کد زیر را کپی و پیست کنید. این کد از Claude Opus 4.5 می‌پرسد « مراحل کلیدی برای ساخت هوش مصنوعی Agentic چیست؟ » سپس خروجی را می‌گیرد و به Gemini 3 pro می‌دهد که خلاصه‌ای ایجاد می‌کند و تصویری تولید می‌کند که در ماشین مجازی ذخیره می‌کند. 
import os
import sys
import google.auth
from pathlib import Path
from google import genai
from google.genai import types
from anthropic import AnthropicVertex

# 1. Setup & Auth
print("--- Authenticating ---")
creds, project_id = google.auth.default()
LOCATION = "global"

# 2. Initialize Clients
print(f"--- Initializing Clients for Project: {project_id} ---")
google_client = genai.Client(vertexai=True, location=LOCATION, project=project_id)
claude_client = AnthropicVertex(region=LOCATION, project_id=project_id)

# 3. Define the Question
question = "What are the key steps to building Agentic AI?"
print(f"\n--- Asking Claude: {question} ---")

# 4. Get Claude's Research
msg = claude_client.messages.create(
    model="claude-opus-4-5@20251101",
    max_tokens=2048,
    messages=[{"role": "user", "content": question}]
)
claude_text = msg.content[0].text
print(f"✓ Claude Answered ({len(claude_text)} chars)")

# 5. Send to Gemini 3 for Image & Summary
print("\n--- Sending to Gemini 3 (Image + Text) ---")
gemini_prompt = f"""
I am providing you with a technical explanation generated by Claude Opus 4.5.
1. READ the text below.
2. GENERATE a concise, bulleted executive summary.
3. CREATE a high-quality, futuristic illustration for a tech blog header (16:9).

--- INPUT TEXT ---
{claude_text}
"""

response = google_client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents=gemini_prompt,
    config=types.GenerateContentConfig(
        response_modalities=['TEXT', 'IMAGE'],
        temperature=0.7
    )
)

# 6. Save and Display Results
print("\n--- Results ---")
for part in response.parts:
    if part.text:
        print(f"\n[SUMMARY]:\n{part.text.strip()[:500]}...\n(Summary truncated for brevity)")
    elif image := part.as_image():
        filename = "gemini_agentic_ai.png"
        image.save(filename)
        print(f"\n✓ IMAGE SAVED to: {os.path.abspath(filename)}")
  1. برای اجرا و مشاهده نتیجه متنی، دو بار اینتر را فشار دهید.
  2. برای مشاهده تصویر، باید یک سرویس وب را در پایتون فعال کنیم. دستور زیر را در نشست ipython اجرا کنید: 
!python3 -m http.server 8080
  1. حالا به گزینه پیش‌نمایش وب در Cloud Shell بروید، پیش‌نمایش روی پورت ۸۰۸۰ را انتخاب کنید 6dcb2bf9a08aacaf.png
  2. در جلسه وب باز، فایل gemini_agentic_ai.png را انتخاب کنید تا تصویر تولید شده را مشاهده کنید. (نمونه تصویر زیر که توسط هوش مصنوعی تولید شده است)
    fdcb79d8410dadc5.png
  3. در Cloud Shell برای خروج از جلسه، Ctrl+C را فشار دهید، سپس exit را تایپ کنید و Enter را بزنید (سه بار تکرار کنید) تا به صفحه اصلی Cloud Shell برگردید.
  4. ادامه بدیم.

۷. ایجاد نقطه پایانی PSC برای googleapis

برای فعال کردن اتصال خصوصی به نقطه پایانی Vertex API خود، یک نقطه پایانی Private Service Connect برای googleapis ایجاد خواهیم کرد. این به ما امکان می‌دهد از یک آدرس IP خصوصی که برای مسیریابی ترافیک به googleapis مورد نیازمان، در این مورد Vertex Gemini، اختصاص می‌دهیم، استفاده کنیم.

  1. اگر Cloud Shell از قبل باز نیست، آن را باز کنید. یک IP برای نقطه پایانی PSC ایجاد کنید. در این مورد از 192.168.255.230 استفاده خواهیم کرد. 
gcloud compute addresses create anthro-ip \
    --global \
    --purpose=PRIVATE_SERVICE_CONNECT \
    --addresses=192.168.255.230 \
    --network=$networkid
  1. تأیید IP ایجاد شده 
gcloud compute addresses list --filter="name=( 'anthro-ip' ...)"
  1. سپس نقطه پایانی PSC را ایجاد کنید 
gcloud compute forwarding-rules create pscanthrovertex \
    --global \
    --network=$networkid \
    --address=anthro-ip \
    --target-google-apis-bundle=all-apis
  1. این یک نقطه پایانی و یک ورودی دایرکتوری سرویس ایجاد می‌کند. تأیید وجود نقطه پایانی 
gcloud compute forwarding-rules describe pscanthrovertex --global

۸. اتصال نقطه پایانی را از طریق منطقه دایرکتوری سرویس خودکار تأیید کنید

بیایید با استفاده از نقطه پایانی خصوصی به Gemini متصل شویم.

  1. به VM Instance anthro-vm1 بروید. SSH را انتخاب کنید و SSH را وارد ماشین مجازی کنید.
  2. با استفاده از دستور dig ، مسیر اتصال به aiplatform-pscanthrovertex.p.googleapis.com را بررسی کنید. باید IP نقطه پایانی PSC را 192.168.255.230 ببینید. 
dig aiplatform-pscanthrovertex.p.googleapis.com
  1. خروج از تمام جلسات SSH

۹. ایجاد ورودی DNS دستی به googleapis

شما می‌توانید یک ورودی DNS دستی ایجاد کنید تا با استفاده از DNS خصوصی به نقطه پایانی PSC اشاره کند. این کار بر تمام شبکه‌هایی که به آن اختصاص می‌دهید تأثیر می‌گذارد.

دستورات زیر را در Cloud Shell اجرا کنید.

  1. یک منطقه DNS خصوصی برای googleapis.com ایجاد کنید و آن را به شبکه anthropic-net متصل کنید. 
gcloud dns managed-zones create googleapis-private \
    --description="Private DNS zone for googleapis.com" \
    --dns-name="googleapis.com." \
    --visibility="private" \
    --networks="anthropic-net"
  1. یک رکورد A ایجاد کنید که دامنه ریشه را به IP نقطه پایانی Private Service Connect (192.168.255.230) نگاشت کند. 
gcloud dns record-sets create "googleapis.com." \
    --zone="googleapis-private" \
    --type="A" \
    --ttl="300" \
    --rrdatas="192.168.255.230"
  1. یک رکورد CNAME با پسوند wildcard ایجاد کنید تا همه زیر دامنه‌ها (مثلاً aiplatform.googleapis.com) به رکورد A ریشه هدایت شوند. 
gcloud dns record-sets create "*.googleapis.com." \
    --zone="googleapis-private" \
    --type="CNAME" \
    --ttl="300" \
    --rrdatas="googleapis.com."
  1. مجموعه رکوردهای موجود در منطقه را فهرست کنید تا تأیید شود که رکورد A و CNAME به درستی ایجاد شده‌اند. 
gcloud dns record-sets list --zone="googleapis-private"
  1. در نمای کنسول باید به این شکل باشد. باید تنظیماتی با یک رکورد A و CNAME مانند این را ببینید. a51a8b8caa7a0f1e.png
  2. در مرحله بعد، اتصال را با این تغییرات در anthro-vm تأیید می‌کنیم.

۱۰. اتصال نقطه پایانی را از طریق آدرس IP تأیید کنید

بیایید با استفاده از نقطه پایانی خصوصی به Gemini متصل شویم.

  1. در گوگل کلود شل، SSH به ماشین مجازی جدیدی به نام anthro-vm اجازه ورود می‌دهد. 
gcloud compute ssh anthro-vm \
    --project=$projectid \
    --zone=us-east1-b \
    --tunnel-through-iap \
    -- -L 8080:localhost:8080
  1. پس از اینکه با SSH به anthro-vm وارد شدید، محیط venv خود را فعال کنید: 
sudo -i -- bash -c 'cd py-anthro-env && source env/bin/activate && exec bash'
  1. حالا بیایید dig کنیم که آیا می‌توانیم به API مربوط به Vertex Gemini متصل شویم یا خیر. 
dig *-aiplatform.googleapis.com
  1. شما باید چیزی مشابه را ببینید (آدرس متفاوت خواهد بود). توجه داشته باشید که مسیر از طریق آدرس‌های IP نقطه پایانی PSC است. 
; <<>> DiG 9.18.41-1~deb12u1-Debian <<>> *-aiplatform.googleapis.com
;; global options: +cmd
;; Got answer:
;; ->>HEADER<<- opcode: QUERY, status: NOERROR, id: 33703
;; flags: qr rd ra; QUERY: 1, ANSWER: 2, AUTHORITY: 0, ADDITIONAL: 1

;; OPT PSEUDOSECTION:
; EDNS: version: 0, flags:; udp: 512
;; QUESTION SECTION:
;*-aiplatform.googleapis.com.   IN      A

;; ANSWER SECTION:
*-aiplatform.googleapis.com. 300 IN     CNAME   googleapis.com.
googleapis.com.         300     IN      A       192.168.255.230

;; Query time: 8 msec
;; SERVER: 169.254.169.254#53(169.254.169.254) (UDP)
;; WHEN: Sat Nov 29 15:19:15 UTC 2025
;; MSG SIZE  rcvd: 86
  1. با استفاده از دستور ping . می‌توانیم یک آزمایش سریع انجام دهیم. توجه: این IP یک نقطه پایانی PSC است و پینگ‌های شما ناموفق خواهند بود. 
ping -c 2 aiplatform.googleapis.com
  1. حالا بیایید از پایتون استفاده کنیم. برای فعال کردن رابط کاربری ipython ipython را تایپ کنید. 
ipython

845ef4291429888a.png

  1. حالا کد زیر را کپی و پیست کنید. این کد از Claude Opus 4.5 می‌پرسد: « یک دستور پخت گام به گام برای درست کردن روتی برای یک مبتدی به من بدهید؟ » سپس خروجی را می‌گیرد و به Gemini 3 pro می‌دهد که خلاصه‌ای ایجاد می‌کند و تصویری تولید می‌کند که در ماشین مجازی ذخیره می‌شود. 
import os
import sys
import google.auth
from pathlib import Path
from google import genai
from google.genai import types
from anthropic import AnthropicVertex

# 1. Setup & Auth
print("--- Authenticating ---")
creds, project_id = google.auth.default()
LOCATION = "global"

# 2. Initialize Clients
print(f"--- Initializing Clients for Project: {project_id} ---")
google_client = genai.Client(vertexai=True, location=LOCATION, project=project_id)
claude_client = AnthropicVertex(region=LOCATION, project_id=project_id)

# 3. Define the Question
question = "Give me a step by step recipe to make a roti for a beginner?"
print(f"\n--- Asking Claude: {question} ---")

# 4. Get Claude's Research
msg = claude_client.messages.create(
    model="claude-opus-4-5@20251101",
    max_tokens=2048,
    messages=[{"role": "user", "content": question}]
)
claude_text = msg.content[0].text
print(f"✓ Claude Answered ({len(claude_text)} chars)")

# 5. Send to Gemini 3 for Image & Summary
print("\n--- Sending to Gemini 3 (Image + Text) ---")
gemini_prompt = f"""
I am providing you with a technical explanation generated by Claude Opus 4.5.
1. READ the text below.
2. GENERATE a concise, bulleted executive summary.
3. CREATE a high-quality, futuristic illustration for a tech blog header (16:9).

--- INPUT TEXT ---
{claude_text}
"""

response = google_client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents=gemini_prompt,
    config=types.GenerateContentConfig(
        response_modalities=['TEXT', 'IMAGE'],
        temperature=0.7
    )
)

# 6. Save and Display Results
print("\n--- Results ---")
for part in response.parts:
    if part.text:
        print(f"\n[SUMMARY]:\n{part.text.strip()[:500]}...\n(Summary truncated for brevity)")
    elif image := part.as_image():
        filename = "cookingroti.png"
        image.save(filename)
        print(f"\n✓ IMAGE SAVED to: {os.path.abspath(filename)}")
  1. برای اجرا و مشاهده نتیجه متنی، دو بار اینتر را فشار دهید.
  2. برای مشاهده تصویر باید یک سرویس وب را در پایتون فعال کنیم، بنابراین دستور زیر را در جلسه ipython اجرا کنید. 
!python3 -m http.server 8080
  1. حالا به گزینه پیش‌نمایش وب در Cloud Shell بروید، پیش‌نمایش روی پورت ۸۰۸۰ را انتخاب کنید
  2. برای مشاهده تصویر تولید شده، فایل cookingroti.png را انتخاب کنید. (نمونه زیر توسط هوش مصنوعی تولید شده است) bcf43fffede275c.png
  3. در Cloud Shell برای خروج از جلسه، Ctrl+C را فشار دهید، سپس exit را تایپ کنید و Enter را بزنید (سه بار تکرار کنید) تا به صفحه اصلی Cloud Shell برگردید.

۱۱. تبریک

تبریک می‌گوییم، شما با موفقیت به Anthropic Claude Opus 4.5 و Gemini 3 Pro روی Vertex با استفاده از آدرس API عمومی و به صورت خصوصی با استفاده از Private Service Connect Endpoint برای Googleapis متصل شدید. این قابلیت می‌تواند اتصال API خصوصی را به محیط ابری on-premium/دیگر محیط‌های ابری شما که از طریق (Interconnect، Cross-Cloud Interconnect و VPC) متصل هستند، گسترش دهد.

تمیز کردن 

gcloud compute instances delete anthro-vm --zone=us-east1-b --quiet

gcloud compute routers nats delete anthro-out-nat-gw --router=anthro-out-nat --region=us-east1 --quiet

gcloud compute routers delete anthro-out-nat --region=us-east1 --quiet

gcloud compute firewall-rules delete anthropic-net-allow-icmp anthropic-net-allow-ssh anthropic-net-allow-web --quiet

gcloud compute forwarding-rules delete pscanthrovertex --global --quiet

gcloud dns record-sets delete googleapis.com. --zone googleapis-private --type A --quiet

gcloud dns record-sets delete *.googleapis.com --zone googleapis-private --type CNAME --quiet

gcloud dns managed-zones delete googleapis-private --quiet

gcloud compute addresses delete anthro-ip --global --quiet

gcloud compute networks subnets delete vm-subnet --region=us-east1 --quiet

gcloud compute networks delete anthropic-net --quiet

مراحل بعدی / اطلاعات بیشتر

می‌توانید درباره شبکه هوش مصنوعی Vertex بیشتر بخوانید

Codelab : دسترسی به چت Gemini 3 Pro با استفاده از python sdk از طریق نقطه پایانی Private Service Connect

Codelab : ساخت عامل‌های هوش مصنوعی با ADK:The Foundation

آزمایشگاه بعدی خود را انجام دهید

به تلاش خود با Google Cloud ادامه دهید و این آزمایشگاه‌های دیگر Google Cloud Skills Boost را بررسی کنید: